- 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？
▼ ┌─────────────────────────────────────────────────────────────┐ │ 5. chunks_vec (id, embedding) -> sqlite-vec │ │ - chunks_fts (text) -> FTS5 FTS5 是SQLite内置的全文搜索引擎，为BM25关键词匹配提供支持。两者结合，使Clawdbot能够从一个轻量级数据库文件中运行混合搜索（语义 + 关键词）。 用户："用户和认证相关的" │ │ [第4轮] Agent：*创建了500行模式定义* │ │ [第5轮 单个exec命令可能输出5万个字符的日志。剪枝会修剪这些旧输出，而不重写历史。这是一个有损过程，旧输出无法恢复。
78530编辑于 2026-02-02 - 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]
1.6K60发布于 2018-04-12 - 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
28910发布于 2021-04-19 - 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。 接着，它会返回一个与你当前需求最相关的前5个历史会话，并为每一个打上相关度评分，从高到低排序。 你只需要选一个最合适的会话，它就会直接给你一条fork命令，复制、粘贴到新的终端里。 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」。
39610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。 拥有长期记忆具有很多优势。一次性学习本身就很有价值，在一些任务中更是不可或缺。即使是拥有大量训练集的真实世界的任务，比如翻译，也可以从长期记忆中获益。
1.4K60发布于 2018-03-27 - 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
1.1K80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。 程序现将账号密码等信息显示在表格里（QTableWidget），确认后立即永久保存/更新到本地数据库，或从本地数据库删除。下次打开就会从本地数据库加载到表格。 ? 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)
1.6K40发布于 2019-08-14 - 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”
5日，OpenAI 官宣了最新的模型 GPT-5.4： 今天，我们在 ChatGPT（作为 GPT-5.4 Thinking）、API 和 Codex 中发布 GPT-5.4。 GPT-5.2 Thinking 将在模型选择器中的遗留模型部分为付费用户保留三个月，之后将于 2026 年 6 月 5 日退役。 企业和教育计划的用户可以通过管理员设置启用早期访问。 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。 记忆化递归则更加”投机取巧“了，它只计算了需要用的值并储存起来，而其它不会用到的值不去计算，最大化地减少了计算。 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。 （注意只是可能，因为斐波那契数列无论是dp还是记忆化递归，都是要把前面的值全部算出来的） ---- 二、记忆化递归的应用 感觉没啥写的,就拿分配宝藏来写shui一写shui吧。题目在这里。
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 图 3：5 步工作流程详解 6. 钩子机制：幕后功臣 前面提到了钩子，这里展开说一下。 图 5：与 TodoWrite、Manus AI、oh-my-claudecode 的对比 9. 我的判断标准是： 预计工具调用 > 5 次 → 用 预计工具调用 < 5 次 → 不用 简单问题（比如"这个正则怎么写"）直接问就行，别过度工程化。 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
87810编辑于 2024-02-26 - 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。 注意代词的解析，如'我'指代说话者，'你'指代听话者\n"); prompt.append("5. 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。 [r]->(e2) RETURN e1.name AS subject, r.type AS relation, e2.name AS object ORDER BY r.id DESC LIMIT 5"
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
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)
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
最近很多同学反馈pycharm2018.3版本无法使用补丁激活或闪退问题，今天给大家带来新的激活补丁；原来使用激活码激活的同学也可以换成补丁激活了，已激活过的同学请忽略~
3.2K30发布于 2019-11-20 - 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。
1K31发布于 2020-03-05 - 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。
94820发布于 2020-12-02
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