- 综合排序
- 最热优先
- 最新优先
Hermes Agent 记忆系统：AI 老忘事？搞懂 4 层记忆，效率翻倍
3: 技能库 SKILL.md × 73 个技能 Layer 4: 外部 Provider 可选（当前未启用） 数据流向 启动注入 检索触发 扩展能力 对话开始 → 加载 Layer 1 对话中 Layer 2：会话数据库——Agent 的"工作记忆" 如果说 Layer 1 是长期记忆，那 Layer 2 就是短期工作记忆——记录每一次对话的完整过程。 — FTS5 搜索性能大幅优化 · Layer 3（技能库）：SKILL.md 集合 — 未变 · Layer 4（外部 Provider）：可选 — 未变 未来方向：结构化记忆系统 GitHub Issue Layer 4：外部记忆 Provider——可选的"云同步" 这是可选的一层，我的系统未启用。 如果你需要在多台设备之间同步记忆，或者想让记忆存到云端而不是本地文件，可以配置外部 Provider。 认知层面：AI 不是"忘了你"，而是记忆系统有分层设计。短期对话存在 Layer 2（会话数据库），长期知识存在 Layer 1（记忆文件）。
27110编辑于 2026-09-15- 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 - 来自专栏帅云霓的技术小屋
云存储硬核技术内幕——(4) 记忆的行囊
子虚同学在行遍万里路，读过万卷书之后，创作了一首歌，叫《记忆的行囊》： …… 我把记忆装进我的行囊 走过大理的洱海旁 走过拉萨的八角街 走过成都的宽窄巷 …… 子虚回到办公室，边唱这首歌边想虚拟化平台的设计 那么，有没有办法让每个虚拟机的持久化存储卷跟着虚拟机飘移，让虚拟机记忆的行囊跟随虚拟机走遍天涯海角呢？ 子虚问方老师：“记忆，真的能装进行囊吗？” 方老师说：“这是记忆。” 子虚问：“记忆呢？” 方老师笑了，指了指天。 子虚仰望天空，看见了一团团的白云。她顿悟了。 原来，想让云上的虚拟机带着持久化记忆自由迁移，需要把持久化存储盘放到共享的云资源池中，再把云资源池上的LUN挂载到虚拟机上，当VM发生迁移的时候，在新的宿主机上仍然可以挂载LUN。
1.3K10编辑于 2022-08-04 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。 索引管线强调 RAM-first：LZ4 压缩、内存 SQLite、最后一次 dump，索引结束后释放内存。 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。 4Agent 只读取相关文件，而不是扫完整代码库。 用户请求审查，Agent 查询 MCP 工具，图谱返回影响半径和风险信息。 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。 它采用L0-L4语义金字塔机制，业内首批提出团队记忆能力，支持多Agent共享上下文并提供隔离、授权、审计的完整治理。Pro版提供备份、回档、权限控制，是金融、政务等高合规场景选型首选。
19710编辑于 2026-07-31拆解4个记忆应用的最新落地实践｜爱分析
内容来源：《2026爱分析·记忆市场研究报告》发布时间：2026年8月 发布机构：爱分析ifenxi 关键词：AI 记忆、Agent记忆、AI行业研究、AI商业化、记忆落地案例、企业AI实践、智能体记忆摘要 记忆赛道从概念走向落地2026年上半年，记忆从一个技术概念变成了一条行业赛道。市场融资同步加速，多家记忆创业公司完成从亿元级到数亿元的融资，资本开始用真金白银为这条赛道投票。 竞争格局上，五类参与者正在会师：云服务商、模型团队、独立记忆平台、企业记忆应用方与消费记忆产品同台竞争，但各自切入角度与适配场景差异显著。 引入记忆能力后，系统把分散在各类文档中的决策轨迹、执行过程与结果反馈串成公司级连续记忆，让AI能沿链路追溯问题根因，而非只看单点文档。 案例四：消费级跨应用记忆连续消费级产品把跨应用的对话与智能体轨迹统一回流到一个记忆中心，当用户发起需求时，基于记忆重写上下文并分发至合适的应用，最终交付最优结果。
18310编辑于 2026-08-27- 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Hammer随笔
BeautifulSoup4库
BeautifulSoup4库 和 lxml 一样，Beautiful Soup 也是一个HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 数据。 Beautiful Soup 3 目前已经停止开发，推荐现在的项目使用Beautiful Soup 4。 安装和文档： 安装：pip install bs4 中文文档：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html 几大解析工具对比 在Python2.7.3之前的版本和Python3中3.2.2之前的版本,必须安装lxml或html5lib, 因为那些Python版本的标准库中内置的HTML解析方法不够稳定. 我们可以利用 soup 加标签名轻松地获取这些标签的内容，这些对象的类型是bs4.element.Tag。但是注意，它查找的是在所有内容中的第一个符合要求的标签。
