> 原创文章，来源于 AI 技术趋势自动整理。发布前请在腾讯云开发者社区编辑器中复核标题、封面、标签和外链。

Foundry Agent流程记忆用法

## 1. Foundry Agent Service 的 procedural memory：把 Agent 记忆从“记住事实”推进到“执行流程”

Foundry Agent Service 的 Agent Memory 这次真正要解决的，不是让 Agent 多记几条用户偏好，而是让它在重复任务里少犯同样的错。传统长期记忆偏向事实保存，例如用户资料、对话摘要、上下文偏好；Microsoft Foundry Blog 这篇 2026 年 6 月 3 日的文章把重点放在 procedural memory，也就是把成功路径、失败模式、检查步骤和工具调用经验沉淀为可复用的流程记忆。

项目来源很明确：这是 Microsoft Foundry 团队围绕 Foundry Agent Service 发布的 Agent Memory 更新，作者为 Lewis Liu。它包含几个具体能力：procedural memory、Foundry portal 里的记忆管理 UI、Memory TTL、multimodal memory、direct memory command，以及 Microsoft Agent Framework 中的 file-based memory。比较关键的是，Microsoft 还提到 STATE-Bench 和 Tau-Bench 上启用 procedural memory 后约有 5% 改善，并使用 pass^5 观察 Agent 是否能稳定完成任务。

这套机制的数据流可以理解为两段：先把 Agent trajectories 摄入并审计，从中识别成功模式、低效路线和缺失步骤，再抽取结构化流程记忆，记录“何时使用”和“该怎么做”；当相似任务再次出现时，相关流程会被检索并注入上下文，约束 Agent 按步骤执行，包括必要校验、正确工具参数和策略检查。真正值得试的点不是记忆本身，而是把“曾经失败过的工具调用和漏掉的验证步骤”变成下一次执行时可见的约束。

<ul>核心能力可以拆成几类：事实记忆用于用户画像和会话摘要；procedural memory 用于流程复用；Memory TTL 在创建 memory store 时配置，用来自动淘汰低价值旧记忆；direct memory command 允许用户显式要求记住或忘记；multimodal support 让 Agent 能处理来自图片的信息；file-based memory 则通过 markdown 文件降低本地试验门槛。</ul>

最小使用路径是：目标读者为已经在 Azure AI Foundry 或 Microsoft Agent Framework 中构建 Agent 的开发者；前置条件是有 Foundry portal 访问权限、已有可运行 Agent、能记录任务轨迹。<ol>1. 在 https://ai.azure.com/ 创建或配置 memory store；2. 开启 chat_summary_enabled、user_profile_enabled、procedural_memory_enabled，并设置 default_ttl_seconds；3. 在测试任务中收集 Agent trajectories，观察哪些步骤被抽取为流程记忆；4. 用 STATE-Bench、Tau-Bench 或自有回归任务比较启用前后的通过率和 pass^5；5. 在 Foundry UI 中检查、编辑或删除单条 memory item。</ol>如果只是本地验证，文章还提到 Microsoft Agent Framework 的 MemoryFileStore，可用 markdown 文件作为可检查、可版本化的记忆入口；原文没有给出完整权限模型、存储隔离和计费细节，不能把它当成完整架构说明。

短期来看，它更适合已经有稳定任务流、工具调用链和失败日志的 Agent 团队，不适合还停留在聊天 Demo、没有评测集、也没有人工审核流程的项目。限制也很现实：流程记忆如果不可审计，错误经验会被延续；TTL 设置过长会污染检索，过短又可能丢掉有价值经验；多模态记忆还会带来隐私和数据权限问题。可复用建议是把记忆分层：事实记忆只保留必要上下文，流程记忆只沉淀经过验证的步骤，所有记忆都要有生命周期、人工管理入口和可观测指标，而不是把所有对话无限期塞进向量库。

关键词：记忆、Agent、Foundry、评测

## 2. Claude 沙箱隔离拆解：gVisor、Seatbelt、Bubblewrap 与 VM 如何限制 Agent 越界

Claude.ai、Claude Code 和 Claude Cowork 这篇工程说明真正有价值的地方，不是“Anthropic 做了安全”，而是把 AI Agent 的运行边界拆成了可复用的工程问题：模型会犯错，用户会疲劳，外部内容会带毒，所以不能只靠提示词和审批弹窗，要用进程沙箱、虚拟机、文件系统挂载和网络出口控制给 Agent 设硬边界。

