- 综合排序
- 最热优先
- 最新优先
- 来自专栏服务端技术杂谈
用文件系统思路设计Agent记忆系统
用户与Agent的多轮对话过程中会出现很多记忆，包括用户原始的意图、诉求、关键词，还包括Agent的推理、规划、工具调用的执行结果及模型最终的响应。 每轮对话背后，都由一个智能体记忆模块会进行会话信息提炼和通用信息整理，不断抽取用户偏好、画像、核心事实、个性化信息等，用于辅助Agent在后续对话中进行推理。 如果哪天底层切换存储组件，Agent层完全不需要感知，切换很灵活。 因为在接口层面做了抽象，所以可以很好的面向功能进行接口涉及，而无需关注这个功能接口究竟是用了一个文件系统还是多个类型的文件系统。 回过头来，我们看一下从用户提出问题，到最终Agent给出回答的整个流程如下。 最终实现类似于操作系统的文件系统能力，让智能体的记忆可追溯（每一步有据可查）、可审计（所有操作都有日志）、可演化（新组件无缝接入），整个Agent的记忆历史都是可以回溯的，而不是黑盒了。
23410编辑于 2026-03-11 Agent 记忆系统的标准方案为何失效剖析
开发者Rohit面试失败后，开始深入研究Agent记忆系统，最终构建出生产级方案。核心洞察：记忆是基础设施，不是功能。 Agent幻觉出错误的综合答案。问题根源：Embedding衡量的是相似性，不是真实性。向量数据库不理解时间、上下文或更新。短期记忆：Checkpointing每个Agent作为状态机运行。 Embedding，调整图谱边权重，归档冷数据推理时检索从上下文窗口约束反向工作：用合成查询广泛搜索搜索结果是候选，不是答案相关性评分×时间衰减=最终排序近期记忆往往击败六个月前的完美匹配结果：只注入5- Agent当操作系统，不是聊天机器人：RAM：当前对话的快速易失上下文硬盘：持久化、索引化的知识存储垃圾回收：定期维护，否则系统崩溃总结记忆系统的关键在于：不是存储，而是组织和衰减。 像操作系统管理内存一样管理记忆，Agent才能长期可靠地工作。
14110编辑于 2026-02-122026年Agent记忆系统方案横评与选型指南
2026年Agent记忆系统方案横评与选型指南AI发展正经历从模型时代向智能体时代再向认知时代的跃迁。 伴随这一进程，Agent记忆系统由辅助模块跃升为核心基础设施，承担“让AI记住过去、理解未来”的使命，支撑跨会话、长周期、多任务的连续智能表现。 技术路线全景与阶段跃迁Agent记忆技术沿时间轴铺展为十余条路线，形成全局视图。 问题1（信息提取）：用户曾在3月5日约定每周五提交进度表，提取该事实与周期。标准答案：约定日期3月5日，周期每周五，事项进度表提交。OpenClaw：提取日期正确，周期误为“每周三”。 OS化记忆中枢：记忆系统成为Agent的操作系统级组件，统一管理多模态、多Agent共享状态。时间图谱深化：引入时间戳与因果边构建事件网络，支撑长周期推理与回溯。
29310编辑于 2026-05-07Hermes Agent 三大核心能力详解：记忆系统、技能引擎与消息网关
但如果要选出最能体现其差异化价值的三个能力，一定是：记忆系统——这是"越用越聪明"的基础技能引擎——这是"自我进化"的实现消息网关——这是"随时可达"的保障核心能力一：三层记忆架构第一层：短期工作记忆（ 生命周期：永久保存存储方式：SQLite+FTS5全文检索作用：跨会话记住你的项目、偏好、习惯实际例子：展开代码语言：TXTAI代码解释你（第1天）："我的项目用的是Next.js14+TypeScript 生命周期：永久保存+持续迭代触发条件：复杂任务（5+次工具调用）完成后自动创建作用：将成功的工作流程封装为可复用技能记忆安全所有记忆条目在写入前都会经过安全扫描：检测Prompt注入模式识别敏感数据泄露风险过滤潜在的恶意指令核心能力二 :["部署Next.js","上线前端项目"]---##执行步骤1.检查Node.js版本（需要18+）2.Clone项目仓库3.安装依赖`npminstall`4.构建项目`npmrunbuild`5.
