- 综合排序
- 最热优先
- 最新优先
- 来自专栏Python七号
Python json库loads和dumps记忆技巧
以下是我的记忆技巧，希望对你有用： Python 中的 json 库通过 loads 和 dumps 两个函数来处理 json 数据，其中： loads 是 load string 的缩写，用于将 json
50610编辑于 2024-04-26 代码库记忆层升温：图谱记忆MCP 正在变成编码 Agent 的基础设施
它们都在做“代码库记忆层”，但性格不一样：一个追求高性能 MCP 后端，一个把代码审查做成最小上下文过滤器，一个把代码、文档和多媒体放进同一张项目知识图谱。 这个设计很实用：代码库记忆不只服务当前对话，也可以变成团队资产。 五、为什么 MCP 会成为关键连接层 代码库记忆层本身并不新。静态分析、调用图、索引、AST、LSP 早就存在。真正让它重新变热的是 MCP。 原因很简单：MCP 给了 Agent 一个标准工具入口。 编码 Agent 的基础设施不只包括模型、终端和浏览器，还会包括一层本地代码记忆。它知道项目结构，知道历史变化，知道哪些上下文值得读。 我更愿意把它理解成一种“工程版长期记忆”。 不是让 Agent 记住你昨天说了什么，而是让它记住代码库自己长什么样。
71510编辑于 2026-07-21腾讯云数据库：Agent记忆头名封神
谁能在跨会话、长周期、多任务环境中守住记忆连续性，谁就握住了Agent规模化落地的命门。 2.以"长周期记忆保真与召回"为唯一标尺本次横评抛弃花哨的营销话术，只锁定一个最硬核、最见真章的测评维度——长周期复杂交互场景下的记忆保真与精准召回能力。 二、排名揭晓与分封1.Top1腾讯云AgentMemory腾讯云AgentMemory（TencentDBAgentMemory）由腾讯云数据库团队从底层完全自研，是一款独立的记忆管理底座，原生提供自动写入 、分层沉淀、按需召回与治理增强等核心能力，基于腾讯云向量数据库（TencentCloudVectorDB）构建，提供高性能、高可用的记忆存储与检索服务。 它更像一位"守成型标杆"——生态稳健、上手轻松，但在记忆保真这一核心标尺上缺乏压倒性证据，难以胜任对连续性要求严苛的深度个性化业务。
19710编辑于 2026-07-31- 来自专栏机器之心
神奇token提升10倍记忆？
例如，LlaMA-70B 在知识数据集上的表现比 LlaMA-7B 好 30%，这并不能说明模型扩大 10 倍仅仅能在容量上提高 30%。 最引人注目的结果来自于作者的定律 10-12（见图 4）。 如果我们的 (预) 训练数据中，有 1/8 来自高质量知识库（如百度百科），7/8 来自低质量数据（如 common crawl 或论坛对话，甚至是完全随机的垃圾数据）。 作者提出了一个简单的实验来验证：如果高质量数据都加上一个特殊 token（任何特殊 token 都行，模型不需要提前知道是哪个 token），那么模型的知识存储量可以立即回升 10 倍，是不是很神奇？
49810编辑于 2024-04-12 - 来自专栏云云众生s
向量数据库：人工智能的长期记忆
向量数据库：人工智能的长期记忆 翻译自 Vector Databases: Long-Term Memory for Artificial Intelligence 。 人工智能（例如ChatGPT）的作用类似于具有固有记忆的人去图书馆阅读每一本书。然而，当你问一个 AI 一个不在图书馆书中的问题时，它要么承认自己不知道，要么产生幻觉。 向量 vs NoSQL vs SQL 数据库 传统数据库，例如关系数据库（例如 MySQL、PostgreSQL、Oracle）和 NoSQL 数据库（例如 MongoDB、Cassandra），几十年来一直是业务数据管理的支柱 流行的向量数据库 虽然现在有越来越多的向量数据库，但是有几个因素促成了它们的流行。 与 SQL 和 NoSQL 数据库的情况一样，向量数据库有许多不同的风格，可以解决各种用例。
1.1K10编辑于 2024-03-27 技能+长期记忆——记忆冲突排查指南
