- 综合排序
- 最热优先
- 最新优先
- 来自专栏意图共鸣科技
意图共鸣科技：AI双轨制，就是AI记忆链的房电分离
你有没有想过一个问题：为什么充了AI会员，还会被限速？答案很简单。订阅制把两笔账混在一起算了。 一笔是“存”的账。你的对话记忆、偏好设置、项目资料，这些东西需要长期保存。 AI每次回复你，都在消耗算力。用得多，成本就高；用得少，成本就低——就像你用电，用多少交多少。订阅制把房租和电费打包成一个价。收入固定，成本浮动，这个账从一开始就算不平。 按月租一个专属的云端记忆空间。你的对话历史、项目资料、偏好设置都在里面，换设备、清缓存都不丢。这笔钱是固定的，因为你占用的存储空间是固定的。算力轨——交电费。AI每次回复消耗的算力，按实际用量付钱。 AI行业也必须回到这个常识。双轨制不是调价，是把AI的账从根本上算平。记忆链对标的是关系链。双轨制对标的是房电分离。一个解决记忆归谁，一个解决账怎么算。 两件事，一根线：让AI从一次性工具，变成可以一直陪伴你的数字伙伴。
6410编辑于 2026-04-22 意图共鸣科技正式提出“AI记忆链”：让AI拥有长记忆、让用户拥有数据主权的新范式
AI记忆链是什么？2026年4月13日，我们发布了《AI记忆链商业化白皮书》，正式提出了“AI记忆链”这个概念。白皮书本身是一份比较正式的行业文档，这篇我想用更直白的方式，把这件事说明白。 AI记忆链用的是一样的思路。数据存在哪、算力从哪来，这些是平台的事。用户只需要感受到一件事：这个AI记得我。五、这跟大模型是什么关系？需要说明一点：AI记忆链不是一个大模型，也不替代任何大模型。 它是一层架构，架在大模型之上，专门负责“记忆”这件事。你用文心、用通义、用DeepSeek，盘古大模型都可以接入这层架构。记忆链不挑模型，只提供长记忆能力。这个定位的好处是中立。 六、总结AI记忆链想做的，不是让AI更聪明，而是让它更懂你。双轨制解决的是“怎么收费才公平”的问题。盲存解决的是“记忆归谁”的问题。解耦解决的是“存和用怎么放”的问题。 三个问题，一个方向：让AI不再是工具，而是记得你、懂你的伙伴。—— 陈金桥，意图共鸣科技创始人，《AI记忆链商业化白皮书》作者
8910编辑于 2026-04-21- 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。 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 智普 AI Starter、Spring AI JDBC 记忆存储、MySQL 驱动、Lombok 2. 总结 本文通过 Spring AI 的聊天记忆功能，为智能行程规划 Agent 新增了记忆能力，解决了 “重复输入偏好” 的痛点。 Spring AI 封装了成熟的记忆组件，开发者无需关注底层存储细节，即可快速实现 Agent 的记忆功能，极大降低了开发门槛。
27210编辑于 2026-03-31 - 来自专栏意图共鸣科技
意图共鸣科技：AI记忆链的云部署式——不买显卡，也能拥有专属AI
用AI的人，大概分两种。一种是随便用用。打开网页或App，问几个问题，用完就走。这叫云调用式，就像去网吧上网，关机之后什么都没留下。另一种是想要自己的AI。数据归自己，记忆连续，越用越懂你。 《AI记忆链商业化白皮书》提出了第三种方式：云部署式。它的对标物是云端产权房。本地部署是乡下自建房。隐私极致，主权归你，但你要自己拉网线、修马桶、防小偷。大多数人不想要这种辛苦，他们只想要安全感。 白皮书指出，大多数人要的从来不是“本地部署”，而是“数据归我、记忆连续、越用越懂我”。云部署式用零门槛、零运维的方式，实现了本地部署的核心价值，却不用买一块显卡、写一行代码。不拥有硬件，但拥有主权。
7110编辑于 2026-04-24 QClaw AI唤醒非遗老记忆