1.1K20编辑于 2026-04-15- 来自专栏技术杂记
Zabbix Agent 安装5
这个脚本是用来进行端口发现的，作为基础服务提供给其它监控条目使用 Note: zabbix用户要有这个脚本的执行权限，因为实际信息收集过程中，是以zabbix这个用户的身份进行的 [root@zbx-
85210编辑于 2022-03-21 - 来自专栏DeepHub IMBA
instinct：一个基于置信度的 AI Agent 自学习记忆系统
人去观察模式、记录下来、维护文件，Agent 只负责执行。 其实记忆应当是 Agent 在反复实践中习得的，而非人工分配的。 核心思想：基于置信度的学习 多数 AI Agent 记忆系统采用显式建模，即人写规则、Agent 遵照执行。 Confidence 1-4: raw (observed, not actionable) Confidence 5-9: mature (ready to suggest) conf=6 [mature] — Check for __init__.py in new packages combo:pytest+coverage conf=5 到第五次会话，Agent 对工作流的熟悉程度已经超过一个新加入的团队成员。
15310编辑于 2026-04-15 AI记忆系统对比
一个好的记忆系统，本质上就是一个“抠门且高效的管家”，它能帮你把原本需要几万甚至几十万Token才能说清楚的事情，压缩到几百字。这不仅关乎钱包的厚度，更直接决定了应用的响应速度和用户体验。 以下是为您更新后的终极选型对比表，特别增加了【费用降低效果】列：记忆系统开发团队情况核心范式与特色主打场景/杀手锏费用降低效果(Token/CostSavings)上手难度与集成方式潜在槽点MemoriMemoriLabs SQL原生+全链路归因Agent原生记忆层，将交互自动转结构化持久状态。打造极致的多智能体协同，需要精确追踪“谁在什么时候做了什么”。 解决长尾上下文遗忘难题，需要Agent具备“举一反三”的学习力。高(智能压缩降耗)通过反射机制过滤无效信息，极大减少上下文窗口膨胀带来的边际成本。 端侧设备、极度追求隐私保护、零成本的微型Agent。极高(零额外推理费)纯数学运算，无任何外部LLM依赖，完全杜绝了Embedding和推理的API调用费。
19010编辑于 2026-04-29- 来自专栏Elastic Stack专栏
用 Elasticsearch 给 AI Agent 装一颗大脑：从零构建跨会话记忆系统
这篇文章记录了我如何用 Elasticsearch 的原生能力，给 Agent 装上一套真正能用的长期记忆系统。 Elastic 近期推出的 Agent Builder 和 Workflows 这两个功能，让你不用写一行应用代码，就能把上面所有能力串成一个完整的记忆系统。 "semantic": { "type": "semantic_text", "inference_id": ".jina-embeddings-v5- 对话结束前，发现新信息："用户在做 CLI 工具开发" 5. 写在最后我一直觉得，AI Agent 领域最被低估的问题不是"推理能力"，而是"上下文工程"。模型越来越聪明，但如果你喂给它的上下文是垃圾，输出就是垃圾。记忆系统就是上下文工程的核心基础设施。
12611编辑于 2026-04-30 - 来自专栏Vegout
Nanobot 记忆系统深度解析
Tier 3 记忆的唤醒机制 5. 什么样的记忆会进入长期记忆 6. 总结 核心问题：记忆膨胀如何解决 问题背景 随着使用时间越长，nanobot 积累的记忆会越来越多。 长期记忆是用户的第二大脑，不是日志" ❌ 不会自动把所有对话都塞进去 ❌ 没有复杂的自动摘要算法 ✅ 依赖 LLM 的推理能力判断"什么值得记住" ✅ 保持简洁，只存真正重要的信息 总结 nanobot 的记忆系统通过分层设计解决了记忆膨胀问题
46910编辑于 2026-03-13 - 来自专栏服务端技术杂谈
智能体记忆系统
比如你是一个素食主义者，但因为智能体记忆缺陷，Agent给你推荐了烤肉，这会降低你对Agent的信任感。 更长的上下文会显著增加大模型的推理延迟，带来高昂的Token成本。 为了解决这一问题，业界开源了Mem0长期记忆系统。 它通过动态的提取、整合、检索对话中的关键信息，赋予了智能体长期记忆的能力。 底座是包含向量数据库和知识图谱架构设计。 这样memory记住的不是原始的对话，而是结构化的事实，让Agent更好掌握对话实质内容。 这些结构化信息将作为后续存储和检索的基础。 向量存储，解决的是语义理解。 最有效的记忆系统会将语义相似性搜索和关系遍历相结合的混合搜索。 当用户问：“其他具有相似风险偏好的客户提出过哪些投资担忧？”
36011编辑于 2026-03-11 5种大模型Agent模式