开了长期记忆之后，AI反而变“糊涂”了？先别急着关，可能是记忆打架了一、先说一个反直觉的现象很多人开长期记忆的初衷是：让AI记住我的偏好，少让我重复说。 的记忆是分层的，不同类型的记忆优先级不一样：层级存放位置作用范围优先级用户记忆~/.codebuddy/CODEBUDDY.md你的所有项目、所有技能高项目记忆项目根目录的. 五、隔离方案：让不同技能的记忆互不干扰排查是治标，隔离是治本。方案一：项目记忆代替全局记忆把“只属于某个项目/技能”的规则，从用户记忆（全局）挪到项目记忆（局部）。 全局记忆只放：你的身份、通用偏好、跨项目规则项目记忆放：这个项目专用的格式、路径、术语方案二：技能内声明记忆边界在SKILL.md里明确写清楚：本技能只读取哪些记忆，不读取哪些。 markdown##记忆规则-读取用户记忆中的“身份信息”和“通用格式偏好”-忽略与“财务”相关的记忆条目（避免其他技能的记忆污染）方案三：定期清理“过期记忆”记忆不是越多越好。
17410编辑于 2026-09-10- 来自专栏mysql
hhdb数据库介绍(10-10)
时，点击“自动适配”不会生成切换规则当节点类型是“主备”时，点击“自动适配”，会新增主库到备库的切换规则（若是一主多从的情况，自动适配的是主库到任意一个从库的规则，其他从库需要人工操作）当节点类型是“双主 ”时，点击“自动适配”，会新增主库切换到双主备库的切换规则和双主备库切换到主库的切换规则（若是双主带从的情况，从库不会被自动适配规则，需要人工操作）当节点类型是“其他”时，判断为节点不正常（比如有两个主库 功能入口： 在管理平台页面中点击配置->节点管理->"切换"使用须知：配置了数据节点高可用切换规则，且已经动态加载到计算节点 节点下主从、双主的复制关系已经搭建好，且复制延时时间不得超过10秒MGR节点不支持手动切换 若取消master_delay后的复制延迟仍大于10s，则不允许切换，master_delay也会恢复之前设置的值。 如果优先级最高的从存储节点不可用或延迟超过10秒，程序将从剩余切换规则中依次选择优先级最高的进行切换，如果均不可用或延迟超过10秒，则切换失败，提示错误（切换失败日志提示 switch datasource
49110编辑于 2024-12-05 - 来自专栏扶墙集
记忆技巧
今天扫了收藏夹里一个TED视频，所以也借此总结一下上半辈子学到的点滴技巧吧~ 关于记忆技巧， 我印象最深的是小时候电视里有个老师在讲如何记忆英语单词，比如同样的词根，只要变换一个字母就可以记住一大批单词这样的技巧 第二个印象，是一个女的演讲者提到的记忆技巧， 她的记忆技巧可以归纳为一个词： “标新立异”， 也就是给每一个你要记忆的事物都打上一个不同寻常的标签，突出强烈的反差感， 比如在脑海里描绘一幅“隔壁老王蹲在一个十米的茅坑里 第三个印象是一个TED演讲者， 他的方法是是图像记忆法， 给每一个词语或者生硬的字面都配合上一幅图， 这种记忆法其实很好的阐述了那句英语谚语："one picture is better than a 第四个印象是某人发明了个记忆宫殿（Memory Palace）这样的记忆技巧或者说术语，总结下来就是上下文关联（Context），将你要记忆的信息放到一个上下文中，这个上下文是任何你熟悉的场景，比如你的房子 关联性，将要记忆的信息通过某种故事线或者物理场景（上下文Context） 串联起来，可以帮助我们批量记忆一组信息，配合强烈反差的故事线更好。
84210发布于 2020-01-13 - 来自专栏程序员
智能体（Agent）的记忆架构：深入解析短期记忆与长期记忆
新的会话将从零开始构建短期记忆，除非有意识地将上次会话的关键信息保存至长期记忆。第二章：长期记忆——智能体的知识库与经验库2.1定义与本质长期记忆是智能体在多次交互和会话之间持久化存储信息的系统。 检索当新的会话开始时，Agent不会加载整个长期记忆库（那样会瞬间爆满短期记忆）。相反，它会根据当前的用户查询和短期记忆的上下文，去长期记忆库中寻找最相关的信息。 第三章：短期记忆与长期记忆的核心区别与协同效应3.1核心区别对比表特征维度短期记忆长期记忆本质工作内存/意识现场知识库/经验档案技术载体模型的上下文窗口外部数据库（尤其是向量数据库）容量有限且固定（由上下文长度决定 检索长期记忆：系统将当前查询与短期记忆的上下文结合，作为“检索键”，在长期记忆库中进行向量相似性搜索，找出相关记忆。 短期记忆作为高速处理单元，决定了Agent在微观任务上的即时表现；而长期记忆作为持久知识库，决定了Agent在宏观时间尺度上的智能深度和个性化水平。