电子科技大学成都学院 开放原子开源社团 yy双标题短标题（适配短视频/小红书/微博）：AI复原阿婆的闽剧，看哭了深度标题（适配长文平台）：00后用AI做非遗实验，让消失的老戏声重获新生开篇钩子奶奶最后唱的闽剧没录下来 00后女生学AI，只为唤醒那些快要被遗忘的非遗老记忆，看完破防了。结构化正文我是小渔，泉州人，在杭州读大学。高三那年奶奶离世，最后一通视频里，她强撑着唱了段《陈三五娘》。 专属代码块当AI遇见老记忆：一位年轻人的"非遗唤醒"实验“阿婆年轻时唱的闽剧，我现在还想听。”那时候我还不懂，为什么奶奶每次提起戏文，眼神就亮了。 价值总结一位女生用AI承载思念、唤醒非遗，让闽剧、提线木偶戏等快要被遗忘的老记忆重焕生机。打破非遗“老掉牙”的偏见，让年轻人看见传统文化的温度，也让更多人关注到非遗传承的困境与希望。 行动号召（CTA）转发这篇推文，让更多人看见非遗的魅力✨ 关注我们，一起见证AI与非遗的碰撞，为传统文化传承出一份力～
7310编辑于 2026-04-23- 来自专栏ATYUN订阅号
DeepMind最新AI程序使记忆内存化
他们本身并没有创造记忆，也没有重建脑海中发生的事情。相反，正如他们所说的那样，他们“提供了一种可以激发神经科学，心理学和行为经济学模型的行为的机械描述”。 ? 例如遇到彩色方块，以后有许多序列，如果模拟可以使用充当记忆的较早探索记录找到通往现实的方式，则将获得奖励。 他们是如何做到这一点的呢？ 为此，研究增加了RL程序检索记忆的能力，这些记忆是过去动作的记录，例如先前遇到彩色方块的记录。他们称其为“重构内存代理”。所谓的RMA利用NMT功能通过梯度下降来存储和检索内存。 他们的结果表明，他们击败了基于“长期-短期记忆”或LSTM网络的典型RL方法。意思是，RMA和TVT的DeepMind组合击败了LTSM，甚至那些利用内存存储的LSTM。 重要的是要记住，这全都是游戏，而不是人类记忆的模型。在游戏中，DeepMind的RL代理运行在违抗物理的系统中，在该系统中，将来获得奖励的事件会向过去发出信号，以改善或“引导”先前采取的行动。
61620发布于 2019-12-09 - 来自专栏程序猿DD
如何让 AI Agent 的记忆更像人类？
目前的 AI "记忆"系统真的在"记忆"吗，还是只是在机械地存储数据？ 今天我想分享一篇文章，带你深入思考 AI 记忆的本质，探讨如何构建真正类似人类记忆的智能体系统。 以下内容翻译自《Towards Human like Memory for AI Agents》。 记忆已经成为 AI 社区最受关注的话题之一。 在这篇博客中，我将分享我认为智能体的记忆层将如何演变得更像人类。 为什么当前的记忆系统会失败？ 如今大多数 AI 应用中的记忆系统都建立在一个简单的想法上：存储每条消息、事件或摘要，需要时检索。 长期记忆 被证明有意义或反复加强的信息被编码到长期记忆中。 它被分类为： • 语义记忆： 事实、概念和关系 • 情节记忆： 个人经历和事件 与向量转储不同，这些记忆形成随时间增长的概念图。 它由五个相互连接的层组成：感觉记忆、短期记忆、长期记忆、记忆管理器和核心记忆。 感觉记忆 每次交互都从这里开始，即感觉层。它负责捕获原始输入并决定什么值得注意。
22210编辑于 2026-02-28 - 来自专栏企鹅号快讯
区块链学堂——浅析区块链6层协议
类似的，区块链基础架构分为6层：包括数据层、网络层、共识层、激励层、合约层、应用层。因为每一层都涉及到较新的技术原理和专业名词解释，本篇只从理解概念的角度出发描绘一下区块链的模型结构构成。 数据层：是区块链模型的最底层，他封装了数据区块的链式结构，以及非对称的公匙私匙加密技术和时间戳技术。 这也是区块链能够解放信用体系最核心的技术之一。 了解清楚了区块链的技术架构，再来看看区块链技术未来发展的三个阶段，关于这三个阶段很多权威人物给出了不同的定义，但也基本达成了三种发展形态的共识： 1、区块链1.0阶段——数字货币（可编程货币） 2、区块链 2.0阶段——智能合同（可编程金融） 3、区块链3.0阶段——高级智能合同（可编程社会） 目前，虽然区块链的发展正处在备受争议的1.0数据货币阶段，但全世界行业的巨头们都已抢先在智能合同（2.0）阶段跃跃欲试
4.6K100发布于 2018-01-26 - 来自专栏AI大模型
Spring AI 实战：聊天记忆之带记忆能力的智能行程规划 Agent 开发
