wsl-docs

Acontext：Agent 上下文存储与可观测服务

发布日期：2026-02-22来源：https://github.com/memodb-io/Acontext,https://acontext.io/,https://docs.acontext.app/api-reference/artifact/get-artifact8分钟阅读

摘要

1) 一句话总结

Acontext 是一个专为生产级 AI Agent 打造的后端服务平台，提供开箱即用的多模态上下文统一存储、内置上下文工程与可观测性能力，助力 Agent 从本地演示平滑扩展至生产环境。

2) 核心要点

  • 产品定位与架构：定位为“Agent 上下文领域的 Supabase”，采用 Go + Python 技术栈，底层基于 S3、Postgres、RabbitMQ、Redis 等企业级组件构建完整的后端服务。
  • 统一上下文存储：支持多模态数据（消息与产物）的统一存储。会话管理支持跨模型（OpenAI、Anthropic、Gemini）格式自动转换；提供持久化虚拟磁盘（Disk）及服务端技能管理。
  • 安全沙盒环境：内置隔离的代码执行沙盒（Sandbox），支持 bash、Python 及常用工具，用于运行代码、分析数据和导出产物。
  • 零代码上下文工程：提供统一的编辑 API，通过摘要和编辑策略自动压缩上下文窗口，同时确保原始消息不被篡改。
  • 全链路可观测性：支持异步会话摘要和近实时状态追踪，提供统一仪表盘（Dashboard）用于可视化 Agent 成功率指标及回放运行轨迹。
  • 核心应用场景：适用于长期运行的 Agent 管理、状态追踪评估，以及通过观察历史成功/失败记录提取 SOP，实现 Agent 的自我学习与进化。
  • 广泛的生态兼容：无缝集成 Claude Agent SDK、Vercel AI-SDK、OpenAI SDK、Agno 以及 smolagents 等主流框架。
  • 部署与接入方式：采用 Apache License 2.0 开源协议。支持云端托管（Acontext.io）和本地部署（acontext-cli），官方提供 Python/TypeScript SDK 及多种端到端 Agent 模板。

3) 风险与限制

  • 模型能力要求：使用的 LLM 必须具备工具调用（Tool Calling）能力。
  • 本地部署依赖：本地部署强依赖 Docker 环境。
  • API Key 限制：本地部署需要提供 OpenAI API Key（系统默认使用 gpt-4.1 模型）。

功能与定位

Acontext 是一个专为生产级和自学习 AI Agent 打造的上下文数据平台（由 memobase 团队开发）。它的定位类似于“Agent 上下文领域的 Supabase”，旨在提供开箱即用的统一存储、内置上下文工程和可观测性能力。它不仅是一个本地 Python 库，而是一个完整的后端服务，帮助开发者将 Agent 从本地演示平滑扩展到生产环境，而无需从头构建上下文基础设施。

典型使用场景

  • 长期运行的 Agent 管理：为需要长时间运行的 Agent 提供持久化的上下文管理机制。
  • 多模态数据统一存储：解决 LLM 消息、文件、技能等上下文数据分散在不同存储介质中的问题。
  • Agent 状态追踪与评估：追踪多模态、多模型 Agent 的运行状态，评估其表现与成功率。
  • Agent 自我学习与进化：通过观察 Agent 的工作进程，从其成功或失败的记录中提取经验与标准作业程序（SOP）。

核心功能

  • 上下文存储 (Context Storage)
    • 会话管理 (Session)：保存来自任意 LLM 和模态的 Agent 历史记录。支持以 OpenAI、Anthropic 或 Gemini 格式存储消息，并在检索时自动转换。
    • 虚拟磁盘 (Disk)：为 Agent 提供持久化的虚拟文件系统，支持读、写、grep、glob 等操作。
    • 沙盒环境 (Sandbox)：提供隔离的代码执行环境（支持 bash、Python 及常用工具），用于运行代码、分析数据和导出产物 (Artifacts)。
    • Agent 技能 (Agent Skills)：在服务端管理技能，支持将可复用的技能挂载到沙盒中。
  • 上下文工程 (Context Engineering)
    • 提供统一的上下文编辑 API。通过摘要和编辑策略压缩上下文窗口，同时保持原始消息不被篡改。
  • 上下文可观测性 (Context Observability)
    • 会话摘要 (Session Summary)：异步总结 Agent 的工作进展和用户反馈。
    • 状态追踪 (State Tracking)：近乎实时地收集 Agent 的工作状态（后台 TODO agent）。
    • 统一仪表盘 (Dashboard)：可视化查看 Agent 的成功率等指标，并支持回放 Agent 的运行轨迹。

特色与差异点

  • 统一的数据管理：能够统一存储多模态上下文数据（Messages 与 Artifacts）。
  • 零代码上下文管理：内置上下文管理方法，开发者只需极少配置即可使用，无需编写复杂的上下文处理逻辑。
  • 广泛的生态兼容性：无缝集成多种主流 SDK 和框架，包括 Claude Agent SDK、Vercel AI-SDK、OpenAI SDK、Agno 以及 smolagents。
  • 企业级技术栈：采用 Go + Python 技术栈，底层基于 S3、Postgres、RabbitMQ、Redis 等成熟组件构建，具备良好的扩展性。

使用方式概览

  • 云端托管：可通过 https://acontext.io/ 注册获取 API Key（提供免费额度）直接接入云端服务。
  • 本地部署：官方提供 acontext-cli 工具，依赖 Docker 环境即可在本地快速启动后端服务（包含 API 和 Dashboard）。
  • SDK 接入：官方维护 Python 和 TypeScript SDK，并提供丰富的端到端 Agent 模板（如 OpenAI Agent、Claude Agent、交互式沙盒技能等）供开发者参考。

限制与注意事项

  • 本地部署依赖 Docker，且需要提供 OpenAI API Key（默认使用 gpt-4.1）。
  • 使用的 LLM 必须具备工具调用（Tool Calling）能力。
  • 项目目前采用 Apache License 2.0 开源协议。

社区补充观察

  • 观点来源：寇佳新（对 Acontext 文档与能力边界的实务观察）。
  • 关键判断：agent problem solver is entropy reducing，强调 Agent 问题求解的本质是持续降低系统与任务的不确定性。
  • 文档演进信号：当前 Acontext 文档存在“API reference”和“Agent skill”两条线并行的割裂感，但 API -> Skill 是明确趋势。
  • 能力落地点：Get artifact 接口支持按路径和文件名读取 artifact，并可选择返回预签名下载地址与解析后的文件内容。
  • 工程价值：如果 artifact 能稳定落到真实磁盘并被技能链路直接消费，很多单独的 CRUD API 可以被统一的文件语义替代，从而降低接口数量与维护成本。

链接

关联主题

关系图谱

反向链接