- 综合排序
- 最热优先
- 最新优先
记忆不上云：mem9 + TiDB 打造 OpenClaw 私有记忆中枢
理想的agent记忆系统应该满足四点：自动注入、跨agent共享、新记忆实时可用、数据留在本地。带着这四个要求，我开始寻找答案。这篇文章介绍了mem9作为AIagent记忆方案的思路，给了我很大启发。 两者互补：mem9覆盖日常自动记忆，memsearch处理需要在大量历史文件中深度回溯的场景。 插件可以追加系统指令、注入工具描述，或者——正如mem9所做的——把相关记忆塞进去。 Step5：历史记忆迁移有两类历史数据需要迁移：本地.md记忆文件和mem9.ai云端记忆。踩坑记录：mem9的/imports端点不支持.md格式（返回status:failed）。 换句话说，无法给每个agent配置独立的mem9实例。但深入mem9源码后发现这不是问题：mem9内部用agent_id区分不同agent的记忆，写入和检索都带着这个标识。
40100编辑于 2026-04-08记忆不上云：mem9 + TiDB 打造 OpenClaw 私有记忆中枢
这篇文章 介绍了 mem9 作为 AI agent 记忆方案的思路，给了我很大启发。但原文使用的是 mem9.ai 云服务——记忆数据存在远端。 插件可以追加系统指令、注入工具描述，或者——正如 mem9 所做的——把相关记忆塞进去。 Step 5：历史记忆迁移 有两类历史数据需要迁移：本地 .md 记忆文件和 mem9.ai 云端记忆。 在完成本地化之前，记忆数据存在 mem9.ai 云端。 换句话说，无法给每个 agent 配置独立的 mem9 实例。 但深入 mem9 源码后发现这不是问题：mem9 内部用 agent_id 区分不同 agent 的记忆，写入和检索都带着这个标识。
14010编辑于 2026-06-18- 来自专栏机器学习技术分享
好记忆的机器学习面试--决策树
什么是决策树 1.1 决策树的基本思想 其实用一下图片能更好的理解LR模型和决策树模型算法的根本区别，我们可以思考一下一个决策问题：是否去相亲，一个女孩的母亲要给这个女海介绍对象。 ? 1.2 “树”的成长过程 决策树基于“树”结构进行决策的，这时我们就要面临两个问题 ： “树”怎么长。 这颗“树”长到什么时候停。 回归树： CART回归树是假设树为二叉树，通过不断将特征进行分裂。比如当前树结点是基于第j个特征值进行分裂的，设该特征值小于s的样本划分为左子树，大于s的样本划分为右子树。 最终得到一棵回归树。 参考文章：经典算法详解–CART分类决策树、回归树和模型树 4. 参考文章：决策树及决策树生成与剪枝 5.
72820发布于 2019-07-30 - 来自专栏学弱猹的精品小屋
Leetcode | 第8节：记忆化搜索，树（上）
今天我们来讲一讲记忆化搜索和树这个数据结构。记忆化搜索是对搜索算法的一个优化，涉及到记忆化搜索的题目都或多或少有一点技巧。至于树，它的定义非常简单，也有非常多的应用。 例如说matrix = [[9,9,4],[6,6,8],[2,1,1]]，那么输出就是4。这对应着下面这一张图 ? 二叉树的深度为根节点到最远叶子节点的最长路径上的节点数。 比方说输入的二叉树是[3,9,20,null,null,15,7]，那么输出就是3。因为它对应的二叉树长下面这样。 ? Problem 9: Leetcode 450 给定一个二叉搜索树的根节点 root 和一个值 key，删除二叉搜索树中的 key 对应的节点，并保证二叉搜索树的性质不变。 比方说如果输入[3,9,20,null,null,15,7]，那么输出就是 [ [3], [20,9], [15,7] ] 这一题其实就是二叉树的层序遍历，但是稍微加了一点技巧，就是如果第一层是从左到右遍历的
60830发布于 2021-08-10 - 来自专栏趣Python
机器学习（9）决策树
决策树仍然是监督学习方法，其基本思路跟我们人做一些决策的思路类似：可能要下雨，那就带伞；可能要停水，那就提前备水…… 这个决策的数学模型是熵。 决策树的模型中，无论是ID3，还是C4.5，亦或者是CART，它们在每个节点做判据的目标都是为了让熵最小化！ 核心的内容已经说完了，具体的内容参见如下的推导，一些数学公式的细节可以自行网查。 决策树的算法推导流程如下： ? 如下示例的题材，最后一列是结果，其他列是输入。 ? ID3的手推示例如下所示： ? ? ? CART的手推示例如下所示： ? ? ? ?