本文作为 Spring AI 系列的 Agent 进阶篇，将基于 Spring AI 的聊天记忆功能，为 Agent 新增记忆能力，使其能存储用户偏好、自动复用历史信息，让行程规划更个性化、更高效。 ChatMemoryRepository：记忆存储接口，负责实际存储聊天记忆，Spring AI 提供内存、JDBC、Redis 等实现，也支持自定义。 （20 条）避免冗余； 易用性：Spring AI 封装了记忆核心逻辑，无需手动管理上下文。 总结 本文通过 Spring AI 的聊天记忆功能，为智能行程规划 Agent 新增了记忆能力，解决了 “重复输入偏好” 的痛点。 Spring AI 封装了成熟的记忆组件，开发者无需关注底层存储细节，即可快速实现 Agent 的记忆功能，极大降低了开发门槛。
36910编辑于 2026-03-09 - 来自专栏AustinDatabases
AI 很聪明，但就怕脑子失忆，记忆对AI很重要
AI系统从讨论已经到了大家都在使用的阶段，而众所周知AI系统的关键问题，或者需要处理好的一个关键问题就是，连续提问的问题，因为AI聪明的，没有记忆。 下面就翻译一篇国外关于AI系统没有记忆的文章。 AI总要的记忆 AI 系统虽然能够生成令人印象深刻的文本、代码和音乐，但它们基本上是“失忆”的。它们一次只处理一个提示，没有长期记忆或个性化学习。 所有领先的 LLM 供应商都在探索如何赋予 AI 记忆，这可能会彻底改变 AI 的影响。 因此，记忆正在成为 AI 缺失的那一块拼图，它可能将今天的“健忘”机器人转变为具有适应能力的伙伴。现在最大的问题是如何为我们的 AI 系统提供这种急需的记忆。 现在，在生成式 AI 时代，数据库正在扮演新的角色，成为 AI 技术栈的记忆层。
82210编辑于 2025-08-24 - 来自专栏量子位
AI模仿人脑记忆模式，游戏成绩大涨29.9%
克雷西 发自 凹非寺 量子位 | 公众号 QbitAI 我们常常被教育的做事“三思而后行”，充分运用积累过的经验，现在这句话对AI也有所启发了。 传统的决策AI模型由于遗忘效应的存在不能有效积累经验，但一项由华人主导的研究改变了AI的记忆方式。 新的记忆方式模仿了人类大脑，有效地提高了AI积累经验的效率，从而将AI打游戏的成绩提高了29.9%。 研究团队由六人组成，分别来自米拉-魁北克AI研究院和微软蒙特利尔研究所，其中有四名是华人。 而人脑采用分布式记忆存储方式，记忆的内容被分散存储在大脑中的多个不同区域。 这种方式有助于有效地管理和组织多种技能，从而减轻遗忘现象。 最后两步——记忆更新和检索是记忆模块的核心，也是整个DT-Mem中最重要的环节。 记忆更新，即对已有信息进行编辑替换，以确保信息能根据任务需要及时更新。
33020编辑于 2023-08-03 - 来自专栏H&M的专栏
cc6链学习
cc6链学习 2021-03-29 18:03:00 cc6的链。 >Java 8u71后cc1不可用的情况下解决方案，相较于cc1，cc6同样是使用了cc1中提到的Transformer链的链式反射达成命令执行，同样的使用到cc1中的get方法来触发transform 分析 先看到TiedMapEntry这个类，在cc6中属于比较关键的一个类，通过这个类可以触发lazymap#get方法，直接看到其hashCode跟getValue方法： 很明显hashCode中调用了 gadget编写 因为tcl看着yso里面的gadget有很多不明白的地方，所以选择跟着p神的链来编写gadget。
58910编辑于 2022-08-10 老周虾扯：AI 记忆机制工程实践
本文聚焦工程落地：从最简单的 Buffer Memory 到生产级的向量记忆、图记忆，一步步带你把 AI 记忆真正跑起来。所有代码均可直接运行。 =prompt) # 测试语义检索 result = chain.predict(input="推荐一些适合我项目的工具") # AI 会检索到"RAG 项目"相关记忆，给出针对性建议 3.3 使用 AI 助手。 ✅ 五、Mem0：专业记忆引擎 5.1 快速上手 pip install mem0ai from mem0 import Memory import os os.environ["OPENAI_API_KEY 构建带记忆的 Prompt system_prompt = f"""你是一个有记忆的 AI 助手。