1.8K10编辑于 2022-05-11 - 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 - 来自专栏数据科学与人工智能
Py4DS|4 函数和库
Py4DS|4 函数和库 内容结构： 1 函数定义、创建和调用 2 库的作用和引入 3 匿名函数 目标管理： 阅读本文后，你可以得到： 1 使用已有的Python库 2 掌握函数的写法和用法 Python丰富的库也提供了功能多样和强大的函数。 1.1 help()函数 我们使用help()来查看帮助信息，有助于我们理解某个函数。 有些内置函数包含在Python库里面，为了使用它们，我们需要先导入Python库。 比方说，常用的math库。 # 02 库 import math print("圆周率的大小：", math.pi) # 或者 from math import pi print("圆周率的大小：", round(pi, 3))
47110编辑于 2021-12-04 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 4. Skill 基于PostgreSQL 18.3的数据库记忆系统 v0.3.3 https://github.com/Haiwen-Yin/memory-pg18-by-yhw memory-ob4-ce-by-yhw Skill 基于OceanBase社区版4.5.0的数据库记忆系统 v0.1.2 https://github.com/Haiwen-Yin/memory-ob4-ce-by-yhw memory-tidb8
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。 ", password="password"): # 连接到Neo4j数据库 self.graph = Graph(uri, auth=(user, password)) ", "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 = { '
2.6K00编辑于 2025-07-14 4 个月 31K stars：OpenHuman 用可读记忆杀入桌面代理
它押注的不是更强的模型，而是「你能看见自己记忆」这件事本身。 桌面代理是 2026 年的真方向：4 个月 30.9k stars、134 名贡献者、5 月单月 1,269 commits 印证「Tauri + Rust core + React」正在替代「Electron 作者视角：为什么存在这个项目 创始人/作者背景 公司：Tiny Humans, Inc.（2025-11 成立、专门做这件事的创业组织） 创始人：Steven Enamakel（@senamakel），4 问题：三方 html2md crate 在大文档上爆堆（894MB） - 方案：自写轻量 tokenizer + HTML stripper，规则配置可叠加 - Trade-off：牺牲了"标准库的兼容性 AGENTS.md — 18KB 提示词模板，是项目级「宪法」 8. docs/ + gitbooks/ — 完整文档库（46K+ 行 .md，6 语言） 如果你要 fork 它： 改 OAuth
55210编辑于 2026-06-10LangChain4j AiService 实战：会话记忆与结构化输出
跟SpringDataJPA一个套路——你写interfaceUserRepository，框架帮你生成数据库操作；这里你写interfaceAssistant，框架帮你生成模型调用。 解析返回类型化对象，自动转换工具调用自己实现调用循环@Tool注解自动接线在AI应用里，这个对比的意义是：AiService是LangChain4j所有高级能力的统一入口——对话、记忆、工具、知识库，都在这一个接口上装配 真正全部保留的是「持久化」的事：实现ChatMemoryStore接口，把消息落库，重启也不丢。本地demo用内存版够了，生产按用户维度隔离，一个用户一条记忆。 LangChain4j给了三条路，严格度递增，对应不同场景。 六、小结这一篇我们把LangChain4jAiService这个核心抽象拆开了：一个接口，提示词模板、会话记忆、结构化输出全自动装配。到这儿，一个「有记忆、能稳定吐JSON」的对话服务已经成型。
23510编辑于 2026-08-28AI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
3.1环境准备pipinstallpydanticfastapichromadbneo4jredisapschedulernumpy#部署:ChromaDB(向量存储)+Neo4j(记忆图谱)+Redis 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） 是保持检索精度的关键；3）矛盾解决必须有策略——"新信息优先"是基本原则，但高重要性旧记忆需要人工确认才能覆盖；4）合规删除必须是"真删除"——GDPR和个人信息保护法要求数据可被彻底清除，必须在向量库 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
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