- 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。 2把节点和边写入本地 SQLite 图。 3当用户发起 review 或检测变更时，图谱计算影响半径和风险分数。 4Agent 只读取相关文件，而不是扫完整代码库。 README 中举的例子是一个 2,900 文件项目，增量更新低于 2 秒。 只重解析少量变更文件，跳过大部分无关文件。 在大仓和 monorepo 场景里，这种过滤尤其有用。 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。
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。 2.Top2CloudflareAgentMemoryCloudflareAgentMemory在多语言会话场景下平均响应准确率提升28%，依托Cloudflare全球边缘网络在部署便捷性与多区域合规上具备一定基础
19710编辑于 2026-07-31- 来自专栏叶子陪你玩编程
python连连看与记忆翻牌游戏（2）
上篇python连连看与记忆翻牌游戏（1）讲了连连看的核心判断实现。（最后的remove边界判断有点问题，没有先判断两者是否相等。 感谢@井老师提醒） 原来的： def remove(p1,p2): # p1 和 p2 都在边界，可以直接删除 if (p1[0] == p2[0]) and (p1[0]==0 or (array[0])-1): print('上下边界可以直接删除') 这里直接前面加一句判断是否是同一个点： def remove(p1,p2): if p1[0]==p2[0] and p1[1]==p2[1]: return False # p1 和 p2 都在边界，可以直接删除 if (p1[0] == p2[0]) and (p1[0]= self.on_update() if __name__ == '__main__': game = MyGame() game.run() 上面的代码改改，可以变成记忆翻牌的游戏
2.1K20编辑于 2022-05-22 2个国产AI记忆层开源项目PK
它把自己定位成「持久化、自演化的记忆引擎」。 把它们放一起对比，是因为这两个项目代表了两条完全相反的路径：一条是把现有数据库的能力边界往死里推，另一条是把所有能用的数据库适配成统一接口。 」——下沉到已有数据库上，只做记忆层 这两个定位的差异不是修辞，是技术债的分界。 但走的路数完全不一样： 维度 cortrix powermem 主融合路数 2（向量 + FTS5） 4+（向量 + 全文 + 稀疏 + 图 + 时间） RRF 默认参数 k=60 k=60 备选融合 powermem 押注「中间件」——把所有能用的数据库适配成统一接口，让记忆层可以被任何应用叠加。代价是抽象成本、多后端语义差异。 两条路都对。 区别在于你的起点：你是「没有数据库想找一个」，还是「有数据库想加一层记忆」。 如果这篇对比让你对 Agent 记忆基础设施的工程取舍有更具体的理解，欢迎在评论区说说你选哪个、为什么。
31410编辑于 2026-07-28- 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 - 来自专栏编程直播室
Angular 2 库
库模块 Angular 被打包成了一个 JavaScript 模块的集合。你可以理解为库模块。 每一个 Angular 库命名跟着 @angular前缀。 通过 npm 包管理器来安装这些库，通过JavaScript import 语句来导入使用的部分。 例如，从 @angular/core 导入 Angular 组件修饰符库如下所示： import { Component } from '@angular/core'; 你也可以使用 JavaScript 的导入语句从 Angular 库中导入 Angular 模块： import { BrowserModule } from '@angular/platform-browser'; 前面根模块的简单例子中
1.3K50发布于 2018-06-06 - 来自专栏机器之心
Llama架构比不上GPT2？神奇token提升10倍记忆？
作者重点研究了基于 GPT2、LlaMA、Mistral 的语言模型架构，其中 GPT2 采用了更新的 Rotary Position Embedding (RoPE) 技术。 如果训练时间充足，作者发现，不论使用何种模型架构，GPT2 或 LlaMA/Mistral，模型的存储效率均可以达到 2bit/param—— 即平均每个模型参数可以存储 2 比特的信息。 图 2：训练时间不足情况下的 scaling laws 然而，当我们观察训练时间不足的情况时，模型间的差异就显现出来了。 如上图 2 所示，在这种情况下，GPT2 模型能比 LlaMA/Mistral 存储超过 30% 的知识，这意味着几年前的模型在某些方面超越了今天的模型。为什么会这样？ 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）。
49810编辑于 2024-04-12 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 2. 多智能体架构 系统内置标准化多智能体管理框架，有效解决多AI Agent共享同一记忆库时的资源隔离、协作调度与权限协调问题。 3.
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 = { ' 关键词标签: #智能体 #记忆系统 #向量数据库 #知识图谱 #人工智能 #机器学习 嗨，我是IRpickstars！
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
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。 valid_from)FROMagent_memorym2WHEREm2.agent_id=m.agent_idANDm2.user_id=m.user_idANDm2.topic=m.topic)-- 、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 - 来自专栏量子位
给大模型持久记忆！GitHub 2万星向量数据库云服务升级，国内云产品7月上线
允中 发自 凹非寺 量子位 | 公众号 QbitAI 一个在GitHub上标星超2万的数据库，究竟是什么来头？ 原来，这正是最近大火的向量数据库之一、首个在这一赛道开源产品Milvus。 向量数据库就像一块外置的记忆块，可以长期存储这些数据，供模型随时调用。 2、为大模型提供实时数据更新。 通过向量数据库可以为大模型提供实时的数据更新，解决大模型“胡言乱语”的问题，而无需频繁重训模型。这比直接fine-tune模型的成本低很多。 开发者可以在向量数据库中添加上下文和自己的数据来扩展大模型的感知能力，实现个性化应用。 4、提供智能体的记忆。 向量数据库不仅可以帮助智能体记忆其感知的历史数据和上下文，帮其做出智能决策，还能使其根据长期记忆来实现自我演进。 5、保存大模型的处理结果。
83160编辑于 2023-08-05 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
检索失焦"：记忆堆成山，用时找不到现象：Agent积累了5000条历史记忆，用户问"上次我们讨论的那个数据库方案"，Agent要么召回无关记忆，要么在海量向量中检索超时；用户同时提到三个历史话题，Agent 记忆膨胀"：只进不出，越用越笨现象：Agent的记忆库无限膨胀，检索延迟从50ms劣化到3秒；过时的信息（已变更的偏好、已完成的任务）持续干扰当前决策；矛盾记忆共存（用户三月说"喜欢简洁"，七月说"要详细 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。 ——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。 标签：灵枢、DeepSeekHarness、腾讯云部署、长期记忆本文由DeepSeekHarnessHub自动整理，数据来源于插件详情页。
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。 } } 2.) 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
通过这种多模态记忆架构，显著提升AI系统的知识管理和推理能力。 目录 1. 本节为你提供的核心技术价值 2. 传统记忆系统的局限性 3. Multimodal Memory系统的核心优势 4. 2. :") for item in stm.get_all(): print(item) 5.2 长期记忆实现 核心思想：使用向量存储和数据库，存储长期和重要信息，支持高效检索。 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
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