- 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
33010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]
1.9K60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
1.2K80发布于 2018-03-16 5大落地场景解析！RAG如何打破LLM幻觉，为企业知识库注入“可靠记忆”？
#5大落地场景解析！RAG如何打破LLM幻觉，为企业知识库注入“可靠记忆”？ B-->|是|C[并行检索HR/财务/法务库]B-->|否|D[单库检索]C&D-->E[证据链拼接]E-->F[LLM生成带条款编号的答案]实施要点：使用多路检索技术解决跨知识域问题在提示词中声明：“ 而RAG方案：更新成本低：仅需替换知识库文档可解释性强：每个回答都有来源依据冷启动快：1小时即可部署新业务领域颠覆认知：当企业知识更新频率>季度时，RAG的TCO（总拥有成本）仅为微调的1/5！ 六、结语：打造企业的“可靠记忆体”通过本文5大场景的深度解析，我们看到RAG如何为企业知识库注入可追溯、可更新、可验证的可靠记忆。 建议立即行动：用LlamaIndex搭建最小知识库原型在关键业务场景设置AB测试（纯LLMvsRAG）建立持续优化的幻觉检测机制最后留问：当知识库达到千万级文档时，如何平衡检索速度与精度？
76210编辑于 2026-01-13- 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)
1.7K40发布于 2019-08-14 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- 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 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。 3.Top3-5StarRocksZillizMemSearchLettaStarRocks在百亿级数据上实现秒级响应，检索性能亮眼，但偏重检索而非记忆治理，通用性不足。
1600编辑于 2026-07-31- 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。 LongTermMemory 接口在 2.0.0-RC2 中被标为 @Deprecated(forRemoval = true)，原因有三：职责单一 — Memory 既是"当前对话上下文"又是"长期知识库" 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。
66420编辑于 2026-06-15 - 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
96010编辑于 2024-02-26 - 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 - 来自专栏大数据文摘
最强记忆 VS 最强检索：T5 & REALM 你pick谁？
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 在两个数据集上打爆了之前检索知识库的 SOTA 模型，而且可以看到，到 11B 都还没有到个头，很期待最近微软的 17B Turing-NLG 会是怎么样。 首先，怎么快速检索到知识库中 Query 的相关文本，这里用到了 Maximum Inner Product Search (MIPS, 最大内积搜索)。 当然直接算代价太大了，相关文本库可能有好几千万条，鉴于 softmax 之后很多文本的 prob 非常小，于是只取 topk 的检索结果。 最强记忆和最强检索，懒惰的我，还是选择检索。
1.1K31发布于 2020-03-05 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 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 内容智能补全自动关联语义相近记忆进行信息补充整合，生成完整、连贯的知识碎片。 操作全链路溯源完整记录每一次记忆融合操作日志，支持行为审计与版本回滚。 5. │ │ 优势： │ │ ✅ RPO≈0零数据丢失保护（ADG） │ │ ✅ 读写分离，查询性能提升3-5倍
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。 LSTM还普遍用于自主语音识别，2013年运用TIMIT自然演讲数据库达成17.7%错误率的纪录。作为非线性模型，LSTM可作为复杂的非线性单元用于构造更大型深度神经网络。 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。
1.4K10编辑于 2024-12-14 - 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
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