50320发布于 2020-06-05 - 来自专栏总栏目
05-树9 Huffman Codes
the following format: c[1] f[1] c[2] f[2] … c[N] f[N] where c[i] is a character chosen from {‘0’ – ‘9’ 00000 B 00001 C 0001 D 001 E 00 F 10 G 11 Sample Output: Yes Yes No No 耗时将近一个半小时，最后终于还是没写出来，思路是用前两行的树直接建一颗哈夫曼树 ，求出编码的最小长度，之后对每组数据做两个判断，1判断是否某一个字符串是其他字符串的前缀，2判断其编码的长度是否大于我的最小长度，但是当我去建哈夫曼树，并转为哈夫曼编码时候，我直接调用教材的代码，半天没弄好 废江博客 , 版权所有丨如未注明 , 均为原创丨本网站采用BY-NC-SA协议进行授权 转载请注明原文链接：05-树9 Huffman Codes
34730编辑于 2022-09-05 - 来自专栏AILearning
【机器学习实战】第9章 树回归
第9章 树回归 <script type="text/javascript" src="http://cdn.mathjax.org/mathjax/latest/MathJax.js? ops) return retTree 完整代码地址: https://github.com/apachecn/MachineLearning/blob/master/src/python/<em>9</em>. 我们看一下图 <em>9</em>-4 中的数据，如果使用两条直线拟合是否比使用一组常数来建模好呢？答案显而易见。可以设计两条分别从 0.00.3、从 0.31.0 的直线，于是就可以得到两个线性模型。 其中一个能同时支持数据呈现和用户交互的方式就是构建一个图形用户界面(GUI，Graphical User Interface)，如图<em>9</em>-7所示。 python/<em>9</em>.RegTrees/treeExplore.py 6、<em>树</em>回归 小结 数据集中经常包含一些复杂的相关关系，使得输入数据和目标变量之间呈现非线性关系。
1.6K51发布于 2018-01-05 - 来自专栏合集
机器学习day9-决策树
决策树 决策树自上而下，对样本数据进行树形分类的过程。决策树由结点和有向边组成。结点又分内部结点和叶结点。每个内部结点表示一个特征或属性，叶子结点表示类别。 决策树是最基础且常见的监督学习模型，可以用于处理分类问题和回归问题。 决策树的生成包括：特征选择，树的构造，树的剪枝三个过程。 决策树常用的启发函数 常用的决策树算法有：ID3，C4.5和CART，那么它们的启发式函数是什么？ ID3-最大信息增益 对于样本集合D，类别数为K，数据集D的经验熵表示： ? 其中， ? 提高决策树的泛化能力。 ID3应用于离散变量，C4.5和CART都可以用于连续变量。 ID3和C4.5用于分类任务，CART，Classification and Regression Tree，分类回归树用于回归和分类问题。
58320发布于 2020-06-11 - 来自专栏未竟东方白
【CPP】各种各样的树（9）——自顶向下的红黑树
红黑树还是蛮难的，写着写着才意识到应该先搞完B树然后再写2-3-4树然后再来讲红黑树的，然而还是按照计划勉强这么写了吧，B树之类的之后再来补上。 红黑树作为自平衡二叉树在实际中使用范围要比AVL树更加广泛，更加值得我们去掌握。 wiki/%E7%BA%A2%E9%BB%91%E6%A0%91 在粘贴完上面的三篇文章后，很不负责任地说其实只要认真把这三篇啃下来红黑树就可以算是理解了，在这里我贴贴我的实现，思路都分步写在了代码注释里面了 啊，终于勉强算是在暑假结束了树的部分了，看一下树的第一篇文章【CPP】各种各样的树（1）——二叉森林树在文章开头立下的目标也算是都写完了。 有些累，接下来该好好开学写些别的东西了，树的东西暂告一段落，接下来是什么还没想好。如果还有树的文章的话就是B-树，2-3-4树，treap树，trie树，AA树，k-d树吧...想想也是很大的坑啊（笑
77620发布于 2020-07-29 - 来自专栏生命科学
TLR9 炎症信号与 DNA 损伤 造就 的记忆回路！| MedChemExpress (MCE)
