- 综合排序
- 最热优先
- 最新优先
- 来自专栏程序猿DD
Clawdbot 是如何实现永久记忆的？
实现更简单\n2. 更好的缓存支持\n3. 阅读 SOUL.md - 这是你是谁 2. 阅读 USER.md - 这是你在帮助谁 3. 阅读 memory/YYYY-MM-DD.md（今天和昨天）获取近期上下文 4. 将第1-140轮总结为紧凑摘要 │ │ 2. 从结束会话中提取最后15条消息 │ │ 2. 透明优于黑盒 记忆是纯Markdown。你可以阅读、编辑、版本控制它。没有不透明数据库或专有格式。 2. 搜索优于注入 与其用所有内容塞满上下文，不如让Agent搜索相关内容。
78530编辑于 2026-02-02 - 来自专栏新智元
刚刚，Claude实现「永久记忆」！官方还没上线，大神已玩疯
新智元报道 编辑：Aeneas KingHZ 【新智元导读】昨天，Claude刚刚被曝要有永久记忆，今天就被开发者抢先一步。 一个叫Smart Forking的扩展，让大模型首次拥有「长期记忆」，无需重头解释。开发者圈沸腾了：难以置信，它真的能跑！ 昨天，一篇Claude要获得永久记忆的爆料，震惊整个AI圈。 当官方还在设计永久记忆的形态时，开发者已经用Smart Forking，提前过上了「Claude有长期记忆」的生活。 而且，最近这个一天甩出一个王炸的节奏，实在太震撼了。 不过从使用体验上来说，你不需要重复输入，不用自己回忆，模型就能「想起」你几个月前做过什么，这已经满足人类对「记忆」的全部直觉定义了。 所以可以说，它让Claude拥有了「永久记忆」。 野生开发者vs官方，哪个强 所以，这种Smart Forking，和传说中Anthropic官方要做的「永久大脑」知识库，孰优孰劣呢？
39710编辑于 2026-01-26 - 来自专栏新智元
谷歌大脑研发出通用永久记忆模块，神经网络首次实现终身学习
【新智元导读】今天为大家介绍的这篇论文提出了一个在深度学习过程中使用的终身记忆模块，该模块利用快速最近邻算法来提高效率。这一记忆模块可以很容易地添加到有监督神经网络的任何部分。 带记忆的增强型神经网络是最近的研究热点。许多研究设计了一个记忆组件，用于标准递归神经网络的记忆泛化。在递归网络中，从一个时间点传递到下一个的状态可以被解释为当前样本的网络记忆表征。 我们今天为大家介绍的这篇论文提出了一个在深度学习过程中使用的大规模的终身记忆模块，该模块利用快速最近邻算法来提高效率，从而扩展到大型记忆的规模。 论文提出的办法——终身记忆模块 这篇论文的作者提出了一个可以在多种神经网络中实现一次性学习的终身记忆模块。这一模块包括多个键值对。 虽然只使用了一个简单的卷积神经网络，记忆模块的增加仍然使模型在1-shot和multi-shot学习任务中的表现接近复杂得多的模型。 2.作者人为设计了一个要求一次性终身学习的任务。
1.4K60发布于 2018-03-27 - 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
1.9K20编辑于 2022-05-22 - 来自专栏技术人生黄勇
GPT-5.4 来了：新增极限推理模式，长期任务能力显著提升，可能有“永久记忆”
超过标准 272K 上下文窗口的请求按正常速率的 2 倍计入使用限制。 8-needle 4K–8K 97.3% — — 98.2% — OpenAI MRCR v2 8-needle 8K–16K 91.4% — — 89.3% — OpenAI MRCR v2 8-needle 16K–32K 97.2% — — 95.3% — OpenAI MRCR v2 8-needle 32K–64K 90.5% — — 92.0% — OpenAI MRCR v2 8-needle 64K–128K 86.0% — — 85.6% — OpenAI MRCR v2 8-needle 128K–256K 79.3% — — 77.0% — OpenAI MRCR v2 8-needle 三是坊间传言，GPT-5.4 具有“永久记忆”和200万Token的上下文（官宣是100万）。
1.3K10编辑于 2026-03-11 - 来自专栏全栈程序员必看
记忆化递归（记忆化搜索）