大模型中的5种AI Agent模式在大模型中，AI Agent（人工智能代理）模式是一种重要的应用方式，可以从以下几个方面来理解：1. 定义与概念AI Agent 是一个自主运行的智能体，它能够感知环境、做出决策并采取行动以实现特定目标。 执行与反馈：AI Agent 按照规划的步骤执行操作，并将结果反馈给用户。如果任务未完成或出现问题，它会根据反馈调整策略，重新尝试或寻求帮助。 下面介绍5种常见的AI Agent模式：1. 5. 多智能体模式（Multi-agent Pattern）正在上传图片...核心架构： 角色分工： 项目经理代理（PM agent）：协调任务分配（Delegation）。 技术负责人（Tech lead agent）、开发运维（DevOps agent）、工程师（SDE agent）：各司其职，协作完成任务。
4.3K10编辑于 2025-05-07- 来自专栏机器之心
400篇参考文献重磅综述，统一调查「人脑×Agent」记忆系统
记忆系统奠定理论基石。 因此，记忆超越了其作为桥接历史交互的被动存储库的角色，而是充当 Agent 认知架构中的关键主动组件。因此，给 Agent 装上记忆系统，并非只是为了记住，而是为了实现三大核心作用： 图 1. 2.Agent 中的记忆存储 不同于人脑浑然天成的神经网络，Agent 的记忆系统是显式的工程构建。 2.Agent 记忆管理：记忆管理的精密闭环 与在受限窗口内执行瞬态处理的标准大语言模型不同，Agent 通过显式管理机制实现体验的持久调节。 图 5. Agent 中记忆管理的概述。 Agent 记忆系统评测 综述将现有的 Benchmark 分为了两类： 面向语义（Semantic-oriented）：重点关注 Agent 如何构建、维护和利用其内部记忆中的信息状态。
40010编辑于 2026-01-12 Hermes Agent 持久记忆系统彻底解决上下文丢失
三层记忆架构第一层：短期工作记忆当前对话的即时上下文生命周期：单次会话作用：维持对话连贯性（和传统AI一样）第二层：长期情景记忆跨会话的事实、偏好和经历生命周期：永久保存检索方式：FTS5全文检索作用： （不仅记得技术栈，还记得历史操作记录）记忆系统的技术细节写入机制记忆不是简单的"保存聊天记录"。 /project-docs/开始体验要充分体验记忆系统的价值，建议持续使用至少一周。在云端部署可以确保Agent持续运行，记忆不断积累。 Q3：如何防止Agent记住不该记住的信息？A：可以在对话中明确告诉Agent"不要记住这个"，也可以在config中配置记忆过滤规则。
66710编辑于 2026-04-16- 来自专栏运维经验分享
Zabbix agent on Zabbix server is unreachable for 5 minutes
Zabbix agent on Zabbix server is unreachable for 5 minutes 环境描述： 环境介绍：CentOS6.5 zabbix3.2.6（ 问题详情： 邮件提示Zabbix agent on Zabbix.server is unreachable for 5 minutes 192.168.1.37": host [zabbix.server] not found 2751:20170622:171108.502 enabling Zabbix agent
2.5K20发布于 2019-08-27 - 来自专栏运维经验分享
Zabbix agent on Zabbix server is unreachable for 5 minutes
Zabbix agent on Zabbix server is unreachable for 5 minutes 主机运行时,会报这个错,所以要先按安装Zabbix agent, Zabbix-server 在监控的过程中，发现Web上报错提示zabbix server与agent之间已经失联超过5分钟了，为了找到问题出现的根本原因，在troubleshouting的时候，应该首先去查看服务对应的日志。 :092458.636 agent #2 started [listener #2] 23914:20170310:092458.636 agent #0 started [collector] :103011.663 agent #3 started [listener #3] 26170:20170310:103011.663 agent #2 started [listener #2 tmp]# /etc/init.d/zabbix-agentd restart Shutting down Zabbix agent: [ OK ] Starting Zabbix agent
3.2K30发布于 2019-08-27 - 来自专栏AI SPPECH
MCP 与长期记忆系统结合
