讲实现之前,建议先把数据流看明白。这样你再往下读 inject_reminder() 伪代码时,会顺很多。
![图片[1]-小节三:实现 inject_reminder()——Reminder 必须来自真实 State,而不是模型自己编一段鸡汤-大赛人网](https://www.dsrw.com/wp-content/uploads/2026/11/image-1655.png)
这张图把流程拆成了三步:先从真实 State / Context 中读取目标、已完成步骤、重复迹象、剩余预算、未完成任务和可结束性;接着对这些信息做结构化整理;最后才生成一条简洁、可执行的 reminder message。重点就在这里:Reminder 必须由状态推导出来,而不是模型自己随手编一段“请继续努力”。
现在正式实现。
我们先准备几个简单结构。
from dataclasses import dataclass, field
@dataclass
class WorkingMemory:
goal: str
completed: list[str] = field(
default_factory=list
)
plan: list[str] = field(
default_factory=list
)
next_action: str = ""
@dataclass
class BudgetSnapshot:
steps_used: int
max_steps: int
tool_calls_used: int
max_tool_calls: int
tokens_used: int
max_tokens: int
再定义重复信号:
from __future__ import annotations
from dataclasses import dataclass
from typing import Optional
@dataclass
class RepetitionSnapshot:
repeated_tool: Optional[str] = None
repeated_tool_count: int = 0
repeated_error: Optional[str] = None
repeated_error_count: int = 0
然后实现:
def inject_reminder(*args, **kwargs):
"""后面给出完整实现。"""
raise NotImplementedError
完整可运行版本:
这段代码已经把 Reminder 的核心跑通。
为什么返回 role = system?
因为 Reminder 本质上是,Harness 对当前 Agent 的运行时高优先级纠偏信息。
它不应该伪装成:
user
也不应该假装是:
assistant
在很多消息协议里,使用 system/developer-like 高优先级注入更自然。
具体 Provider 的消息角色支持方式不同,可以由 ContextBuilder 适配。
Reminder 不是永久 System Prompt
这一块非常值得配一张对比图,因为很多同学会把 System Prompt、Working Memory、System Reminder 混成一类东西。
![图片[2]-小节三:实现 inject_reminder()——Reminder 必须来自真实 State,而不是模型自己编一段鸡汤-大赛人网](https://www.dsrw.com/wp-content/uploads/2026/11/image-1656.png)
图里把三者的分工切得很清楚:System Prompt 更像长期不变的基本盘,负责原则、角色和总体约束;Working Memory 是当前任务的工作区,承接事实、中间结论和用户偏好;而 System Reminder 则是当前轮次的温和纠偏器,它只对眼前这一步负责。也正因为这样,Reminder 不应该永久挂在历史里,更不该被当成另一个固定 Prompt。
这点要区分。
System Prompt 是:
长期基础规则
Reminder 是:
当前 Run 某个时刻的临时纠偏快照
所以它可以每几轮重新生成。
而且旧 Reminder 不应该无限累积。
通常:
只保留最近一次 Reminder
就够。
否则:
Reminder 1
Reminder 2
Reminder 3
自己也会污染 Context。
















请登录后查看评论内容