- 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
45110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。 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。 编码 Agent 的基础设施不只包括模型、终端和浏览器，还会包括一层本地代码记忆。它知道项目结构，知道历史变化，知道哪些上下文值得读。 我更愿意把它理解成一种“工程版长期记忆”。 不是让 Agent 记住你昨天说了什么，而是让它记住代码库自己长什么样。
18910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。 它更像一位"守成型标杆"——生态稳健、上手轻松，但在记忆保真这一核心标尺上缺乏压倒性证据，难以胜任对连续性要求严苛的深度个性化业务。
1200编辑于 2026-07-31- 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。
80360编辑于 2022-09-17 - 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。
98710编辑于 2024-03-27 - 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。
78210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。
2.8K11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
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！
2.2K00编辑于 2025-07-14 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 总结 基于Oracle 26ai的记忆系统，目标是解决纯文本存储的记忆痛点，通过三位一体存储架构，实现了稳定可扩展、支持多Agent协同、断点续跑的企业级记忆能力，后续将持续优化并同步迭代多数据库生态版本
29410编辑于 2026-07-02- 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。
52510编辑于 2024-01-04 - 来自专栏机器学习入门与实战
⻓短期记忆LSTM
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. 参考文献 1. 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。 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。
2.1K10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
工具与库推荐 11. 未来发展趋势 12. 总结与建议 12.1 总结 12.2 建议 环境配置 常见问题处理 1. :") 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。 部署方案 7.1 技术栈选择 组件 技术选型 版本 向量存储 Chroma / Pinecone 最新 图数据库 Neo4j / NetworkX 最新 多模态模型 CLIP / DALL-E 最新 API 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
50710编辑于 2026-04-05 - 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。 宏定义记忆化函数 基本使用案例： use cached::proc_macro::cached; /// 定义一个叫`fib`的函数，此函数使用一个名为`FIB`的缓存 /// 默认情况下，缓存的名称与函数相同 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。
58830发布于 2020-09-15 - 来自专栏TGLTommyAI前沿技术论文
Hermes Agent 记忆架构：一座记忆工厂
很多 AI 产品一谈 memory，都给人一种"只要加一个记忆模块就够了"的错觉。 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 克制到骨子里的长期记忆 Hermes 不只是在原则上说"长期记忆要精炼"，它在机制上把这件事做得很硬： 没用结构化数据库，就两份纯文本文件； 字符预算设了硬上限：MEMORY.md 默认 2200 所以 state.db 在 Hermes 里更像一份运行时档案库，而不是单纯的聊天记录备份。 检索基座做得也扎实。 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。
32100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
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。 长期记忆允许智能体存储、检索和利用过去跨越数天、数月甚至数年的信息。 技术实现： 通常采用 检索增强生成（RAG） 技术。智能体将重要信息转化为向量（Embeddings）存入数据库。 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。 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。 长期记忆则是通过持久化存储，如向量数据库实现的，可以跨对话。 如果文章对你有帮助，可以给我三连击：点赞、喜欢，并转发给身边需要的朋友。 希望本文分享的技巧对你有帮助，我们下次再见。
1.7K10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
系统将这些文本切分为 chunk（文本块），生成嵌入向量后存入 SQLite 数据库，建立起可被高效检索的记忆索引。 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。 想象搜索"API 设计原则"，如果你的记忆库中有一篇详细的 API 设计文档，前 10 条结果可能全部来自这篇文档的不同段落，内容高度重叠。这对 AI 理解上下文来说，信息密度非常低。 当嵌入模型变更或配置调整需要重建索引时，系统采用"双数据库原子交换"策略： 整个过程中，旧索引始终可用于查询，用户感知不到任何服务中断。这是一种典型的蓝绿部署思想在嵌入式数据库层面的应用。 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。
27610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。 通过为 Agent 赋予记忆能力，使其能够存储用户偏好、自动复用历史交互信息，从而让行程规划更具个性化与高效性。本文将在此基础上，进一步介绍聊天记忆如何持久化存储至数据库，满足实际部署需求。 三、【案例】实现Agent 记忆持久化 3.1 核心开发流程 step 1：引入依赖：添加 Spring AI JDBC 记忆存储和 MySQL 驱动依赖； step 2：配置数据库：在application.properties 创建数据库和表 需创建 spring_ai_agent 数据库及 spring_ai_chat_memory 数据表，对应的 SQL 脚本可在以下路径获取：spring-ai-model-chat-memory-repository-jdbc.jar 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。
76620编辑于 2026-03-31 - 来自专栏Elastic Stack专栏
AI Agent 记忆：使用 Elasticsearch 管理记忆，打造智能 Agent
在本文中，我们将学习如何使用记忆技术，以 Elasticsearch 作为记忆和知识的数据库，让 Agent 变得更智能。 Elasticsearch 是存储知识和记忆的理想解决方案，因为它是一个原生向量数据库，并且已准备好进行扩展。 它为我们提供了管理选择性记忆所需的一切：向量数据库，具备混合搜索功能，可以根据上下文（而不仅仅是关键词）找到记忆。多种数据类型，包括文本、数字、日期和地理位置。 记忆压缩是一个完全不同的话题，但你可以实施一些策略来总结和存储旧的记忆，同时完整地检索新的记忆。 创建 Agent 工具我们为 Agent 定义了三个关键函数：GetKnowledge：在知识库中搜索相关上下文（传统的检索增强生成 RAG）。
29310编辑于 2026-04-29 - 来自专栏计算机工具
长期记忆、短期记忆、遗忘机制及门控机制；
长期记忆、短期记忆、遗忘机制及门控机制智能问答系统实现长期记忆、短期记忆、遗忘机制以及门控机制的方法如下： 长期记忆的实现- **使用数据库存储**：将大量的知识、信息和历史交互数据存储在数据库中。 例如，将常见问题及其答案、领域知识、用户的历史提问和回答等存储在关系型数据库或非关系型数据库中。当需要回答问题时，**系统可以从数据库中检索相关信息**。 这样系统可以通过遍历知识图谱来获取更全面和深入的知识，实现长期记忆。短期记忆的实现：滑动窗口- **使用缓存技术**：在系统内存中设置缓存，用于临时存储近期使用过的信息。 遗忘门决定了从过去的记忆中丢弃多少信息；输入门控制新的信息有多少可以进入记忆单元；输出门决定了当前的记忆状态有多少可以作为输出。 - **示例**：假设用户询问“人工智能的发展历程”，系统通过输入门将相关的历史数据输入到记忆单元中，同时遗忘门会根据之前的记忆和当前的输入决定丢弃一些不相关的旧信息。
85121编辑于 2025-01-18 - 来自专栏远在上海
非典那年记忆
课程内容主要步骤记录： 【】所包含的是对应项目名 1、生成项目 abp new ,并编译全部 2、修改连接字符串： 【DbMigrator】修改连接字符串，并执行这个项目，就实现数据库的创建和写入种子数据 类中注入 Repository<Book,Guid> 和 GuidGenerator类型的两个对象， 借助它们来添加种子数据——三本书的信息Book 8、执行【DbMigrator】，更新数据库
1.2K20发布于 2020-02-12
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