3.3K11编辑于 2025-09-25 - 来自专栏TGLTommyAI前沿技术论文
微软SambaY与“门控记忆单元”带来10倍效率革命
答案是，通过一种巧妙的“记忆共享”机制，SambaY架构在某些关键任务上实现了高达 10倍 的吞吐量提升，同时在复杂的推理基准上超越了同级别的强大模型。 门控记忆单元 (Gated Memory Unit, GMU)： 这是SambaY的技术基石。作者设计了一个极为简单但高效的模块，用于在网络层之间共享“记忆”。 你可以把它想象成一个智能的“信息阀门”，它能根据当前的需求，动态地、低成本地从一个富含信息的“记忆库”（如SSM的隐藏状态）中提取所需内容，从而绕开昂贵的全局KV缓存。 2. ，从而实现了跨层记忆的低成本共享。 长生成场景 (上图b，输入2k，生成32k)：在这种极端考验生成效率的场景下，SambaY的吞吐量一骑绝尘，最高可达其他模型的 10倍。
23410编辑于 2026-06-25 突破Agent记忆瓶颈！数据库实战落地，文本存储再见
数据库管理-第424期 数据库实战落地，文本存储再见（20260509） 近期更新博客的频次有所减少，一方面是恰逢五一假期占用了不少时间，另一方面则是我全身心投入到多数据库架构下AI Agent记忆系统的研发与落地工作中 我的想法 引入数据库架构重构AI Agent 记忆存储体系，是解决纯文本记忆短板的最优路径，核心优势体现在以下几方面： 多模态一体化存储现代多模数据库不仅支持传统关系型标量数据存储，还可兼容 AI Agent 高性能与高可用保障数据库原生支持高并发读写能力，搭配成熟的集群高可用架构，可为AI Agent记忆系统提供稳定、高效的底层支撑。 项目依托Oracle新一代AI原生数据库Oracle AI Database 26ai构建，深度整合数据库向量搜索、属性图、JSON、关系型等多类数据引擎，可为各类AI Agent提供企业级持久化记忆能力 总结 基于Oracle 26ai的记忆系统，目标是解决纯文本存储的记忆痛点，通过三位一体存储架构，实现了稳定可扩展、支持多Agent协同、断点续跑的企业级记忆能力，后续将持续优化并同步迭代多数据库生态版本
43910编辑于 2026-07-02- 来自专栏AI人工智能
智能体的记忆系统：短期记忆、长期记忆与知识图谱
构建高效的智能体记忆系统，涉及多个关键技术，包括向量数据库的应用、知识图谱的构建与更新、记忆检索与相关性排序等。 图谱构建：将实体和关系构建成图结构，存储在图数据库中。向量数据库应用向量数据库是智能体记忆系统中的关键组件，用于存储和检索高维向量表示的知识信息。 ", "向量数据库应用", "知识图谱构建"]ground_truth = { "智能体记忆系统": ["智能体是具有自主决策能力的AI系统", "记忆系统包括短期记忆和长期记忆"], "向量数据库应用": ["向量数据库用于高效的语义搜索"], "知识图谱构建": ["知识图谱表示实体间的结构化关系"]}# 假设我们有多个记忆系统需要对比systems = { ' ⚡️ 我的更新节奏：每周三晚8点：深度技术长文每周日早10点：高效开发技巧突发技术热点：48小时内专题解析
2.6K00编辑于 2025-07-14 AI数据库记忆召回不准：客服 Agent 老用旧记忆，写入幂等加时效衰减取到最新
一、AI数据库做记忆底座，写和取是两套逻辑我一开始的想法很朴素：记忆嘛，写进去、查出来，就完了。真的做过一轮才发现，写和取是两套逻辑，目标还常常打架。 二、写入这一端：AI数据库的记忆，异步一开丢、重、乱序全来了记忆大多不能同步写。Agent答完话，得先把结果还给用户，记忆在后台慢慢落，同步写会让用户干等两秒，这个上一篇说过。 、再深一层：AI数据库的记忆有两个时间上一节提了valid_from，这事值得单独说，它是AI数据库做记忆底座时最容易被忽略的一层，也最像数据库的老本行。 这些和"记忆什么时候为真"其实是同一个问题。所以我挑AI数据库时，会多看一句：这个库对时间和版本的支持，够不够细。五、避坑清单：选AI数据库做记忆底座，先记这四条第一条，别只拿文本去重。 所以挑AI数据库做记忆底座，我会问三件事：向量和业务数据能不能同库、同事务？记忆的写入能不能做到幂等？召回能不能把时效、置信度、去重塞进同一条SQL？这三问过了，这套库才算真的接住了Agent的记忆。
