- 综合排序
- 最热优先
- 最新优先
- 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 - 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。
77960编辑于 2022-09-17 - 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。
76710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
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。 记忆冲突与更新：当新信息与旧记忆矛盾时，如何更新或版本化管理记忆（例如，用户之前喜欢咖啡，现在改喝茶了）。 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。
2.6K11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
'metadata': json.loads(row[3]) if row[3] else None, 'created_at': row[4] results = vector_store.search("什么是AI智能体", k=3)for result in results: print(f"相关度: {result['score']:.4f 图3：知识图谱构建与更新流程图Neo4j构建示例以下是使用Neo4j构建知识图谱的Python代码示例：from py2neo import Graph, Node, Relationshipimport KnowledgeGraphBuilder: """知识图谱构建器""" def __init__(self, uri="bolt://localhost:7687", user="neo4j f"排名 {i+1}: 分数 {result['score']:.4f}") print(f"文档: {result['document']}\n")神经排序模型示例import torchimport
2.1K00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。
50610编辑于 2024-01-04 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 AgentTurnOrigin task-local + Unknown fail-closed — 新颖度 4/5 实用性 5/5 可迁移性 5/5 5 个 Origin 标签贯穿 tokio JSON-RPC 2.0 + StructuredRpcError::expected_user_state 集中 4 类 skip-report — 新颖度 3/5 实用性 5/5 可迁移性 5/
16110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
通过这种多模态记忆架构，显著提升AI系统的知识管理和推理能力。 目录 1. 本节为你提供的核心技术价值 2. 传统记忆系统的局限性 3. Multimodal Memory系统的核心优势 4. ：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. ({"type": "image", "content": "image_path.jpg"}) stm.add({"type": "video", "content": "video_path.mp4" 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 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
41210编辑于 2026-04-05 - 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
有些同学问：智能体的 Memory 中 短期记忆（Short-term memory）与长期记忆（Long-term memory）是什么意思？有什么区别？ 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。 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。 我们可以在整体设置这里打开全局记忆。 我们在和他们聊天的时候，它会先检索相关的记忆，然后再回答我们的问题。 如果它认为有些信息需要记住，也会自动保存到记忆中。 听着很完美，实际上还是会存在很多问题。 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。
1.4K10编辑于 2026-03-04 - 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 完整历史：另一条主线 Hermes 的思路不是"把所有过去浓缩成几条记忆"，而是先把完整会话轨迹老老实实存下来。 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。
12900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
中配置 MySQL 连接信息和 JDBC 记忆参数； step 3：初始化记忆组件：绑定JdbcChatMemoryRepository 与 ChatMemory，配置双记忆类型； step 4：开发业务服务 spring.ai.zhipuai.base-url=https://open.bigmodel.cn/api/paas spring.ai.zhipuai.chat.options.model=GLM-4- （如 GLM-4、GPT 系列） */ @Bean public MessageChatMemoryAdvisor messageChatMemoryAdvisor(ChatMemory 行程按天/时段拆分，包含景点、交通、餐饮、实用提示（开放时间、预约要求），信息准确可执行； 4. , "memoryType": "prompt", "userId": "1001" } } 测试 4：清除记忆功能 访问接口（清除用户 1001 的 MySQL 记忆）：http:
59620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
例如，当我们想要跨不同对话持久保存用户偏好等记忆时，我们可以在需要时将这些记忆注入到新的对话中，这被称为长期记忆。为什么要修改对话历史？ 程序性记忆：Agent 如何运作程序性记忆 定义了 Agent 的行为方式，而非它知道或记住什么。在实践中，这包括：何时存储记忆。何时检索记忆。如何总结对话。如何使用工具。 程序性记忆决定了记忆如何使用，而非存储了什么内容。情景性记忆：发生了什么情景性记忆 捕捉与某个实体和上下文相关的特定经历。例如：“彼得的生日是明天，他想吃牛排。” 语义性记忆：客观事实语义性记忆 代表关于世界的抽象化、通用化知识，独立于任何单一交互或个人背景。与情景性记忆（与谁说了什么、何时说的相关）不同，语义性记忆捕捉的是普遍为真的事实。 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。
23110编辑于 2026-04-29 - 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
记忆的数据来源有两类：一是用户主动维护的 Markdown 记忆文件（如 MEMORY.md、memory/*.md），二是历史会话记录（JSONL 格式的对话日志）。 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。 时间衰减：模拟人类记忆的"遗忘曲线" 混合搜索解决了"搜什么"的问题，但还有一个维度同样重要：时间。 三天前讨论的 bug 修复方案，和三个月前随口提到的一个想法，它们在记忆中的权重应该一样吗？ 特点 OpenAI text-embedding-3-small 业界主流，质量稳定 Gemini gemini-embedding-001 支持 API Key 自动轮换 Voyage voyage-4- 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。
12810编辑于 2026-06-25 - 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
82110编辑于 2026-05-20 - 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。 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。 它可以根据不同的条件和策略，决定哪些信息可以进入系统的不同记忆模块，哪些信息可以被保留或遗忘。 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。
80521编辑于 2025-01-18 - 来自专栏远在上海
非典那年记忆
4、添加项目的全局的共有类 【domain.shared】中添加BookType的枚举类型。
1.2K20发布于 2020-02-12 - 来自专栏TechBlog
离散无记忆与有记忆信源的序列熵
文章目录 离散无记忆信源的序列熵 信源的序列熵 离散有记忆信源的序列熵 平稳有记忆N次扩展源的熵 离散无记忆信源的序列熵 马尔可夫信源的特点：无后效性。 当信源无记忆时： \begin{aligned} p(\bar{X}&\left. 如果以两个符号出现 ( \mathrm{L}=2 的序列 )为一事件, 则随机序 列 \mathrm{X} \in(00,01,10,11) , 信源的序列熵 H(\bar{X})=\log _{2} 4= 对于有记忆信源,就不像无记忆信源那样简单, 它必须引入条件熵的概念, 而且只能在某些特殊情况下才能得到一些有价值的结论。 N而增加; (2) H_{N}(X) \geq H\left(X_{N} / X_{1} \cdots X_{N-1}\right) ; (3) H_{N}(X) 不随 N 而增加; (4)
1.3K20编辑于 2023-02-26 - 来自专栏Elastic Stack专栏
AI Agent 记忆：使用 Elasticsearch 管理记忆，打造智能 Agent
构建记忆系统 记忆索引结构 首先，我们定义记忆模式（Schema）： 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 mappings = { "properties": • GetMemories：使用混合搜索（语义 + 关键词）检索记忆： 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 4. Elasticsearch 自动过滤： 因为我们使用了彼得的凭据，所以只返回 Outie 的记忆： 1 2 记忆 peter125: (用户名是彼得·约翰逊。 （记忆已存储） 这会创建一个独立的 Innie 记忆： 1 2 3 4 5 6 { "user_id": "janice456", "memory_type": "innie", 这留作练习，但它展示了同一个人可以拥有隔离的记忆上下文，而访问权限完全由安全层控制。 记忆隔离测试 现在彼得开始一个新的对话： 1 2 3 4 5 彼得：嘿，马克，你记得我生日想要什么吗？
16810编辑于 2026-05-11 利用Neo4j和Cypher实现自然语言查询与对话记忆
本文将介绍如何使用Neo4j结合OpenAI的语言模型，通过自然语言进行图数据库查询，并维护用户会话的对话记忆。 主要内容Neo4j和Cypher简介Neo4j是一个图数据库，能够高效地存储和查询关系数据。Cypher是一种专门为Neo4j设计的查询语言，类似于SQL，专注于处理节点和关系。 环境配置在开始之前，请确保您已设置以下环境变量：OPENAI_API_KEY=<YOUR_OPENAI_API_KEY>NEO4J_URI=<YOUR_NEO4J_URI>NEO4J_USERNAME= <YOUR_NEO4J_USERNAME>NEO4J_PASSWORD=<YOUR_NEO4J_PASSWORD>数据库设置Neo4j提供了多种部署方式。 数据库连接问题确保Neo4j数据库的URI和凭证设置正确，并检查网络连接。总结和进一步学习资源通过本文，我们了解了如何结合Neo4j和OpenAI的语言模型实现自然语言查询，以及如何处理用户对话记忆。
88300编辑于 2024-09-17
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