项目来源很明确：Anthropic 工程团队复盘了三类 Claude 产品的隔离方式。Claude.ai 的代码执行跑在服务端 gVisor 容器里，文件系统按会话临时存在；Claude Code 是本地 CLI，macOS 用 Seatbelt，Linux 用 Bubblewrap；Claude Cowork 面向桌面协作，早期采用完整 VM，macOS 使用 Apple Virtualization framework，Windows 使用 HCS。Simon Willison 的评论重点也在这里：这不是产品宣传，而是一份可参考的 Agent 沙箱设计笔记。

核心问题是“爆炸半径”。Claude Code 早期依赖人类逐次批准写入、bash 和网络访问，但 Anthropic 看到用户约 93% 的权限提示都会被批准，审批疲劳会让安全机制变成形式。后来 Claude Code auto mode 用模型分类器自动处理更安全的审批，权限提示减少约 84%，但脚注也说明它仍会漏掉一部分高风险行为，不能替代沙箱。

能力清单可以概括为三层：<ul><li>环境层：限制文件读写、进程执行、网络 egress 和宿主机可见范围。</li><li>模型层：通过系统提示、分类器、探针和训练调整降低误操作概率。</li><li>外部内容层：把 MCP、GitHub README、网页搜索结果和插件返回值都视为潜在注入源。</li></ul>

最小使用路径更适合开发者和小团队做自查：目标读者是正在接入 Claude Code、MCP 工具或自建 Agent CLI 的工程团队；前置条件是已经有本地工作区、凭据管理方式和需要调用的工具。<ol><li>先列出 Agent 能读写的目录，不要让 ~/.aws、SSH key、浏览器 Cookie 进入沙箱。</li><li>为本地工具启用系统沙箱或容器边界，macOS 参考 Seatbelt 思路，Linux 参考 Bubblewrap/devcontainer。</li><li>默认关闭外部网络，只为必要域名开放 egress，并把“允许域名”理解成“授予该域名全部能力”。</li><li>对 MCP 和连接器返回内容做注入检查，尤其是远程 MCP 和第三方插件。</li><li>用假数据跑一次红队测试，检查文件上传、POST 请求、符号链接和项目配置加载顺序。</li></ol>原文没有给出 srt 的完整部署命令或配置文件，因此不能把它写成现成教程；可执行动作是去读 Anthropic Sandbox Runtime，也就是 srt 的仓库和 Claude Code reference devcontainer，把自己的权限清单逐项对照。

这里最容易踩的坑是“看似安全的允许路径”。Claude Cowork 曾因为 api.anthropic.com/v1/files 这类可上传文件的接口形成外泄通道：网络出口只检查目标域名，却没有区分请求使用的是谁的 API key。另一个坑是 VM 隔离会让宿主机 EDR 看不到内部行为，Anthropic 只能用 pull-based OTLP 导出事件日志，和实时监控不是一回事。

短期判断很简单：如果你在做本地编程 Agent、MCP 工具链或团队内部自动化，最值得试的是“沙箱加 egress 控制加凭据不入场”的组合；如果只是普通聊天机器人或一次性脚本工具，完整 VM 的成本和运维复杂度可能过高。复用这套思路时，不要迷信模型层安全，也不要把审批弹窗当边界。真正能迁移的经验是：先限制 Agent 能触达什么，再讨论它应该怎么思考。

关键词：沙箱、Claude、Agent、权限、MCP

## 3. Agent Optimizer：把 Foundry hosted agents 从可运行推向可验证

Agent Optimizer 是 Foundry Agent Service 里的一个 Agent 优化能力，目标不是帮开发者“再写一段更漂亮的 prompt”，而是处理 hosted agents 上线后常见的质量问题：规则遵循不稳定、必要信息没收集就调用流程、安全边界该拒绝时没有拒绝。它出现的背景很直接：在 Foundry 上，开发者可以写好 Agent 逻辑后运行 azd deploy，把 hosted agent 部署出去，但 live 不等于 production-ready。