15710编辑于 2026-09-29- 来自专栏运维开发王义杰
刻意训练与记忆强化：竞技记忆与应用记忆的探索之旅
特别是在竞技记忆和应用记忆领域，我们看到了记忆力如何被推向极限，以及如何在日常生活中得到实际应用。本文旨在深入探讨这两个领域，分析其原理，探索它们的实际应用，并讨论如何通过刻意训练提高我们的记忆力。 一、竞技记忆：大脑的极限挑战 竞技记忆，顾名思义，是一种将记忆力竞赛化的活动。参与者需要在短时间内记忆尽可能多的信息，如一副洗乱的扑克牌、长串数字或复杂的图形等。 这不仅是一场对记忆力的挑战，更是对心智控制、专注力和心理素质的全面考验。 竞技记忆的技巧： 联想记忆：通过将抽象信息与熟悉事物关联，形成更容易记忆的图像。 二、应用记忆：日常生活的智慧 与竞技记忆相比，应用记忆更贴近日常生活，它关注如何将记忆技巧应用于学习、工作和生活中。 竞技记忆强调技巧和速度，而应用记忆强调实用性和长期记忆。两者之间的技巧和策略有交集，也有各自的特点。
57410编辑于 2024-01-04 跨越遗忘鸿沟：Agent长期记忆架构、工作记忆管理与记忆检索实战
"""formeminmemories:ifmem.access_count>10:#高频访问说明这条记忆很有价值mem.importance_score=min(1.0,mem.importance_score 核心设计哲学：1）记忆整合模拟人类睡眠机制——每天凌晨定时执行，合并碎片、解决矛盾、衰减无用信息，让记忆库保持"精而准"；2）遗忘是能力而非缺陷——无限膨胀的记忆库会拖垮检索质量，主动遗忘（衰减+归档） 5.记忆系统必须有性能分级和降级策略坑：记忆库增长到百万条后，每次检索耗时超过2秒，严重影响对话体验；记忆整合任务在高峰期执行，抢占推理资源；向量库故障时Agent完全"失忆"，无法正常工作。 对策：检索性能分级——热记忆（近7天、高访问）放Redis缓存（<10ms），温记忆放内存向量索引（<100ms），冷记忆放磁盘向量库（<500ms）；整合任务严格在低峰期执行，设置资源配额上限；设计降级策略 ——向量库不可用时退化为"仅最近N轮对话"模式，而非完全无记忆。
22900编辑于 2026-08-10腾讯云 CVM 上部署灵枢记忆库的完整流程
公网IP/弹性IP：记忆目录与IP无关，长期常驻不必绑弹性IP，除非要固定SSH入口。 规格：日常很轻（大脑纯标准库Python、零pip依赖）；但源码树里Rust组件要cargobuild--release，编译吃内存，建议2核4G起。 坑九·对话里说了，记忆里却没有现象。确定说过某件事，Agent却回忆不出来。原因。自动记忆有三处设计内过滤分支——子代理会话中继消息source.kind!=='user'，命中即不记。解决。 适合与不适合适合：给Agent建跨会话长期记忆的开发者；要多端共享同一份记忆、已有常驻云主机的团队；需要纯md、可读可备份记忆的用户。 指望装上就自动记住一切的人（默认只读，不配凭据写不进）；机器上没有Python解释器又不想装的环境；要端到端问答高准确率的场景——公开口径下LoCoMo上游gold端到端QA仅43.3%/40.0%，自然问句诚实下界hit@10
12610编辑于 2026-10-06- 来自专栏Rust语言学习交流
【每周一库】- cached - 缓存结构型、辅助函数记忆化