如果 TLR9 功能受损，基本的记忆机制可能会变为基因组不稳定和认知障碍的开端，与加速衰老、精神疾病和神经退行性疾病有关。 这些发现揭示了免疫应答基因在记忆形成中的关键作用。图 2. CFC 后的基因表达谱图及 TLR9 蛋白水平，TLR9/LAMP2 在不同时间的共定位[3]。A. 核外 γH2AX 与 TLR9 共定位。▐ CA1 神经元中的 TLR9 是情景记忆所必需的炎症反应是学习-诱导的 DNA 损伤的副作用还是有助于记忆的形成？ 此外，TLR9 敲低也破坏了 CFC 诱导的基因表达。以上结果证明了神经元特异性 TLR9 介导的 dsDNA 传感在情境记忆的形成和持久中的作用。图 4. TLR9 激活可能由 γH2AX 和 dsDNA 片段触发。TLR9 参与了 DNA 传感，而不是 CFC 中更为传统的 cGAS-STING 路径，提示神经元采用了基于免疫的记忆机制。
40510编辑于 2024-05-23 - 来自专栏NowlNowl_AI
机器学习第9天：决策树分类
介绍 作用：分类 原理：构建一个二叉树，逐级条件判断筛选 基本思想 假如有小明，小红和小张三个人，我们知道他们的身高体重，要通过身高体重来判断是哪个人，决策树算法会构建一个二叉树，逐级判断，如下 DecisionTreeClassifier tree_clf = DecisionTreeClassifier(max_depth=2) tree_clf.fit(X, y) max_depth参数设置的是决策树的深度 ，上图的深度是2，它代表决策的次数 深度探索 优点 我们来看决策树的过程：每到一个节点进行一次询问，然后将数据集分向其他的节点，这样的特性决定了数据不需要经过特征缩放的处理 估计概率 决策树模型可以输出每个类的概率 这将输出每个类的概率 model = DecisionTreeClassifier(max_depth=2) model.fit(x, y) model.predict_proba(x) 训练算法 决策树的训练算法被称为 它的公式为 为第k类的实例数 为总实例数 正则化 为了防止过拟合，我们当然要进行正则化，决策树的正则化通过控制参数max_depth来决定，越大则越可能过拟合 在鸢尾花数据集上训练决策树 from sklearn.datasets
33610编辑于 2024-01-18 - 来自专栏小白历险记
平衡搜索二叉树之红黑树（拒绝死记硬背，拥抱理解记忆）
前言 在了解完平衡搜索二叉树的优势和应用后，我们学习了AVL树这种方案来实现它，但在前人们的不断使用和开辟，另一种更优的方案横空出世——红黑树。 ---- 一、红黑树概念 红黑树，是一种二叉搜索树，但在每个结点上增加一个存储位表示结点的颜色，可以是Red或Black。 由红黑树的概念得知，红黑树方案和AVL树的方案对比，我们可以得知： AVL树是一颗宁折不弯的树：它容不下一点偏差，AVL树任何时候都是一颗绝对的平衡搜索二叉树；但是也由于这个特性，当我们面对频繁的修改时 pParent 域指向红黑树的根节点，pLeft域指向红黑树中最小的节点，_pRight域指向红黑树中最大的节点，如下： 3.3红黑树的插入操作 红黑树是在二叉搜索树的基础上加上其平衡限制条件，因此红黑树的插入可分为两步 ; }; ② 检测新节点插入后，红黑树的性质是否造到破坏（重点） 先看每种情况下如何处理，最后有总结帮助记忆 因为新节点的默认颜色是红色，因此：如果其双亲节点的颜色是黑色，没有违反红黑树任何 性质，则不需要调整
69220编辑于 2023-04-16 - 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。
78260编辑于 2022-09-17 - 来自专栏光模块
1 * 9 光模块：经典设计的 “常青树”
作为光通信领域的常青树产品，1x9光模块凭借其独特的工业设计优势，在工业自动化、轨道交通等专业领域持续发挥不可替代的作用。本文将深入解析其技术特性与典型应用场景，揭示其在现代通信系统中的持久生命力。 核心技术优势体系精密结构设计• 全焊接封装工艺：采用气密性金属焊接技术，接口防护等级达到IP68标准，有效抵御粉尘和液体侵蚀• 多元接口配置：支持FC/ST/SC三种标准化接口，适配62.5/125μm至9/ ）成本效益模型• 精简架构设计：省却DDM诊断模块及EMI屏蔽，BOM成本降低58-63%• 维护成本优势：MTBF＞300,000小时，预期使用寿命较SFP模块延长40%二、典型技术参数对比指标1x9模块 ）速率适配策略• 低速控制：≤2Mbps（Modbus RTU协议）• 中速传输：100Mbps（视频监控流）• 高速通道：1.25G/2.5G（网络骨干）五、发展趋势前瞻随着工业4.0进程加速，1x9模块在以下领域呈现新机遇
50610编辑于 2025-04-15 - 来自专栏半生瓜のblog
LeetCode刷题(9)【树】前序&深度&平衡(C语言)
