- 综合排序
- 最热优先
- 最新优先
- 来自专栏DeepHub IMBA
理解 Agent 记忆：从无状态模型到持久化记忆架构
这事因为模型本身就是一个巨型函数：输入进去，token 出来，模型权重中没有任何持久化存储能在会话之间保留对话历史。 简单聊天机器人不在乎这一点。让它写一封求职信，写完就结束不需要连续性。 计算机不会把所有数据都放在 RAM 里，它采用层次结构：快速、小容量的即时内存处理当前工作，较慢、大容量的持久化存储放置其余数据，由系统决定加载什么、保留什么、释放什么。 第三层是语义记忆。用户的名字、偏好、角色、所在公司的技术栈，这类事实性知识不绑定于任何特定对话，是 agent 学到并持久存储的独立事实，最接近用户画像或知识库的概念。 四种记忆类型映射到技术栈的不同组件上。工作记忆对应上下文窗口；情景记忆和语义记忆对应外部数据库（向量存储、关系型数据库、键值存储）；程序记忆对应模型权重和系统提示词。 越来越多的前沿模型提供商也开始将持久化能力直接内置于 API 中，让对话历史在会话间原生延续。
61110编辑于 2026-03-31 Spring AI 1.1.x版本对话记忆持久化讲解与使用
MessageChatMemoryAdvisor进行调用的3 MessageWindowChatMemory概述在实际开发中对话记忆持久化中所用的ChatMemory对象是其实现类MessageWindowChatMemory PgSqlRepository) .maxMessages(5) .build();三、ChatMemoryRepository1 概念ChatMemoryRepository 是 对话记忆持久化接口 不过到2026.3.8为止官方提供JDBC实现对话记忆持久化依赖已经完善，并且能够在Maven中央仓库中找到，对于中小型AI应用完全可以应用使用官方依赖，如果系统存在多租户、长对话裁剪、对话摘要等复杂需求则可以自定义实现四 、对话记忆持久化应用实例1.概述将对话记录持久化存储以及将搜索出来的对话记录应用到大模型对话的上下文核心是通过SpringAI的Advisor顾问的机制实现的，这里主要用到的Advisor组件是MessageChatMemoryAdvisor 使用流程这里的对话记忆持久化实现采用官方提供的spring-ai-starter-model-chat-memory-repository-jdbc来实现创建对话记忆的配置类，将ChatMemoryRepository
40610编辑于 2026-03-09- 来自专栏小十-云原生
CKAD考试实操指南（八）---永恒记忆：状态持久性实践技巧
状态持久性 在这份CKAD考试实操指南中，我将为你详细介绍如何利用CKAD-exercises项目和知十平台进行CKAD考试的准备和复习。 持久卷（Persistent Volume） ：如果需要在容器之间共享持久性数据，可以使用持久卷。持久卷是持久性存储的抽象，可以附加到Pod并在容器之间共享。 ：PVC允许应用程序声明其需要的持久性存储资源。 Pod中的挂载：Pod可以引用PVC来挂载PV中的持久性存储。这允许Pod在重新部署或迁移时保留其数据。 PVC可以与各种存储后端（如NFS、AWS EBS、Azure Disk等）关联，以提供持久性存储。
83820编辑于 2023-10-13 - 来自专栏Prompt Engineering
你的大脑正在发生“数据泄露”：用AI重构记忆的持久化层
它负责把非结构化的生涩知识，编译成大脑最容易解析的编码格式，并自动生成持久化调度的Crontab。为什么你的记忆在“内存溢出”？ 你精通艾宾浩斯遗忘曲线、记忆宫殿法、联想记忆法、间隔重复等多种科学记忆方法，擅长根据不同学习内容和个人特点，设计最适合的记忆策略。 **输入信息**:-**学习内容**:[需要记忆的具体内容，如单词、公式、概念、历史事件等]-**内容数量**:[需要记忆的条目数量]-**记忆目标**:[记忆的目的，如考试、演讲、日常应用等]-**时间限制 :推荐最适合的记忆方法及原因-**记忆方案**:具体的记忆技巧和步骤-**复习计划**:基于艾宾浩斯遗忘曲线的复习安排-**记忆测试**:自测方法和检验标准##2.质量标准-**科学性**:基于认知科学和记忆心理学原理 知识不应该只是在你的缓存里短暂停留，它需要被持久化到你的硬盘里。现在，复制这条指令，去重构你的大脑索引库。你会发现，原来过目不忘，真的只是一次成功的“参数配置”而已。