原文给出的几个失败案例很典型：客服 Agent 查询订单状态前忘记索要订单号；回答保修问题时没有检查购买日期；面对电气布线建议时，本应拒绝并建议找专业人士，却直接给了指导。这些都不是“模型不会回答”的问题，而是 Agent 行为没有被约束成可检查的流程。Agent Optimizer 关注的就是这段差距。

从能力边界看，它更像提示词治理和行为回归的辅助工具。开发者仍然需要定义 Agent 应该做什么、什么时候调用外部工具、哪些信息缺失时必须追问、哪些主题必须拒答。Agent Optimizer 的价值在于围绕真实失败案例持续改进，而不是靠一次性系统提示词押运气。可归纳的能力清单包括：<ul><li>把失败对话转成可复查的行为问题，例如“缺少订单号时必须追问”；</li><li>围绕安全拒答、前置条件、事实查证建立回归检查；</li><li>降低手工修改 prompt 后反复人工测试的成本；</li><li>帮助开发者发现一次修改是否破坏了其他已通过行为。</li></ul>

最小使用路径可以这样理解。目标读者是已经在 Foundry Agent Service 上构建 hosted agents 的团队，前置条件是有 Foundry 环境、已有 Agent 逻辑，并能通过 azd deploy 部署。<ol><li>先把 Agent 跑起来，不要急着宣称可用；</li><li>收集真实失败案例，尤其是缺信息、误调用工具、错误拒答或没有拒答的样本；</li><li>把这些样本整理成检查项，例如“查订单前必须有订单号”；</li><li>使用 Agent Optimizer 对 Agent 行为进行优化和回归验证；</li><li>每次改系统提示词、工具逻辑或安全策略后，重新检查关键行为。</li></ol>关键检查点不是回答是否“看起来合理”，而是是否满足明确规则。

这里要说清限制：原文没有给出 Agent Optimizer 的界面截图、评测算法、配置文件格式、API 调用方式或价格信息，也没有说明是否支持本地私有评测数据。因此不应编造安装命令或 SDK 示例。已知上下文只有 Foundry Agent Service、hosted agents、Foundry、azd deploy 和 Agent Optimizer。短期真正适合尝试它的，是已经有 Agent 原型、并开始遭遇回归测试和安全边界问题的开发者；如果你还停留在 prompt demo 阶段，或者 Agent 没有外部工具调用和明确业务规则，先整理测试样本比接入优化工具更重要。

一个可复用做法是把 Agent 优化拆成三类用例：信息收集类、工具调用类、安全拒答类。信息收集类检查“缺订单号、日期、身份信息时是否追问”；工具调用类检查“调用数据库、RAG 或外部 API 前是否满足条件”；安全拒答类检查“医疗、电气、法律等高风险问题是否给出边界和转介建议”。这些用例可以先用表格维护，等官方提供更完整的 Agent Optimizer 接口后再迁移。

成本和部署上也要谨慎。Hosted agents 依赖 Foundry 生态，评测数据可能包含用户对话、订单状态、购买日期等敏感信息，接入前要确认数据权限、日志保留和人工审核流程。Agent Optimizer 能减少盲改 prompt 的次数，但不能替代业务规则设计，也不能保证外部工具永远可用。真正值得试的点，是把“线上翻车案例”变成持续回归资产，而不是把它当成自动修好 Agent 的按钮。

关键词：Foundry、Agent、评测、提示词、回归

## 4. Ollama 预览 MLX 后端：Apple Silicon 本地模型加速该怎么判断

Ollama 是本地运行大语言模型的常用工具，重点解决个人电脑、开发机和小型工作站上模型拉起、管理和推理调用的问题。这次 Apple Silicon 与 MLX 的预览更新，真正指向的是一个很具体的痛点：Mac 用户跑本地模型时，速度、内存占用和后端适配会直接决定体验，尤其是 M 系列芯片并不适合长期只按通用 CPU/GPU 路径来理解。