通过分析长期记忆在 Agent 系统中的核心作用，详细阐述 MCP 与向量数据库、知识图谱等记忆系统的集成机制。 ）的一个重要设计目标就是支持与长期记忆系统的深度集成，通过标准化的接口和协议，让 Agent 能够高效地存储、检索和利用长期记忆。 1.3 行业动态与技术趋势 当前，长期记忆系统已成为 AI Agent 领域的研究热点。 检索记忆 retrieved_memories = retriever.retrieve( query="北京天气", context=current_context, limit=5, 冬季寒冷干燥 相似度: 0.7890 相关性评分: 0.8234 记忆 4: 北京今天的空气质量指数：优，PM2.5 浓度 20μg/m³ 相似度: 0.7567 相关性评分: 0.7890 记忆 5:
38210编辑于 2026-01-08 - 来自专栏linux commands
Zabbix agent on Zabbix server is unreachable for 5 minutes
笔者在维护zabbix服务时，遇到以下报警 Zabbix agent on Zabbix server is unreachable for 5 minutes 在互联网查询了相关资料后，更改配置文件中 root@localhost ~]# vim /etc/zabbix/zabbix_agentd.conf …… ServerActive=%zabbix_serve_ip% …… 重启zabbix-agent [root@localhost ~]# /etc/init.d/zabbix-agentd restart Shutting down Zabbix agent: [ OK ] Starting Zabbix agent: [ OK ] 问题得以解决.
1.2K20发布于 2021-08-12 - 来自专栏设计模式
Google 官方：5 种 Agent Skill 设计模式
5.流水线（Pipeline）：通过检查点强制执行严格的多步骤工作流程 模式 1：工具包装（Tool Wrappe） 工具封装器可为你的智能体提供特定库的按需上下文。 以下是一个工具包装器的示例，它教会Agent如何编写 FastAPI 代码。 请注意，指令明确地告诉Agent，只有在开始审查或编写代码时才加载 . Step 5: Return the completed report as a single Markdown document. - Q5: "Do you have any technology stack requirements or preferences?" 5. Iterate on feedback until the user confirms 模式 5：流水线（Pipeline） 对于复杂任务，容不得跳过任何步骤或忽略任何指令。
67121编辑于 2026-04-10 - 来自专栏QGS星球
zabbix5—agent2监控PostgreSQL
data/pg_hba.conf #添加如下内容 表示所有地址都可以访问 host all all 0.0.0.0/0 md5 yum -y install zabbix-agent2 提示后输入y回车即可 ls -l /etc/zabbix/zabbix_agent2.conf 开机启动 zabbix-agent2 systemctl enable --now zabbix-agent2 yum -y install net-tools 查看端口 netstat -tnlp|grep zabbix 查看验证zabbix-agent2 /zabbix_agent2.conf :wq 退出保存 检查并查看修改了什么 grep -Ev '^#|^$' /etc/zabbix/zabbix_agent2.conf 改完一定都要~重启zabbix_agent2 Zabbix server可以单独监视远程服务器的服务状态；同时也可以与Zabbix agent配合，可以轮询Zabbix agent主动接收监视数据（agent方式），同时还可被动接收Zabbix agent
1.7K10编辑于 2023-12-30 Agent开发入门教程
Agent 编排层：Agent Manager、LangGraph 编排、Agent Factory、FC（Function Calling） 3. 领域能力层：MCP Server、领域 Sub Agent、高阶 Sub Agent 5. 知识与记忆：知识来源、记忆系统（长期/短期） 6. 再接 MCP Agent（复杂交互） 路径：`Top Agent -> 包装工具 -> Sub Agent(LangGraph) -> MCP Server -> 后端服务` 适合：多轮工具调用、 三、技术栈清单（按层） 前端 Vue `3.x / 2.x` TypeScript `5.x` Vite `5.x` / Webpack `5.x` Tailwind CSS `3.x` shadcn/ 复杂任务：优先 `MCP + Sub Agent + LangGraph`，可扩展多工具编排。 知识问答：优先 `RAG`，配合向量库与记忆系统。
20710编辑于 2026-04-15
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