我看了答案还是有些不能完全理解，于是又去b站翻了翻教程基础DP，其中提到记忆化的递归（也称记忆化搜索），相当于结合了dp和递归的优点（这时我又觉得比DP还厉害），然后就准备写写记忆化递归。 ---- 目录 1.记忆化递归的解释与分析 2.记忆化递归的应用 ---- 一、记忆化递归的解释与分析 前面说道它结合了dp和递归的优点，分别是记忆化和逻辑清晰易懂。 下面还是结合斐波那契数列的来理解： F(0)=F(1)=1; F(n)=F(n-1)+F(n-2) (n≥2,n∈N*); 这里直接给出函数代码，再进行解释： int F(int n){ if(n<2)f[n]=1; //这里f[]是储存数据的数组 else if(f[n]==0) //这里是重点 f[n]=F(n-1)+F(n-2); return f[n]; } 代码解释 打个比方，dp就相当于计算了一个方阵上所有的点（无论有没有利用价值），而记忆化递归相当于计算了方阵上有价值的点，因此记忆化递归的运行时间可能比dp还要短。
69760编辑于 2022-09-17 - 来自专栏运维有术
planning-with-files：3 个文件 + 4 个钩子，让 Claude Code 从重启即忘到永久记忆
它的核心思路特别简单： 上下文窗口 = 内存（RAM）：快，但容量有限，重启就丢 文件系统 = 硬盘（Disk）：慢一点，但容量无限，永久保存 Claude Code 原生有个 TodoWrite 工具可以记任务 他们的核心技术之一，就是这套"文件系统即记忆"的玩法。 2. 它到底解决了什么问题？ 用了这么久，我总结了 AI 编程助手的四大痛点： 痛点一：健忘症 Claude 的上下文窗口是有限的。 第三步：2-操作规则 插件有个硬性规定：每完成 2 次查看、浏览、搜索操作，必须更新 findings.md。 经验三：及时更新 findings 2-操作规则是强制的，但实际上我建议更激进一点： 每有重要发现就更新。 不要等操作两次再整理，临时记忆不可靠。 总结 说到底，planning-with-files 解决的是一个很本质的问题： AI 的记忆是短暂的，但我们的项目是长期的。 它用最朴素的方式——写文件——把 AI 的"工作记忆"从内存搬到了硬盘。
1.2K00编辑于 2026-04-01 - 来自专栏算法一只狗
ChatGPT 开启“记忆模式”，你说的每一句话都可能被永久记住！
在引入“记忆”功能之前，ChatGPT 是无记忆的对话模型——每次对话都从零开始，无论你和它聊了多少次，它都不会“记得你”。 ：包括对语音、图像输入的使用习惯等偏好的记忆。 而“记忆”的引入，正是朝这个目标迈出的关键一步。 ； 多用户协作记忆：在团队或家庭中构建共享的知识与记忆空间。 这一场由记忆能力引发的变革，才刚刚开始。
1K20编辑于 2025-04-30 - 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。
70410发布于 2020-01-13 - 来自专栏全栈开发日记
万字详解：混元大模型+GraphRAG+知识图谱实现永久记忆的专属AI伴侣
④ AI回复用户时，将刚刚解析好的用户消息去图数据库中获取记忆，并通过记忆结合当前用户的聊天消息进行回复。 问题解析 从用户的问题中提取用户想要问的内容，比如可能的人名、事件等去图数据库中进行查询相关的记忆。 通过这些记忆去生成一个回答，当然也可能没有相关记忆，没有相关记忆也要进行回答。 识别所有涉及的实体（人、物、地点等），并标注类型\n"); prompt.append("2. 识别发生的事件或行为\n"); prompt.append("3. 而这就是本次AI伴侣要解决的问题，让AI大模型拥有自己的大脑，永久记忆，并且是像人类一样实时更新记忆。 记忆功能在两个时间点起作用，一个是用户发起对话时，将用户的话转成记忆；另一个是AI伴侣回复完之后将自己回复的内容再次将关键信息存储到图数据库中形成记忆。
1.4K50编辑于 2025-10-02 - 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。 ）理论上可无限扩展（取决于存储硬件）持久性临时易失（会话/任务结束时重置）永久持久（除非主动删除）访问方式全局、直接（所有信息均在当前上下文中）选择性、按需检索（基于相似性搜索）主要内容原始对话历史、工具原始输出 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。
2.1K11编辑于 2025-09-25 - 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
