知序
返回
保存草稿
发布
H1
H2
H3
1
2
3
Excalidraw 图
AI 写作
AI 优化
目录
输入内容后显示目录
Markdown
# 04 - 记忆系统 > 导读:本文从"LLM 明明是无状态的,为什么做出来的 Agent 却能记住我上一句说了什么"这个面试高频疑问出发,把记忆的分层(短期记忆/工作记忆、长期记忆、情景记忆)、短期记忆的三种管理方式(完整历史、窗口记忆、摘要记忆)、长期记忆的向量化存储、记忆的"存/取/删"全生命周期策略逐项讲透,最后给出工程实践与踩坑。适合正在准备 AI/Agent 方向面试、或正准备给自家 Agent 加记忆能力的同学。 ## 一、先建立全局认知 ### Q:大模型本身是无状态的,Agent 为什么会有"记忆"? A:结论先行——**记忆不是模型自带的,而是应用层用"上下文拼接 + 外部存储"两件事人为造出来的假象**。 先解释"无状态"(stateless)是什么意思:LLM 的每一次调用都是一次独立的函数调用,输入是一段 token 序列,输出是下一段 token 序列。模型权重在一次推理过程中不会改变,调用之间也不共享任何隐式状态。你第二次调用同一个模型,它并不会"记得"第一次你说了什么,除非你把第一轮的内容重新塞进这次的输入里。 那 Agent 为什么看起来有记忆?因为框架替你在两处做了手脚: 1. **上下文拼接(context stuffing)**:把历史对话消息重新拼进这次的 Prompt。这是"短期记忆"的本质。 2. **外部存储(external store)**:把关键信息写到向量库、数据库、KV 里,跨会话保存,需要时再检索回来拼进 Prompt。这是"长期记忆"的本质。 所以面试时如果被问"Agent 记忆的原理",正确的回答不是"模型记住了",而是"每次请求都把该带的信息重新装进上下文窗口,模型只是把上下文当成了记忆"。 **为什么这件事值得单独设计?** 有三个硬约束逼着我们必须设计: - **上下文窗口有限**:历史无脑全塞,迟早撑爆,而且 Token 是按量计费的,成本会线性甚至超线性上涨。 - **注意力会稀释**:上下文越长,关键信息被淹没的概率越高(业界常说的"lost in the middle"现象),长历史不等于高准确率。 - **会话有生命周期**:用户今天说完、明天再来,进程早就重启了,进程内的 history 天然丢失,必须有持久化层。 ### Q:Agent 的记忆到底分几类? A:结论先行——**主流划法是三层:短期记忆(工作记忆)、长期记忆、情景记忆(工具记忆);按"存在哪、活多久"区分,而不是按"内容是什么"区分**。 下面这张分层图是必须能画出来的:  *图:Agent 记忆体系——短期记忆、长期记忆与工具记忆* ```text ┌─────────────────────────────────────────┐ │ Agent 记忆体系 │ │ │ │ 短期记忆(Working Memory) │ │ 当前对话的历史消息 │ │ 当前任务的中间状态 │ │ → 存在 Prompt 的上下文中 │ │ │ │ 长期记忆(Long-term Memory) │ │ 历史对话摘要 │ │ 用户偏好和画像 │ │ 学到的经验和知识 │ │ → 存在外部存储中(向量库/数据库) │ │ │ │ 工具记忆(Episodic Memory) │ │ 之前调用工具的结果 │ │ 成功/失败的经验 │ │ → 用于避免重复犯错 │ └─────────────────────────────────────────┘ ``` 三类记忆的关键差异可以用一张表说清: | 维度 | 短期记忆(Working) | 长期记忆(Long-term) | 情景记忆(Episodic) | |---|---|---|---| | 存放位置 | Prompt 上下文里 | 外部存储(向量库/DB) | 外部存储 + 当前上下文 | | 生命周期 | 单次会话/单次任务 | 跨会话、跨任务 | 跨会话,长期积累 | | 典型内容 | 最近几轮对话、当前中间状态 | 用户画像、偏好、沉淀知识 | 工具调用结果、成败经验 | | 读取方式 | 直接拼进 Prompt | 相似度检索/键值查询 | 按任务相似度检索 | | 主要风险 | 爆上下文、成本高 | 存错、过期、隐私 | 把偶然失败当必然规律 | | 主要收益 | 多轮连贯 | 个性化、跨会话一致 | 避免重复犯错 | **术语对照与定义**: - **工作记忆(Working Memory)**:当前这一步推理真正"眼前能看见"的信息,通常等价于当前 Prompt 的全部内容。 - **情景记忆(Episodic Memory)**:对"曾经发生过什么"的记录,偏事件与经验,比如"上次用 SHOW TABLES 才找到正确的表名"。 - **语义记忆(Semantic Memory)**:抽象出来的事实与规律,比如"用户是 Python 开发者",实践中常并入长期记忆的"用户画像"一起管。 一个常见误区是把"记忆分类"等同于"存储格式分类"。其实判断标准是**信息活多久、被谁共享、在哪里取**,而这块决定了你是拼 Prompt、查向量库、还是查关系库。  *图:Agent 记忆分层* ### Q:短期记忆和长期记忆的边界在哪里? A:结论先行——**边界不是"长度",而是"是否跨会话/跨任务存活",以及"是否需要按语义检索"**。 - 一段历史如果这轮用完就丢,哪怕有 100 万字,也是短期记忆。 - 一段信息哪怕只有一句话("用户对海鲜过敏"),只要明天换个会话还生效,就是长期记忆。 工程上的分界线通常画在**持久化边界**上:进程重启后还在的,属于长期;只在一次 `invoke` 或一个 `thread` 里存在的,属于短期。 ## 二、短期记忆:对话历史怎么管 短期记忆要解决的核心矛盾只有一个:**"想记住更多"和"上下文塞不下/太贵"之间的对抗**。围绕这个矛盾,有三代解法。 ### Q:最朴素的做法——完整历史,怎么写? A:结论先行——**用框架的"带历史 Chain"能力,把每轮的输入输出自动挂到会话上,下一轮自动回填历史**。 在 LangChain 体系里,`RunnableWithMessageHistory` 做的就是这件事:它把我们写的链和一段消息历史绑定,并按照 `session_id` 区分不同会话。 ```python from langchain_community.chat_message_histories import ChatMessageHistory from langchain_core.runnables.history import RunnableWithMessageHistory message_history = ChatMessageHistory() chain_with_history = RunnableWithMessageHistory( rag_chain, lambda session_id: message_history, input_messages_key="input", history_messages_key="chat_history", ) # 第 1 轮 chain_with_history.invoke( {"input": "RAG 是什么?"}, config={"configurable": {"session_id": "user_123"}} ) # 第 2 轮(自动带上历史) chain_with_history.invoke( {"input": "它和微调有什么区别?"}, config={"configurable": {"session_id": "user_123"}} ) ``` 关键点解读: - `lambda session_id: message_history` 是"历史工厂函数"。真实项目里这里应当按 `session_id` 去 Redis / 数据库里取对应的历史,而不是像示例这样返回同一个内存对象。 - `input_messages_key="input"` 告诉框架"用户这轮的输入放在字典的哪个 key 里"。 - `history_messages_key="chat_history"` 告诉框架"把历史消息注入到 Prompt 的哪个占位符里"。 - 第二个问题里有"它"这个指代词,正是因为"它"在前一轮出现过,RAG 这个指代关系才能被解析。这就是完整历史的价值:**它保留了上下文里的指代与前提**。 **完整历史的取舍**:忠实度最高、实现最简单,但 Token 随轮次线性增长,且长历史会稀释注意力。适用于轮次少的客服短会话、一次性任务。 ### Q:轮次多了怎么办?窗口记忆解决什么问题? A:结论先行——**窗口记忆只保留最近 K 轮,把"记忆的深度"换成"成本的确定性"**。 ```python from langchain.memory import ConversationBufferWindowMemory memory = ConversationBufferWindowMemory(k=10) # 只保留最近 10 轮 ``` 窗口记忆(window memory)的本质是一个**滑动窗口 + 先进先出队列**:新消息进队,超过 `k` 的旧消息出队丢弃。 它的取舍很直白: - **优点**:Token 上限可预测,成本可控,永远不会爆上下文。 - **缺点**:被踢出去的早期关键信息(例如用户一开始说的"我是做医疗行业的")永久丢失,模型会"失忆"。 - **适用场景**:闲聊型、咨询型对话,早期信息重要性随轮次衰减。 > 注意:`ConversationBufferWindowMemory` 以及下文 `ConversationSummaryMemory` 属于 LangChain 旧版的 Memory 体系,较新版本对这套 `langchain.memory` 有调整与迁移建议,具体可用性与导入路径**需结合版本确认**。概念本身是通用的,换任何框架都成立。 ### Q:不想丢信息又不想花太多 Token,摘要记忆怎么做? A:结论先行——**用一次额外的 LLM 调用把"旧历史"压缩成一段摘要,用生成的 Token 换掉原文的 Token**。 ```python from langchain.memory import ConversationSummaryMemory memory = ConversationSummaryMemory(llm=ChatOpenAI()) # 对话太长时,LLM 自动将历史压缩为摘要 # "用户之前问了 RAG 的定义和优缺点,我解释了..." ``` 它的工作循环是:**对话不断累积 → 触发压缩阈值 → LLM 把"已有摘要 + 新增对话"重写成一段新摘要 → 原文丢弃只留摘要**。 取舍分析: - **优点**:Token 占用与对话长度**近似解耦**,历史再长,摘要长度也可以控制在固定量级;适合超长会话。 - **缺点**:有信息损失,且损失是"不可逆"的——原文已经丢了,摘要没写进去的细节就找不回来了;同时每次压缩要多花一次 LLM 调用,有额外延迟与成本,还可能引入模型幻觉(把没说过的内容"总结"进去)。 - **折中技巧**:**摘要 + 最近 N 轮原文**混合。近期对话保留原文(保证细节与指代),远期对话只留摘要(控制成本)。这是生产环境最常见的一种组合。 ### Q:三种短期记忆策略到底怎么选? A:结论先行——**按"轮次规模 + 是否要精确回忆 + 是否成本敏感"三个维度做决策树**。 ```text 对话轮次少(< 20 轮)→ 完整历史 对话轮次多(> 20 轮)→ 窗口记忆 或 摘要记忆 需要精确回忆 → 完整历史 + 向量检索 成本敏感 → 摘要记忆(减少 Token) ``` 把它拆成三条独立判据更好记: 1. **规模判据**:轮次少(经验阈值约 20 轮以内)直接完整历史;轮次多则必须做压缩。 2. **精度判据**:如果任务要求"精确回忆"(例如法律条款引用、代码上下文回填),压缩一定丢细节,此时应走"完整历史 + 向量检索"——原文不丢,但按需检索,把"全量塞"变成"按需取"。 3. **成本判据**:成本敏感就走摘要,用一次廉价 LLM 调用换长期 Token 节省。 补充一个常被忽略的维度——**可验证性**:如果业务需要"这句话用户到底说没说过"能被审计,就不能用纯摘要,因为摘要无法回溯原文。 ### Q:为什么"完整历史 + 向量检索"能被当成一种记忆方案? A:结论先行——**因为它把"上下文里放全部历史"改成了"上下文里只放与本轮相关的历史片段",本质是把检索降级用在对话历史上**。 流程是:历史消息逐条入库并向量化 → 新问题来了先做相似度检索 → 只把最相关的若干条历史拼进 Prompt。 - 优点:既保留了原文(可回溯),又控制了 Prompt 长度,还顺带解决了"很久以前但很关键"的信息被窗口踢掉的问题。 - 缺点:多了检索这一步,检索本身可能**召回失败**(相关历史没被召回,等于失忆)或**召回噪声**(不相关的历史混进来干扰)。 ## 三、长期记忆:向量存储 ### Q:长期记忆为什么常用向量库而不是直接存数据库? A:结论先行——**因为长期记忆的读取方式主要是"按语义相关性找回来",而不是"按主键精确查",向量检索天然适配这种模糊召回**。 传统数据库擅长"我知道要查什么"(按 id、按条件精确匹配)。