二叉树知识回顾——【树】之二叉树(C语言)(含图解)_半生瓜のblog-CSDN博客 二叉树的前序遍历 144. 二叉树的前序遍历 - 力扣（LeetCode） (leetcode-cn.com) 本题中，对于C++或者Java等语言，返回的是它们的数据结构库里面的数据结构，而C语言没有，这也就是如果用C语言往后通吃数据结构会困难的原因 二叉树的最大深度 - 力扣（LeetCode） (leetcode-cn.com) 一棵树的高度就是最长路径的结点个数。 leftDepth+1:rightDepth+1; } 平衡二叉树 Loading Question… - 力扣（LeetCode） (leetcode-cn.com) /** * Definition leftDepth+1:rightDepth+1; } bool isBalanced(struct TreeNode* root){ //空树也满足条件 if(root == NULL
31810编辑于 2023-05-12 1 * 9 光模块：经典设计的 “常青树”
在光模块领域，1 x 9光模块堪称经典产品，凭借其出色的稳定性和兼容性，多年来一直备受青睐。 1 x 9 系列更是覆盖了从低速到高速的多种应用场景，展现出强大的适应性。 1x9光模块核心优势解析1x9光模块作为传统光通信解决方案，虽然在传输速率（≤2.5Gbps）和热插拔功能上逊于SFP标准模块，但其在特定工业场景中仍具有不可替代的技术优势。 工业级可靠性1 x 9 工业级光模块采用了工业级温度（-40℃-85℃）设计。这使得它能够适应各种严苛的环境条件。 灵活的参数配置1x9光模块支持从 0 - 2Mbps 的超低速传输，一直到 2.5Gbps 的高速传输。 比如在一些工业自动化设备的低速控制信号传输中，就可以选用较低速率的 1 x 9 光模块，稳定又高效。
62010编辑于 2025-04-07- 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。
77210发布于 2020-01-13 - 来自专栏前端ACE
年会 （记忆化搜索+二叉树思想）------------------------------C语言—菜鸟级
该校的员工具有等级结构, 即师生关系构成一棵树, 以校长为树根. 员工号是1到N之间的整数. 人事部门把所有员工按活跃度排序. 样例输入 7 1 1 1 1 1 1 1 1 3 2 3 6 4 7 4 4 5 3 5 0 0 样例输出 5 //思路： 记忆化搜索 + 二叉树 //常理来说大学里 一个导师可以有多个学员 但一个学员只能有一个导师（二叉树） // 导师和学员不能同时邀请，那就是除了同时邀请外 还有三种情况，邀导不邀学 //邀学不邀导 和都不邀 （0与1 ）的关系 通过DFS枚举各类情况 ，优化记忆数组； #include <string.h> #include <stdio.h> #define M 6002 #define max(a,b) a>b? L）的导师未邀请状态最优活跃度 // dp[L][1]代表满足条件下该员工(L)的导师邀请状态下最优活跃度 int dfs(int L,int last) { //优化 记忆数组
42320编辑于 2022-11-21 - 来自专栏刷题笔记
【未完成】7-9 目录树 (30 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/102727548 7-9 目录树 (30 分) 在ZIP归档文件中，保留着所有压缩文件和目录的相对路径和名称
75810发布于 2019-11-07 - 来自专栏技术大杂烩
【算法题解】 Day9 二叉搜索树
验证二叉搜索树 98. 验证二叉搜索树 难度：medium 给你一个二叉树的根节点 root ，判断其是否是一个有效的二叉搜索树。 如果均大于说明这个序列是升序的，整棵树是二叉搜索树，否则不是，下面的代码我们使用栈来模拟中序遍历的过程。 二叉搜索树的最近公共祖先 题目 235. 二叉搜索树的最近公共祖先 难度：medium 给定一个二叉搜索树, 找到该树中两个指定节点的最近公共祖先。 例如，给定如下二叉搜索树: root = [6,2,8,0,4,7,9,null,null,3,5] 示例 1: 输入: root = [6,2,8,0,4,7,9,null,null,3,5], 示例 2: 输入: root = [6,2,8,0,4,7,9,null,null,3,5], p = 2, q = 4 输出: 2 解释: 节点 2 和节点 4 的最近公共祖先是 2, 因为根据定义最近公共祖先节点可以为节点本身
35420编辑于 2023-08-31
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