图2：向量检索流程图向量检索流程向量检索流程包括以下步骤：数据预处理：对原始数据进行清洗和格式化，提取出有用的信息。 图3：知识图谱构建与更新流程图Neo4j构建示例以下是使用Neo4j构建知识图谱的Python代码示例：from py2neo import Graph, Node, Relationshipimport "创建实体间的关系""" # 获取实体节点 node1 = self.graph.nodes.match(name=entity1).first() node2 = self.graph.nodes.match(name=entity2).first() if node1 and node2: # 创建关系 "支持", "深度学习")]for triple in triples: analyzer.add_knowledge_triple(triple[0], triple[1], triple[2]
1.7K00编辑于 2025-07-14 - 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。
43910编辑于 2024-01-04 - 来自专栏猪圈子
PyCharm永久激活
2.修改配置文件 在PyCharm安装目录下的\bin目录中找到pycharm.exe.vmoptions和pycharm64.exe.vmoptions，以文本格式打开并同时在两个文件最后追加一行内容
3.2K30发布于 2019-11-20 - 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？ 这意味着，LLM 可以达到「信息论极限」的 1/4—— 因为 int8 参数只有 8 比特，但平均每个参数可以存储 2 比特的知识。
38510编辑于 2024-04-12 - 来自专栏清菡软件测试
永久存储
一、什么是永久存储 从文件里读取字符串是非常简单的，但是如果试图读取出数值的话就要费点力气了。 2. 使用 pickle 的什么方法读取数据 pickle.load(file) 参数是目标存储的文件对象，注意要先使用 'rb' 的模式 open 文件。 ?
94820发布于 2020-12-02 - 来自专栏机器学习入门与实战
⻓短期记忆LSTM
什么是LSTM 2. 输⼊⻔、遗忘⻔和输出⻔ 3. 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. 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。 2. 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。
2K10发布于 2019-11-20 - 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
记忆架构的结合，构建高效的多模态记忆系统。 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. 结构化记忆 结构化组织知识 提高知识的可访问性 Graph记忆 基于图结构存储知识 捕捉知识间的关系 记忆管理 管理不同记忆组件 协调记忆的存储和检索 记忆检索 从不同记忆组件中检索信息 快速找到相关信息 reply = handle_query(query) print(f"用户: {query}") print(f"客服: {reply}") 效果： 响应时间从传统系统的2秒降至0.5秒 准确率从传统系统的
23810编辑于 2026-04-05 - 来自专栏猪圈子
IDEA永久激活
IDEA永久激活 ? idea无疑是使用最广泛最得力的开发工具（没有之一）；网上的激活教程也是非常多，这里昌昌也再提供一份更加详细的激活教程，为那些刚入门的开发者们做出一点自己的贡献，对于使用有效期激活IDEA的同学也可以尝试下永久激活 2.修改配置文件 在IDEA安装目录下的\bin目录中找到idea.exe.vmoptions和idea.exe.vmoptions，以文本格式打开并同时在两个文件最后追加一行内容：-javaagent
3.3K20发布于 2019-11-20 - 来自专栏计算机视觉工坊
Scihub永久链接
这个按钮叫做“scihub永久链接”，位于首页底部，实现以下功能： 自动检索全网可用scihub镜像网址，并选取速度最快的一个。 2.最新影响因子预测工具上线 3. 全平台已支持中英文混搭检索 4.Crosscheck自助查重系统上线，价格约为1/5市场价。
2.2K10发布于 2020-12-11
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