项目来源很明确：Ollama 官方博客在 2026 年 3 月 30 日发布了 MLX 相关更新，目标平台是 Apple Silicon，底层技术基础是 Apple 的机器学习框架 MLX。Ollama 将它描述为在 Apple Silicon 上运行 Ollama 的最快方式，但页面摘要能确认的事实也到这里为止：该能力处于 preview 阶段，面向 Apple silicon，不是 Windows、Linux 或 Intel Mac 的通用优化公告。

从能力清单看，这次更新可以拆成三层：<ul><li>运行时后端：Ollama 开始预览基于 MLX 的 Apple Silicon 原生加速路径。</li><li>本地模型体验：重点可能体现在首 token 延迟、持续生成速度、内存调度和芯片资源利用率上。</li><li>工作流影响：Mac 用户可以继续沿用 Ollama 的本地模型管理方式，同时观察 MLX 后端是否改善现有模型的响应速度。</li></ul>

短期明确判断：这件事更适合已经在 M 系列 Mac 上使用 Ollama、愿意测试预览功能的开发者和本地 AI 用户；不适合只想要稳定默认环境、跨平台一致部署，或需要明确 SLA 的团队。真正值得试的点不是“换一个后端”本身，而是确认你常用模型在 MLX 路径下是否真的更快、更稳。

最小使用路径可以这样设计：目标读者是 Apple Silicon Mac 用户；前置条件是已经有 Ollama 使用经验，并能接受 preview 风险。<ol><li>进入 Ollama 原文页面，确认 MLX 预览的开启方式、版本要求和是否需要特定构建。</li><li>记录当前 Ollama 版本、macOS 版本、芯片型号和常用模型名称，建立对照基线。</li><li>使用同一模型、同一提示词、同一上下文长度分别测试旧路径和 MLX 路径。</li><li>观察首 token 时间、tokens/s、内存占用、崩溃或回退情况。</li><li>只在结果稳定后，把它纳入日常开发工作流。</li></ol>原文未给出真实安装命令、配置项、支持模型列表和回退机制，因此不应直接编造“brew 安装”“环境变量开启”之类步骤。

在开发者工作流里，它更像一个本地推理后端升级点：编辑器插件、脚本调用、RAG 原型、离线摘要工具仍然可以把 Ollama 当作本地模型入口；变化发生在底层执行路径。如果你已经用 Ollama 服务本地 API，测试重点应放在同一接口调用下的性能差异，而不是急着改上层应用。

成本上，Apple Silicon 路径的优势是不用额外租 GPU，部署也留在本机；代价是硬件生态绑定明显，MLX 只服务 Apple 体系，preview 阶段还可能遇到模型覆盖不完整、性能收益不均、稳定性不足和调试信息有限的问题。更现实的坑是评估难：不同模型量化格式、上下文长度和提示词都会影响结果，单跑一次 demo 没有参考价值。

可复用建议很简单：把这次更新当成“Mac 本地模型后端候选项”，不要当成默认迁移信号。先选 2 到 3 个你真实会用的模型和任务，例如代码解释、长文本摘要、本地 RAG 检索后的回答，做一轮固定样本测试；如果 MLX 路径在速度和稳定性上都赢，再考虑替换日常流程。否则继续用现有 Ollama 路径，等官方补齐版本说明、模型范围和配置文档。

关键词：Ollama、MLX、本地AI、Mac

## 5. ChatGPT 个人财务体验：从生活决策入口看 AI 财务助手的试用边界

ChatGPT 的“个人财务体验”更像是一次面向普通用户和小团队的产品入口信号，而不是一份可直接照抄的财务自动化方案。它解决的原始问题很明确：个人财务材料分散在账单、表格、收据、订阅记录和对话里，用户需要一个能帮助归纳、提问、整理预算思路的通用 AI 工具。可确认的事实有三个：产品名是 ChatGPT，发布方是 OpenAI，页面归在 OpenAI 新闻页的 Product 分类，发布日期为 2026 年 5 月 15 日，原始链接为 openai.com/index/personal-finance-chatgpt/。