cached 缓存结构型，简化函数记忆化 cached 提供几种不同缓存结构型的实现和一个易用的用作定义记忆化函数的宏，可为动态规划算法的实现带来很大的便利 使用#[cached]/cached! 宏定义的记忆化函数具有线程安全的特性，并自带封装在互斥锁中的后备函数缓存。 函数缓存在函数执行期间是非锁定状态，因此，具有相同参数的长期运行函数的初始（在空缓存上）并发调用将被完整执行，并且每次完成时都会覆盖已记忆值。 宏定义记忆化函数 基本使用案例： use cached::proc_macro::cached; /// 定义一个叫`fib`的函数，此函数使用一个名为`FIB`的缓存 /// 默认情况下，缓存的名称与函数相同 宏允许提供插入到记忆化函数的关键区域中的表达式。尽管cached和cached_result变体可以应付大多数情况，但需要自定义宏的功能时会很有用。
61430发布于 2020-09-15 - 来自专栏AI SPPECH
35：Multimodal Memory系统设计：短期记忆、长期记忆、结构化+Graph记忆架构
最佳实践与调优 9.1 最佳实践 9.2 调优策略 10. 工具与库推荐 11. 未来发展趋势 12. 总结与建议 12.1 总结 12.2 建议 环境配置 常见问题处理 1. """获取短期记忆大小""" return len(self.memory) # 示例使用 stm = ShortTermMemory(capacity=10) stm.add 传统记忆系统 10,000 1.0 75% 低 弱 单模态记忆系统 100,000 0.5 80% 无 中 Multimodal Memory系统 1,000,000 0.3 92% 高 强 6.3 工具与库推荐 工具/库 功能 适用场景 优势 LangChain 提供记忆管理和检索功能 通用AI系统 灵活、可扩展 Chroma 轻量级向量存储 小规模应用 易于部署、速度快 Pinecone 企业级向量存储 大规模应用 高性能、可扩展 Neo4j 图数据库 复杂知识关系 强大的图查询能力 NetworkX 图处理库 小型图结构 易于使用、功能丰富 CLIP 多模态模型 文本-图像融合 效果优秀、开源 FastAPI
67610编辑于 2026-04-05 - 来自专栏机器学习入门与实战
⻓短期记忆LSTM
候选记忆细胞 4. 记忆细胞 5. 隐藏状态 6. LSTM与GRU的区别 7. LSTM可以使用别的激活函数吗？ 8. 代码实现 9. 参考文献 1. 这篇将介绍另⼀种常⽤的⻔控循环神经⽹络：**⻓短期记忆（long short-term memory，LSTM）[1]。 （某些⽂献把记忆细胞当成⼀种特殊的隐藏状态），从而记录额外的信息。 输⼊⻔、遗忘⻔和输出⻔ 与⻔控循环单元中的重置⻔和更新⻔⼀样，⻓短期记忆的⻔的输⼊均为当前时间步输⼊Xt与上⼀时间步隐藏状态Ht−1，输出由激活函数为sigmoid函数的全连接层计算得到。 关于激活函数的选取，在LSTM中，遗忘门、输入门和输出门使用Sigmoid函数作为激活函数；在生成候选记忆时，使用双曲正切函数Tanh作为激活函数。
2.2K10发布于 2019-11-20 - 来自专栏TGLTommyAI前沿技术论文
Hermes Agent 记忆架构：一座记忆工厂
它的记忆至少有四层——当前工作记忆（run_conversation() 里流动的 messages）、内建长期记忆（MEMORY.md 装环境/项目/工具约定，USER.md 装用户画像和偏好）、完整会话历史 克制到骨子里的长期记忆 Hermes 不只是在原则上说"长期记忆要精炼"，它在机制上把这件事做得很硬： 没用结构化数据库，就两份纯文本文件； 字符预算设了硬上限：MEMORY.md 默认 2200 所以 state.db 在 Hermes 里更像一份运行时档案库，而不是单纯的聊天记录备份。 检索基座做得也扎实。 源码里 _turns_since_memory 会持续计数，连续很多轮没发生写入（默认阈值 10 轮）就触发 background review：fork 一个轻量 review agent，把刚才这段快照再过一遍 结语：不是一个脑子，是一座记忆工厂 Hermes 到底是不是"有一个很强的记忆模块"？更准确的说法是：它不是一个脑子，而是一座记忆工厂。
78210编辑于 2026-06-25
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号