- 综合排序
- 最热优先
- 最新优先
- 来自专栏悟道
5-3记忆型递归
18 12:06 下午 * @Version 1.0 */ public class Main { static int n; static int m; //记忆化递归 +1][m+1]; rec = new int[n + 1][m + 1]; System.out.println(dp(1,1));; } //记忆化递归一定要有返回值
35610发布于 2021-04-19 - 来自专栏前端小叙
es 5 数组reduce方法记忆
return a + b; }); console.log(total); // total == 6 例子: 数组扁平化 var flattened = [[0, 1], [2, 3], [4, 5] function(a, b) { return a.concat(b); }); console.log(flattened); // flattened is [0, 1, 2, 3, 4, 5]
2K60发布于 2018-04-12 - 来自专栏程序员互动联盟
【记忆卡片】linux常用的5个命令
-size +12k # 查找当前目录中大于12KB的文件，注意c表示byte 5、cp命令 该命令用于复制文件，copy之意，它还可以把多个文件一次性地复制到一个目录下，它的常用参数如下： -a ：将文件的特性一起复制
1.3K80发布于 2018-03-16 - 来自专栏Python编程 pyqt matplotlib
一个PyQt5示例(密码记忆箱)
下面是一个PyQt5程序，功能是保存各个账号密码，防止忘掉。 新建、修改、和删除分别对应工具条上的三个按钮。 import sys from PyQt5 import QtWidgets, QtGui import os import sqlite3 class PWKeeper(QtWidgets.QMainWindow QtWidgets.QTableWidget() self.setCentralWidget(self.grid) self.grid.setColumnCount(5) QtWidgets.QAbstractItemView.SelectRows) # for i in range(self.current_row): for j in range(1,5)
1.8K40发布于 2019-08-14 - 来自专栏AgentScope(Java)新手村系
【AgentScope Java新手村系列】（5）记忆与会话管理
第五章 记忆与会话管理：用 AgentStateStore 替换 Memory，实现多轮对话持久化 "早上问了 weather_agent 杭州天气，半小时后追问'那上海呢？'——它竟然记得前文。 但即便有默认 Store，不传 sessionId 也不会有跨调用记忆——Store 按 sessionId 做主键索引，空 key 每次覆盖。 重启进程、部署多实例时数据会丢。 5.7 与长期记忆（MEMORY.md）的协作AgentStateStore 只负责“当前会话上下文”；想跨会话记忆用户的偏好 / 习惯，得借助 workspace 下的两套文件：MEMORY.md — 详细配置见第 18 章 Skill & 长期记忆。5.8 最小迁移清单（1.x → 2.0） AgentState 是框架内部对象。 = .stateStore(store) + RuntimeContext.sessionId——两样缺一就没有记忆。
1.3K20编辑于 2026-06-15 - 来自专栏新智元
ChatGPT有记忆了！OpenAI官宣记忆功能开启测试，奥特曼称GPT-5更智能
而且正在阿联酋召开的「世界政府峰会」上，Sam Altman还透露，GPT-5相较于GPT-4会变得更加「聪明（smarter）」。 最重要的是，ChatGPT的记忆功能完全由你控制，打开或者关闭都行。 另外，你还可以开启无记忆对话的临时聊天界面。 另外，你还可以在设置中查看、删除特定记忆或清空所有记忆。 值得注意的是，ChatGPT的记忆是基于你的互动逐步构建的，与特定对话无关。 删除某个对话不会删除相应的记忆，需要手动清除。 在工作空间中的记忆及其他信息不会被用来训练模型。 GPT记忆是独立的 GPT将具有其独立的记忆功能。 开发者可以选择为自己的GPT启用记忆。与对话记忆一样，GPT的记忆不会与开发者共享。 GPT-5更智能 在「世界政府峰会」上，当主持人问到AltmanGPT-5相对于GPT-4最大的不同是什么的时候，Altman说： 「未来的大模型将会是多模态的，将会在很多任务上都能有更好的表现，运行的速度将会更快
1K10编辑于 2024-02-26 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。
20110编辑于 2026-09-10- 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
在人工智能领域，尤其是基于大语言模型（LLM）的智能体（Agent）系统中，记忆机制是实现持续、连贯和个性化交互的核心基石。记忆系统模拟了人类的认知结构，通常划分为短期记忆和长期记忆。 第一章：短期记忆——智能体的工作记忆与意识流1.1定义与本质短期记忆是智能体用于处理当前任务或单次会话的临时信息存储区。 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。 记忆冲突与更新：当新信息与旧记忆矛盾时，如何更新或版本化管理记忆（例如，用户之前喜欢咖啡，现在改喝茶了）。 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。