需要谨慎的是，当前抓取到的正文只显示新闻卡片，没有功能清单。也就是说，不能把它写成已经支持银行账户连接、信用卡流水同步、投资组合分析、税务规划或自动生成报表的产品。比较稳妥的拆解方式，是把它看作 ChatGPT 正在向个人财务工作流靠近：用户把财务文本、账单摘要、预算目标或表格片段交给模型，由模型辅助分类、总结、提出下一步问题，再由人来确认金额、口径和决策。

短期更适合尝试的人，是已经在用 ChatGPT 做个人知识管理、表格整理、办公写作的用户；不适合把它当作持牌理财顾问、自动记账系统或税务申报工具的人。真正值得试的点不是“让 AI 替你管钱”，而是用它降低财务材料整理和问题拆解的成本。

最小使用路径可以这样设计：<ol><li>目标读者：个人用户、自由职业者、小团队负责人。</li><li>前置条件：拥有可使用的 ChatGPT 账号，并准备脱敏后的账单、支出分类、预算目标或 CSV/表格摘要。</li><li>试用流程：先上传或粘贴一段非敏感财务记录；要求 ChatGPT 按餐饮、交通、订阅、办公等口径归类；再让它列出异常支出、预算缺口和需要人工确认的问题；最后把结果导出到表格或记账软件中复核。</li><li>关键检查点：金额是否算错、分类是否稳定、是否引用了用户没有提供的数据、是否把建议包装成确定性金融结论。</li></ol>

在成本和部署方式上，这不是开源项目，也没有本地部署路径；使用方式应以 ChatGPT 网页或官方客户端为主，是否需要特定套餐、地区入口、文件上传能力或连接器权限，原文未给出。开发者若想把类似流程接入内部工具，应优先查看 OpenAI API、文件上传、结构化输出和权限控制能力，但不能假设该新闻页已经开放了专门的 personal finance API。

最大的风险边界是隐私和责任。财务数据天然敏感，银行流水、税号、身份证明、工资单和投资账户不应直接原样提交给通用模型；模型也可能产生看似专业但无法承担责任的投资或税务判断。可复用建议是先做“脱敏材料整理助手”，而不是“自动理财助手”：限定输入范围、保留人工复核、记录错误率，并把预算建议和真实交易执行彻底分开。

关键词：财务、ChatGPT、预算、隐私


原创文章，来源于 AI 技术趋势自动整理。发布前请在腾讯云开发者社区编辑器中复核标题、封面、标签和外链。

Foundry Agent流程记忆用法

原创文章，来源于 AI 技术趋势自动整理。发布前请在腾讯云开发者社区编辑器中复核标题、封面、标签和外链。 Foundry Agent流程记忆用法 Foundry Agent Service 的 Agent Memory 这次真正要解决的，不是让 Agent 多记几条用户偏好，而是让它在重复任务里少犯同样的错。传统长期记忆偏向事实保存，例如用户资料、对话摘要、

人工智能

云计算

开发工具

FoundryAgentService推出procedural memory功能，将AI记忆从事实存储升级为流程执行，帮助Agent在重复任务中减少错误。Claude.ai通过gVisor、Seatbelt等沙箱技术为AI设置硬边界，解决权限审批疲劳问题。AgentOptimizer优化Foundry hosted agents的行为规则，提升生产环境稳定性。Ollama预览MLX后端，为Apple Silicon提供本地模型加速方案。ChatGPT推出个人财务助手功能，帮助用户整理财务材料，但需注意隐私保护。

聊天机器人

机器学习

数据库

数据流

虚拟机

ChatGPT

Windows

容器

Linux

热销域名限时优惠，新客首年免费！


domain

2026年中大促 | AI 领航 智绘未来

4核4G3M云服务器 新用户低至38元/年！

腾讯云BI新客户首次购买9.9元起！


文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

FoundryAgentService推出procedural memory功能，将AI记忆从事实存储升级为流程执行，帮助Agent在重复任务中减少错误。Claude.ai通过gVisor、Seatbelt等沙箱技术为AI设置硬边界，解决权限审批疲劳问题。AgentOptimizer优化Foundry hosted a...

Foundry Agent流程记忆用法-腾讯云开发者社区-腾讯云

Foundry Agent流程记忆用法

Foundry Agent流程记忆用法

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