14410编辑于 2026-03-31- 来自专栏nginx
Spring AI 聊天记忆管理：MessageWindowChatMemory 与 MessageChatMemoryAdvisor 详解
Spring AI 聊天记忆管理：MessageWindowChatMemory 与 MessageChatMemoryAdvisor 详解 引言 在现代对话系统开发中，维护对话上下文是构建智能交互体验的关键 Spring AI 框架提供了强大的聊天记忆管理功能，其中 MessageWindowChatMemory 和 MessageChatMemoryAdvisor 是两个核心组件。 一、Spring AI 聊天记忆核心概念 1.1 ChatMemory 接口 ChatMemory 是 Spring AI 中定义聊天记忆行为的核心接口： public interface ChatMemory public class PriorityMessageChatMemory implements ChatMemory { // 实现优先保留重要消息的逻辑 } 结论 Spring AI 的记忆管理功能通过 通过遵循这些指导原则，你可以避免常见的配置错误，并充分利用 Spring AI 提供的记忆管理功能，为用户创造更加连贯和个性化的对话体验。
95110编辑于 2025-11-15 - 来自专栏DeepHub IMBA
构建智能AI记忆系统：多智能体系统记忆机制的设计与技术实现
这种处理方式在某种程度上与人类记忆的工作机制存在相似性。人类对于时间距离较远的事件往往具有更加压缩和模糊的记忆，细节特征逐渐减少，这与我们的认知记忆处理方式一致。 智能体记忆架构设计 现代智能体系统需要构建更加精细化的记忆体系，这种体系应当反映人类认知科学中的记忆分类理论。根据认知心理学的研究成果，我们可以将智能体记忆系统划分为四个主要类别。 智能体记忆如何在高层次上模仿人类记忆概念 这些不同类型的记忆需求在系统中具有不同的优先级和访问特征，它们根据信息类型、紧急程度、时间特性和重要性等因素而表现出不同的行为模式。 高级记忆技术 除了上述基础实现方案外，还可以开发几种更加复杂的高级技术方法，以进一步提升智能体记忆系统的智能化水平。 该技术保留了记忆变化的完整历史记录，支持回顾性分析，并允许根据需要使用不同的解决策略来"重放"记忆形成过程。这种方式与记忆蒸馏处理过程具有良好的兼容性，能够有效捕获知识的演化过程。
82110编辑于 2025-08-20 龙虾的记忆该怎么选？从人脑逻辑看AI Agent记忆体的进化方向
这只AI“小龙虾”到底怎么玩透？ ，视觉、听觉、触觉等信息会交织形成完整的记忆链。 其中第三个问题，可等待OpenClaw的后续版本升级或自行二次开发解决，而前两个问题，则指向了AIAgent记忆存储的核心本质：记忆从来不是单纯的结果记录，而是包含原文、语义、场景、关联信息的叠加式溯源链 但解决了标量与向量数据的联合存储、多模态管理问题，是否就意味着AIAgent的记忆问题被彻底解决了？答案是否定的。回到我们此前提出的核心观点：记忆是溯源链，同时记忆与记忆之间存在复杂的关联关系。 更重要的是，这种检索方式能直接为AIAgent提供完整的记忆关联链，无需AI再进行额外的思考与拼接，大幅降低了其思考步骤与难度，让AIAgent的记忆提取更接近人脑的自然联想过程。
29810编辑于 2026-03-26- 来自专栏JS/TS
Claude-Mem：给 AI 编程助手装上长期记忆
这个痛点，Claude-Mem给出了解决方案——一个专为ClaudeCode打造的持久化记忆系统，让AI助手真正记住你们的每一次协作。 Claude-Mem通过自动捕获、AI压缩、智能检索三个步骤，实现了：✅**跨会话记忆保持：自动记录所有工具调用和代码操作✅**智能内容压缩：用ClaudeAgentSDK将冗长对话压缩成精炼摘要✅** 按需精准检索：通过自然语言查询历史记忆，大幅节省Token成本技术架构解析核心组件构成展开代码语言：TXTAI代码解释系统架构：├──钩子系统（7个生命周期钩子）├──Worker服务（HTTPAPI+ 压缩核心能力工作原理拆解五大生命周期钩子Claude-Mem采用观察者模式，在不干扰主会话的前提下，通过钩子捕获关键事件：钩子名称触发时机核心作用context-hook会话启动时注入最近记忆作为上下文 写在最后Claude-Mem不仅是一个工具，更是AI辅助编程的范式探索：如何让AI从"一次性对话"进化为"长期协作伙伴"。
