- 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 - 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。
1.2K10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。
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。
1800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。
1.7K10编辑于 2022-05-11 - 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 = { '
2.2K00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 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
29510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))
42610编辑于 2021-12-04 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
31210编辑于 2026-06-10- 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
：基于记忆结构支持复杂推理 高效更新机制：支持记忆的动态更新和维护 多模态融合：实现不同模态信息的有效融合 4. 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 辅助：GitHub - chroma-core/chroma - 轻量级向量存储 辅助：GitHub - neo4j/neo4j - 图数据库 辅助：GitHub - openai/CLIP - 多模态模型
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。 let size = a.len() + b.len(); sleep(Duration::new(size as u64, 0)); size } } 4. 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 - 来自专栏时空探索之旅
ICML 2026 | LLM×Graph论文总结【Graph4LLM，Graph4Agent，智能体记忆（Memory），AgenticRL，RAG】
本文Graph的Topic：Graph4LLM，Graph4Agent，智能体记忆（Memory），AgenticRL，RAG等。 1. Beyond Trajectory-Level Attribution: Graph-Based Credit Assignment for Agentic Reinforcement Learning4. ：Xin Cheng ⋅ Shuo He ⋅ Lang Feng ⋅ Haiyang Xu ⋅ Ming Yan ⋅ Lei Feng ⋅ Bo An 关键词： GraphGPO，AgenticRL 4 Zhuoning Guo ⋅ Bosi Zhang ⋅ Wenxuan Huang ⋅ Lin Chen ⋅ Zehui Chen ⋅ Pengjun Xie ⋅ Ruixue Ding 关键词：RAG，多模态图记忆 for LLM Agents 链接：https://icml.cc/virtual/2026/poster/60697 作者：Shuo Ji ⋅ yibo li ⋅ Bryan Hooi 关键词：智能体记忆
1.2K10编辑于 2026-05-20 - 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
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