但记忆的典型查询是"用户的技术背景是什么"——你事先不知道要匹配哪条记忆,只能靠语义相近度去找。这就是嵌入(embedding)+ 向量相似度检索的用武之地。 ### Q:长期记忆具体怎么存、怎么取? A:结论先行——**写入时把重要信息向量化入库并打上元数据,读取时用当前问题做相似度检索、取 Top-K**。 ```python from langchain_community.vectorstores import Chroma from langchain_openai import OpenAIEmbeddings # 将重要信息存入向量库作为长期记忆 memory_store = Chroma( collection_name="agent_memory", embedding_function=OpenAIEmbeddings() ) # 存储记忆 memory_store.add_texts( texts=["用户偏好:喜欢简洁的回答风格", "用户是 Python 开发者"], metadatas=[{"type": "preference"}, {"type": "profile"}] ) # 检索相关记忆 relevant_memories = memory_store.similarity_search("用户的技术背景", k=3) ``` 关键点解读: - `collection_name` 是记忆的命名空间,实践中应当**按用户/租户做隔离**(例如 `agent_memory_user_123`),否则不同用户的记忆会互相污染。 - `metadatas` 是长期记忆能不能工程化的关键。只存文本向量是"毛坯",打上 `type`(偏好/画像/经验)、`time`(时间)、`source`(来源)、`confidence`(置信度)之后,才可能做过滤、时效管理、可解释与纠错。 - `similarity_search("用户的技术背景", k=3)` 演示了"用自然语言查询去模糊召回"。注意 `k` 不宜太大,否则无关记忆会挤占上下文、干扰当前意图。 ### Q:长期记忆到底该存哪些东西? A:结论先行——**只存三类高价值信息:用户画像、经验积累、知识沉淀;不要把原始对话无差别倒进去**。 ```text 长期记忆的用途: 用户画像:记住用户的偏好、背景、习惯 经验积累:记住之前任务的成功/失败经验 知识沉淀:记住从工具调用中学到的信息 ``` - **用户画像**:"喜欢简洁的回答"、"是 Python 开发者"——这类信息一旦固化,会在后续所有会话里持续提升体验,是长期记忆性价比最高的部分。 - **经验积累**:"这个 API 的某个字段在旧版本里叫另一个名字"——把踩过的坑沉淀下来,避免下一个任务重复踩。 - **知识沉淀**:从工具调用过程中学到的事实,比如从数据库 schema 学到的表结构。 **反面清单**:不要把每轮完整对话、模型的中间猜测、未经验证的自然语言结论写进长期记忆。原因见下一节思考题——噪声、隐私、检索干扰与成本,四项占全。 ## 四、记忆的"存 / 取 / 删"全生命周期 ### Q:记忆什么时候存、什么时候取、什么时候删? A:结论先行——**写要有触发条件、读要有检索场景、删要有明确策略,三者缺一不可;没有删除策略的记忆系统迟早变成垃圾场**。 ```text 什么时候存: 对话结束时存摘要 用户明确表达偏好时存 任务完成后存经验总结 什么时候取: 新对话开始时检索用户画像 遇到类似任务时检索历史经验 需要上下文时检索相关记忆 什么时候删: 过期信息定期清理 用户要求删除 矛盾信息更新替换 ``` 逐条解释"为什么": - **存——为什么要挑时机?** 因为无差别写入会带来噪声。触发式写入(对话结束、明确偏好、任务完成)保证写进去的都是"经过一轮判定"的信息,信噪比高。 - **取——为什么要挑场景?** 因为检索本身有成本(延迟、Token),且召回噪声可能干扰模型。只在"开局建立画像""遇到同类任务""缺上下文"时检索,能最大化收益/成本比。 - **删——为什么必须有删除?** 因为记忆会**过期**("用户正在准备面试"三个月后已不成立)、会**矛盾**(用户改了技术栈)、会涉及**隐私合规**(用户要求行使删除权)。没有删除策略,系统会越用越差、越用越贵,还可能违规。 ### Q:记忆条目应该带哪些字段才能撑起"存取删"? A:结论先行——**至少要带:内容、来源、时间戳、置信度、版本/有效期;缺哪一个都会在某个环节掉链子**。 | 字段 | 作用 | 缺失后果 | |---|---|---| | 内容(content) | 记忆本体 | —— | | 来源(source) | 可追溯是用户说的还是模型猜的 | 无法判断可信度,容易把猜测当事实 | | 时间戳(timestamp) | 判断新鲜度、做时效衰减 | 过期信息无法识别 | | 置信度(confidence) | 冲突时取舍 | 错误信息与正确信息同等权重 | | 版本/状态(version/status) | 支持"覆盖而不删除"、标记失效 | 纠错后丢失纠错依据 | 这套字段的意义在于:**纠错时不是"静默覆盖",而是"标记失效 + 写入新版本"**,这样才能回答"当时为什么记成那样"。 ### Q:上下文窗口的 Token 预算应该怎么分给记忆? A:结论先行——**记忆不是"能塞多少塞多少",而是要在预算内和系统提示、工具定义、当前任务、输出预留之间做分配**。 一个可用的分配思路(具体比例需按模型上下文长度与业务实测调整,**不是通用标准**): | 用途 | 说明 | 缺失后果 | |---|---|---| | 系统提示与行为准则 | 固定开销 | 角色不稳、约束失效 | | 工具定义 | 每个工具的名称/描述/参数 schema | 工具选错、参数填错 | | 检索到的记忆 | 长期记忆 Top-K | 不会个性化、跨会话不一致 | | 当前任务与最近对话 | 高优先级,尽量不被压缩 | 丢失当前意图 | | 输出预留 | 给模型生成回答留空间 | 回答被截断 | 关键原则: 1. **当前意图优先级最高**:记忆是辅助证据,任何时候都不能把当前用户请求挤出上下文。 2. **记忆有硬上限**:给记忆分配固定的条数或长度预算,超了就截断或二次摘要,不要让它自由膨胀。 3. **必须预留输出空间**:很多人只算输入忘了输出,结果上下文刚好塞满,模型回答被截断——这是很常见的线上事故。 ### Q:记忆该由 Agent 自主写入,还是由规则代码决定写入? A:结论先行——**推荐"模型提议、代码裁决":模型负责识别"这里可能有值得记住的信息",代码负责校验、去重、隔离与落库**。 为什么不能全交给模型自主写? - **写入是持久化副作用**:一旦写入,会长期影响后续所有会话,属于"改一处、影响全局"的操作。 - **模型容易把猜测当事实**:它会把推理过程中的中间结论也"记住",污染记忆库。 - **不可控**:无法保证来源、时间、置信度这些字段被正确填充。 "模型提议 + 代码裁决"的具体形态:模型输出结构化候选(例如"候选记忆:用户偏好简洁回答;类型:偏好;来源:用户明确表达"),代码再做四件事: - **去重**:与已有记忆比对,重复则不写或更新计数。 - **校验**:必填字段是否齐全、是否命中"疑似敏感信息"规则。 - **隔离**:写入对应的用户/租户命名空间,避免跨用户污染。 - **冲突处理**:若与旧记忆矛盾,标记旧记忆失效并写入新版本,而不是静默覆盖。 这样既保留了模型识别语义的能力,又保住了工程上的可控性与可审计性。 ## 五、工程实践与踩坑 ### Q:落地记忆系统时最容易踩哪些坑? A:结论先行——**最典型的五类坑是:无隔离、无删除、无时效、无来源、无预算**。逐个说明: 1. **多租户未隔离**:所有用户的记忆写进同一个集合,检索时把 A 用户的偏好喂给了 B 用户。这是最严重的一类,属于**数据泄露**。做法:按 `user_id`/`tenant_id` 做集合或元数据过滤,检索时强制带过滤条件。 2. **只写不删**:没有过期清理与冲突替换,半年后检索出的全是互相矛盾的旧偏好。做法:定期清理 + 冲突检测 + 用户显式删除入口。 3. **没有时效与置信度**:一条一年前的记忆和一条昨天的记忆权重相同。做法:引入时间衰减或"最近优先",并在 Prompt 中显式标注记忆的时间与可信度。 4. **没有来源标注**:把模型自己总结的猜测当成"用户说过的事实"存了下来,后续持续放大错误。做法:写入时区分 `source=user_explicit` / `source=model_summary`,并在使用置信度低的记忆时更谨慎。 5. **没有 Token 预算**:检索到 20 条记忆全塞进 Prompt,把原本的任务指令挤掉。做法:给记忆分配固定 Token 预算,做 Top-K 与长度截断,必要时做二次摘要。 ### Q:记忆检索回来后,应该放在 Prompt 的什么位置、用什么语气? A:结论先行——**放在独立的、有明确边界标注的区块里,并明确告诉模型"这是历史记忆,是辅助证据,不是当前指令"**。 原因:如果没有边界,模型可能把记忆里的内容当成必须执行的命令(**提示注入 via memory**),尤其是记忆里包含用户曾粘贴过的第三方文本时。做法上是把它包装成结构化区块,例如(示意,非某个框架的固定 API): ```text [长期记忆|可能过时,仅供参考] - (2025-03) 用户是 Python 开发者 - (2025-06) 用户偏好简洁回答 [当前用户请求] ... ``` `[当前用户请求]` 单独成块并置后,能让模型在冲突时优先服从最新意图。 ### Q:记忆和 RAG 的知识库是一回事吗? A:结论先行——**技术上同源(都靠向量检索),但目的、内容与写入者不同,不要混为一谈**。 | 维度 | 长期记忆 | RAG 知识库 | |---|---|---| | 内容 | 用户/会话相关的事实与偏好 | 领域/文档知识 | | 写入者 | 运行时由 Agent 自动写入 | 通常离线由数据管道导入 | | 变化频率 | 高,随时新增与失效 | 低,按版本周期更新 | | 隔离要求 | 强(按用户隔离) | 弱(通常全局共享) | | 失效方式 | 时效 + 用户删除 | 版本替换 | 把这两者混在一个集合里,会同时引入"用户记忆泄露给所有人"和"文档知识被用户删除请求误删"两类问题。 ### Q:记忆系统怎么评测? A:结论先行——**用"该记的记住了吗、该忘的忘了吗、该取的取到了吗"三组指标分头评**。 - **记忆写入准确率**:人工抽检写入的条目,是否确实是"用户明确表达 / 任务确证"的事实,有无把猜测写成事实。 - **记忆召回率与精度**:对一批"需要历史信息才能答对"的问题,看召回是否命中(召回率),以及召回的条目里有多少是噪声(精度)。 - **遗忘正确性**:执行"用户要求删除"或"过期清理"后,验证相关记忆、索引与派生摘要确实不再出现在后续回答中。 - **冲突处理**:构造"新信息与旧记忆矛盾"的用例,看系统是遵循最新信息,还是被旧记忆带偏。 ## 小结 - 记忆是**应用层造出来的**:短期记忆 = 对话历史,存在 Prompt 上下文中;长期记忆 = 向量存储,跨会话持久化。 - 短期记忆的三代解法各有取舍:**完整历史**忠实但贵、**窗口记忆**省但会丢早期信息、**摘要记忆**省但不可逆且有幻觉风险;生产中常用"摘要 + 最近原文"的混合方案。 - 长期记忆的高价值内容是**用户画像、经验积累、知识沉淀**,写入要挑时机,不要无差别倾倒。 - 记忆管理需要同时回答**存什么、什么时候存/取、什么时候删**;条目要带来源、时间、置信度、版本,才撑得起纠错与审计。 - 记忆必须做**多租户隔离、时效管理、删除策略与 Token 预算**,否则会越用越差、越用越贵,甚至造成数据泄露。 - 记忆与 RAG 知识库技术同源但用途不同,应分开存储与治理。 ## 思考题 1. 如果用户说"忘掉我之前说的",Agent 应该怎么处理? - **参考答案:**先确认删除范围,再删除或匿名化对应长期记忆、索引和派生摘要,并停止在后续对话中使用它;记录可审计的删除操作。无法删除的备份或合规数据需要如实说明保留策略。 2. 长期记忆中存了错误信息怎么办? - **参考答案:**为记忆保留来源、时间、置信度和版本;发现错误后用已验证内容替换或标记失效,同时清理检索索引。不要静默覆盖而丢失纠错依据。 3. 为什么不应把每轮完整对话都写入长期记忆? - **参考答案:**会引入噪声、隐私风险、检索干扰和存储成本,甚至把模型猜测当事实。应只写入经确认的偏好、稳定事实、可复用经验和必要摘要。 4. 如何避免检索到的长期记忆主导当前用户的最新意图? - **参考答案:**把当前请求视为最高优先级,给记忆设置时效和置信度;遇到冲突时要求澄清或以最新明确表达为准,并在 Prompt 中要求模型把记忆视为辅助证据而非指令。
预览
发布文章
添加摘要让读者更快了解文章内容
取消
确认发布
AI 写作助手
输入一个主题,AI 将为你生成一篇 Markdown 博客文章
AI 正在写作中...
取消
开始生成
AI 优化助手
描述你的修改需求,AI 将在原文基础上进行补充或微调
AI 正在优化中...
取消
开始优化
画布
从已有图里选
✕
图名
保存后生成 /images/excalidraw/<图名>.svg(只能用字母、数字、短横线、下划线、点)
取消
保存并插入