3.3K11编辑于 2025-09-25 - 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。
84810发布于 2020-01-13 - 来自专栏大数据文摘
最强记忆 VS 最强检索：T5 & REALM 你pick谁？
当然也不排除有少部分记忆非常强的人，曾经在某处看到过相关信息，并记了下来，立刻回答：“1947年12月6日”。 至于大部人，我相信属于第一种人，第二种可能... 谢耳朵吧。 最强记忆 T5 关于 T5 模型，原理并不难，简单说就是： 一个超大Transformer Encoder-Decoder 模型（11B，110亿参数） Bert 式的文本破坏(corrupt)方法 Replace Span 的破坏策略 15% 的破坏比 破坏时 span 长度 3 加上 750GB 的文本数据 当然主要概念就是：用超大 Seq2Seq 模型来记忆下尽可能多的知识，之后用于各种任务。 在实验结果中，REALM 也与 T5 进行了比较，打爆了 T5，同时参数量少了很多，也比较有解释性。但另一方面，REALM 也因为中间步骤太多，导致超参有些多，训练麻烦。 最强记忆和最强检索，懒惰的我，还是选择检索。
1.2K31发布于 2020-03-05 - 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
ShortTermMemory(max_size=50)stm.add_memory("用户询问了关于Python的问题")recent_memories = stm.get_recent_memories(5) ]) if row[3] else None, 'created_at': row[4], 'importance_score': row[5] self.index = simple_index self.texts.extend(texts) def search(self, query: str, k: int = 5) * len(texts), ids=ids ) def query_memories(self, query: str, n_results: int = 5) self.graph) return list(communities) def recommend_entities(self, target_entity: str, k: int = 5)
2.6K00编辑于 2025-07-14 - 来自专栏计算机工具
深度学习5：长短期记忆网络 – Long short-term memory | LSTM
长短期记忆网络——通常被称为 LSTM，是一种特殊的RNN，能够学习长期依赖性。由 Hochreiter 和 Schmidhuber（1997）提出的，并且在接下来的工作中被许多人改进和推广。 长短期记忆人工神经网络（Long-Short Term Memory,LSTM） 由于独特的设计结构，LSTM适合于处理和预测时间序列中间隔和延迟非常长的重要事件。 长短期记忆（LSTM）单位是递归神经网络（RNN）的单位。由LSTM单元组成的RNN通常称为LSTM网络（或仅称为LSTM）。公共LSTM单元由单元，输入门，输出门和忘记门组成。
1.5K10编辑于 2024-12-14 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
根因：缺乏长期记忆持久化与分层存储架构。对话历史仅存在于上下文窗口中，未被提取为结构化记忆；缺少"对话→记忆"的自动提炼管道；无跨会话、跨时间的记忆延续机制。2." 根因：缺乏记忆生命周期管理与整合遗忘机制。无记忆重要性评估与自动衰减；缺少记忆冲突检测与合并策略；未建立记忆的版本化与合规删除能力。 _promote_frequent_memories(all_memories)#===Phase5:聚类摘要（将碎片化记忆整合为结构化知识）===awaitself. _simple_cluster(embeddings,k=len(episodic)//5)forcluster_memoriesinclusters:iflen(cluster_memories)>= 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。
27200编辑于 2026-08-10- 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。
58410编辑于 2024-01-04 - 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
核心技术架构 4.1 系统架构 4.2 核心组件 5. 多模态融合 融合不同模态的信息 提供综合理解 5. self.vectorstore.add_texts([content], metadatas=[metadata]) def search(self, query, k=5) (): self.gm.add_edge(node_id, target, rel) def retrieve(self, query, k=5) ("/retrieve") async def retrieve( query: str = Query(..., description="查询"), k: int = Query(5,
