部署 AI Agent 只是开始。

几个礼拜过去，常见的剧情是：启动变慢了、某个定时任务不知道什么时候坏掉、记忆文件肥到每次开机都要吃掉一堆 Token。花在「维护 AI」的时间，慢慢逼近 AI 帮忙省下的时间。

下面整理的是运维 AI Agent 系统的实战经验，全部都是踩过坑之后沉淀下来的做法。

一、启动成本是最容易被忽略的 Token 黑洞

每次开新对话，系统会加载一系列配置文件、记忆索引、人格定义。这些文件的大小直接决定了还没开口说话之前就已经花掉多少 Token。

完整盘点启动成本之后，常常会发现一个尴尬的事实：某一个历史记录文件，自己就吃掉启动成本的一大半。

AI Agent 启动成本分析示意图

这类文件多半当初是用来跨 session 交接进度的，里面累积了大量历史记录。系统演化之后功能被其他机制取代，只是没人记得把它从启动流程中移除。

做法：定期盘点启动加载的每一个文件。 问自己：这个文件上次真正被用到是什么时候？答案是「想不起来」的，多半不需要在启动时加载。

可以遵循的原则：

  • 启动只读少数核心文件（例如人格 + 身份叙事 + 当下状态）
  • 其他全部改为「按需读取」，遇到相关话题时才加载
  • 启动成本通常能砍掉一半以上

二、记忆系统：一个正典，不要两套帐

AI Agent 通常有多个记忆来源：系统内建的 auto-memory、自建的知识库、各种 feedback 记录。时间一久，同一件事会记在两个不同的地方，版本还不一致。

常见问题：系统内建记忆和自建知识库各自独立，行为矫正记录存一处、项目知识存另一处，新的 session 有时会读到过时的版本。

解法：统一到一个正典（Canonical）位置。

memory/
  feedback/    ← 行为矫正（曾经纠正过 AI 的做法）
  user/        ← 个人偏好和背景
  topics/      ← 稳定的知识主题
  YYYY-MM-DD.md ← 每日记录
  archive/     ← 自动归档的历史记录

系统内建记忆改成一个超薄的 redirect，指向正典位置。这样不管从哪个入口进来，读到的永远是同一份数据。

更完整的记忆分层思路可以参考 AI 助理的记忆该怎么设计 跟 AI Agent 记忆系统教程。

三、自动化维护的分层设计

人类不可能每天手动检查 AI 系统的健康状态，但全部交给自动化又怕出错。较稳定的做法是按频率和判断力需求分层：

层级频率执行者职责
监控每小时轻量模型纯机械检查：系统活着吗？调度正常吗？
日常清理每天中阶模型文件清理 + 记忆归档 + 调度健检
周度审查每周强模型知识库整理 + 项目状态更新 + 自动 Git 备份
月度总检每月强模型快取清理 + 长期趋势 + 不活跃项目审查

关键原则：

  • 轻量工作用轻量模型：每小时的健康检查不需要最强的 AI，便宜模型做机械路由就好
  • 需要判断力的工作用强模型：记忆归档需要判断「这个文件还有用吗？」，不是 if-else 能解决的
  • 避免复杂的委派链：「模型 A 启动 → 调用模型 B → 模型 B 执行」这种链条容易断，能直接执行就直接执行

AI Agent 自动维护分层架构

四、定时任务的静默失效问题

健检经验中最常出现的严重状况：多个定时任务已经坏了好几天，但没有任何警报。

原因：任务执行时超时（timeout），但系统只是静静地记录了一个 error，没有通知任何人。任务看起来「有在跑」，实际上每天都失败。

修复之后，可以在日常清理脚本中加一段调度健检：

# 扫描所有定时任务，找出有连续错误的
python3 -c "
import json
jobs = json.load(open('cron/jobs.json'))
for j in jobs['jobs']:
    if j.get('enabled') and j['state'].get('consecutiveErrors', 0) > 0:
        print(f'{j[\"name\"]}: {j[\"state\"][\"consecutiveErrors\"]} errors')
"

每天凌晨自动扫描，有坏的调度就回报，不再靠人类偶然发现。

五、「保存」思维的陷阱

最后分享一个观念转变。

一开始很容易设计一套「保存」机制：每次对话结束前，AI 要写一段 State Freeze（状态冻结），记录「做了什么、还差什么、下一步」，还有一个 ckpt（checkpoint）命令可以手动触发保存。

用了一段时间之后，会发现这个机制其实是多余的。

如果 AI 在工作过程中就持续更新状态文件，那状态文件本身永远是最新的，不需要额外的「保存」动作。就像 Google Docs 不需要按 Ctrl+S，因为它本来就是实时保存的。

新做法：状态文件是 live 的。 AI 在工作中主动更新，不等任何触发。用户随时可以关掉窗口，不会丢失任何进度。

总结：AI 运维的核心原则

  1. 定期盘点启动加载：每个月问一次「哪些文件还需要在启动时读？」
  2. 一个正典：所有记忆统一到一个位置，系统内建记忆当 redirect
  3. 分层自动化：机械工作用便宜模型，判断工作用强模型
  4. 监控调度健康：自动扫描失败的调度，不靠人类偶然发现
  5. Live 状态取代存档：不要设计「保存」机制，让状态永远是最新的

AI Agent 的真正价值不在部署的那一天，而是在它稳定运作的第 100 天。

延伸阅读

小企鹅的经验

最痛的真的是记忆。要处理好记忆、不让 agent 失忆非常困难。实战下来的诀窍是把核心文件整理干净，文件越简洁，agent 越能在每次 boot 时记得真正重要的事。OpenClaw 上的多 agent 架构（Opus / Sonnet / ChatGPT）也是依着类似逻辑在运作，启动 token 守住、记忆分层守住，整个系统的稳定度才上得去。

常见问题

Q: AI Agent 系统需要定期维护吗？

需要。跟任何软件系统一样，AI Agent 的记忆文件、快取数据、定时任务会随时间累积。不维护的话，启动速度变慢、Token 成本上升、定时任务静默失效。建议至少每周做一次检查。

Q: 如何降低 AI Agent 的 Token 消耗？

最大的节省来自精简启动加载。检查每次 session 开始时加载了哪些文件，移除不再需要的、将大文件改为按需读取。实践中单靠移除一个过时的历史记录文件，启动成本就能砍掉一大半。

Q: AI Agent 的记忆系统要怎么设计才能长期使用？

关键是分层：热记忆（当下待办）放在启动必读的小文件中，温记忆（近期事件）放在按需读取的每日笔记，冷记忆（历史）自动归档。搭配定时清理脚本，确保活跃记忆不会无限膨胀。

整理：Penna｜小企鹅 Penchan