1.5K10编辑于 2026-01-26 - 来自专栏软件深度评测
双链笔记 RemNote 综合评测：快速输入、PDF 阅读、间隔重复记忆
Remnote介绍一款内置了阅读系统、记忆系统的双链大纲编辑器。优点强大的快速记录。RemNote 具有包括 Daily Notes、Quick Add、Portal 在内的多种快速记录方式。 RemNote 可能是在双链笔记等工具中最早支持 PDF 的笔记软件。内置间隔重复算法：辅助你对笔记内容进行高效复习。RemNote 可能是在双链笔记等工具中最早支持间隔重复功能的笔记软件。 官方论坛RemNote 资源页 插件、主题、学习资料、教程分享RemNote Help DatabaseRemNote 中文讨论小组知乎 Remnote 话题RemNote 官方教程·中文翻译目前，大多数双链笔记的协作功能相对于专门的在线协作文档工具差一些 因此，我一般采用 双链笔记 + 在线协作文档工具 的使用组合策略。以我为例，我正在使用 Notion 类的 FlowUs. Notion 很多笔记用户都有了解。
1.8K30编辑于 2022-07-03 - 来自专栏Nicky's blog
Spring AI系列之对话记忆与工具调用指南
Spring AI 对话记忆与工具调用完全指南 让大语言模型拥有"记忆力"，并学会使用工具 文章目录 Spring AI 对话记忆与工具调用完全指南 @[toc] 一、为什么需要对话记忆 1.1 大模型的"失忆症" 二、Spring AI 记忆架构 三、环境与依赖 3.1 版本约束 3.2 Maven 依赖 3.3 配置文件 application.yml 四、基础实现：内存记忆 4.1 就像金鱼只有7秒记忆，模型不会记住你上一秒说了什么。 场景对比： 无记忆对话 有记忆对话 用户：我叫张三AI：你好张三！用户：我叫什么？AI：抱歉，我不知道你的名字。 用户：我叫张三AI：你好张三！ 二、Spring AI 记忆架构 Spring AI 通过 Advisor 机制 实现记忆功能，核心组件： ┌─────────────────────────────────────────┐ │ generateGuest() { return PREFIX + SEP + "guest" + SEP + UUID.randomUUID(); } } 示例结果： chat0001:b9d6f25fd0c448a8
19510编辑于 2026-04-02 AI prompt agent 记忆召回机制。有什么用？
“AI Prompt Agent 记忆召回机制”是一种在 AI 系统中模拟“记忆”的机制，目的是让 AI 能够根据上下文或用户历史行为“想起”相关信息，从而做出更连贯、个性化、更智能的响应。 记忆召回（Memory Retrieval）= 从存储的信息中找出与当前对话相关的内容它是大型语言模型中的一种**“长期记忆”系统**，和“短期对话上下文”配合使用，目的是让 AI： 不仅记住你刚才说的话 AI：你可以考虑猫、狗、鱼... 有记忆召回的 AI： 用户：我喜欢猫。 （下一次对话） 用户：你觉得我适合养什么宠物？ AI：你之前说过喜欢猫，我觉得猫还是很适合你的！ 系统/产品使用方式ChatGPT Memory 功能记住你的名字、偏好、写作风格等个性化细节AutoGPT / LangChain Agent基于任务历史和记忆链回溯思考Claude / Gemini AI能引用以往文档或会话中的内容 总结一下： 记忆召回机制 = 让 AI 更像“你熟悉的老朋友”，而不是“只记得刚才话题的临时助手”。
53610编辑于 2025-07-16
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