70810编辑于 2026-04-05 腾讯开源 Hy Memory 2.0 记忆系统，3B 激活参数超越 claude-sonnet-5-5
HyMemory2.0为这个问题提供了一套可编程的记忆系统，让智能体能够在聊天、工作和编程三种场景下持续积累和调用记忆。 这是继2026年5月发布1.0版本后的升级版本，对应论文已被EMNLP2026会议接收。性能表现Hy-Memory-30B-A3B模型的总参数量为30B，采用MoE架构仅激活约3B参数。 在四个harness宏平均六个指标的测试中，该模型得分55.49，ClaudeOpus5得分54.62。在未见过的EverMemOS框架上，该模型得分56.89，Claude得分54.04。 记忆场景和层级HyMemory区分三种记忆场景：chat场景处理闲聊、个人信息、偏好和常规问答；working场景处理文档、表格、研究、财务分析、内容创作和计算机操作；coding场景处理编程、调试、测试 Chat记忆采用L1到L7的层级结构，共8层。来源未说明每层的具体划分逻辑和存储内容，也未描述working和coding场景是否使用相同的层级设计。
52330编辑于 2026-10-17- 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 （state.db + FTS5 搜索 + gateway 的 JSONL transcript）、可插拔外部 memory provider。 SQLite 开了 WAL，多读单写；写事务走 BEGIN IMMEDIATE 加应用层随机 jitter retry；messages_fts 这张 FTS5 虚表通过 trigger 和主表同步，搜索时不只给命中片段 这让 session_search 变成一个"先粗搜、再重构上下文"的回忆管线：FTS5 拿候选 → 归并到各自 session → 读完整 transcript → 交给辅助模型做 focused summary 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。
82510编辑于 2026-06-25 - 来自专栏数智转型架构师
通俗讲解大模型短期记忆 vs 长期记忆
有些同学问：智能体的 Memory 中 短期记忆（Short-term memory）与长期记忆（Long-term memory）是什么意思？有什么区别？ 其中记忆包括短期记忆和长期记忆。 短期记忆是智能体在单一会话中维护即时上下文的能力。 工作机制： 它完全依赖于大模型（LLM）的上下文窗口。 拿 Cherry Studio 为例，长期记忆是通过“全局记忆”实现的。 你可以手动添加记忆，也可以在智能体里开启记忆。它就会把自己需要记忆的信息做判断，然后自动存储。 我们可以在整体设置这里打开全局记忆。 我们在和他们聊天的时候，它会先检索相关的记忆，然后再回答我们的问题。 如果它认为有些信息需要记住，也会自动保存到记忆中。 听着很完美，实际上还是会存在很多问题。 有时候记忆是 AI 自动决策的，没有和用户确认，那么这些记忆可能是错误的。 有了记忆之后，有些模型不够聪明，它有时会强行和相关记忆上靠，导致回答并不是我们想要的信息。
2K10编辑于 2026-03-04 - 来自专栏TGLTommyAI前沿技术论文
OpenClaw 记忆系统：AI Agent 如何拥有持久记忆
下面这张图展示了记忆从"写入"到"检索"的完整数据流： 混合搜索：让精确匹配与语义理解并肩作战 记忆存下来了，关键在于”怎么搜“。 假设你的记忆库里有一段关于 Python 装饰器的笔记。 这就是为什么 OpenClaw 实现了 BM25 + 向量语义的混合搜索（Hybrid Search）： BM25 全文检索基于 SQLite FTS5 引擎，擅长精确的关键词匹配，速度极快。 但真正体现工程功力的，是它的四级降级链条——当一切都不顺利时，系统如何保持服务不中断： 即便在最极端的情况下——没有任何 API Key，没有本地模型，没有向量扩展——系统依然能通过 SQLite FTS5 全文检索提供基本的记忆搜索。 实时同步：三条通道保持记忆鲜活 记忆系统不是一次性的离线构建，它需要随着用户活动持续演进。
63810编辑于 2026-06-25 - 来自专栏AI大模型
Spring AI 实战：聊天记忆之DB存储，长期记忆
在前文当中，我们已经介绍了 Agent 的记忆能力，并基于 Spring AI 的聊天记忆组件，实现了具备记忆功能的智能行程规划 Agent。 二、记忆策略设计 在完成持久化改造的基础上，还需配套建立记忆数据的管理、更新与失效机制： 为用户记忆配置 TTL 过期策略（如 7 天有效期），自动清理冗余数据； 通过提示词工程，让 Agent 仅保留核心偏好 ：封装带记忆的行程规划逻辑，支持记忆类型动态切换 step 5：提供接口：设计标准化 HTTP 接口，支持规划、清除、查询功能。 com.mysql.cj.jdbc.Driver # spring.datasource.hikari.maximum-pool-size=10 spring.datasource.hikari.minimum-idle=5 语言简洁专业，适配移动端阅读，避免冗余表述； 5. 未查询到记忆时，按当前需求正常规划，不提示记忆相关信息。
1.1K20编辑于 2026-03-31
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