21710编辑于 2026-01-22 - 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。
69760编辑于 2022-09-17 - 来自专栏腾讯云存储
“小龙虾”不遗忘：COS Vectors + mem0 为 OpenClaw 构建持久化记忆层
一、技术方案解读 mem0：为 AI Agent 打造的持久记忆层 mem0 是一个面向 AI Agent 而设计的持久记忆层，能够为 AI 应用提供智能化的记忆管理能力。 同时，openclaw-mem0 支持长期记忆和短期记忆的双层架构，既能保存跨会话的持久知识，也能跟踪当前任务的临时信息，实现记忆的精准管理。 完成以上准备工作后，让我们正式开始为 OpenClaw 搭建智能持久化记忆层！ 由此，通过简单的安装流程，你就实现了为 OpenClaw 接入一个智能持久化记忆层！ 三、记忆效果 效果演示 让我们来感受一下这样一个外置持久记忆的效果。 mem0 + COS Vectors 代表了本文提出的持久化记忆方案。
75911编辑于 2026-03-27 - 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。
70310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。 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。 积累知识：将解决问题的方案、学到的概念持久化，避免重复劳动，实现能力增长。跨越会话障碍：确保智能体在与用户的关系中保持连续性和一致性，建立“长期关系”。 ）理论上可无限扩展（取决于存储硬件）持久性临时易失（会话/任务结束时重置）永久持久（除非主动删除）访问方式全局、直接（所有信息均在当前上下文中）选择性、按需检索（基于相似性搜索）主要内容原始对话历史、工具原始输出 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。
2.1K11编辑于 2025-09-25 - 来自专栏EffectiveCoding
Redis 持久化之AOF持久化&混合持久化
上一篇提到了Redis的RDB持久化方式，同时也提到了一点关于AOF的内容。 RDB（snapshotting） 是一种内存快照的方式进行持久化，AOF（append-only-file）是通过追加写入命令的方式进行持久化，混合持久化是指RDB和AOF协同完成持久化工作来发挥各自有点的持久化方式 协议格式来保存命令内容的，有兴趣可以看一下： https://redis.io/topics/protocol 很显然，如果命令操作量非常大的时候，与RDB不同，AOF因为是追加命令，所以很大概率上AOF持久化文件会越来越大 混合持久化： 混合持久化是Redis 4.X之后的一个新特性，说是新特性其实更像是一种RDB&AOF的结合，持久化文件变成了RDB + AOF，首先由RDB定期完成内存快照的备份，然后再由AOF完成两次 在大多数场景下RDB + AOF的混合持久化模式其实还是很合适的。
1.9K20发布于 2019-07-31 - 来自专栏#热点技术openclaw
OpenClaw 持久化记忆原理深度拆解：本地存储与向量数据库的局限与最优解
OpenClaw的持久化记忆是什么原理？本地存储和向量数据库方案各有什么局限？ 一、OpenClaw的记忆设计哲学OpenClaw的记忆系统是本地Markdown文件，这是一个刻意的设计选择，而不是偷懒。 限制类型具体表现影响程度容量限制上下文窗口装不下所有记忆高-直接导致记忆丢失检索效率需要全文扫描找相关信息中-消耗tokens，降低质量并发安全多Agent写入可能导致数据损坏低-单Agent场景不明显三 突破上下文限制：不再需要把所有记忆塞进提示词语义匹配：理解"那个咖啡项目"指的是"星巴克合作项目"海量存储：理论上可以支持无限量的记忆存储但向量数据库解决不了什么？ Chunking策略很难做对记忆切成多大的块？按句子切还是按段落切？
3.2K41编辑于 2026-03-11 - 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
而具备记忆能力的智能体，能够记录和回忆过去的经验，从而在多轮对话、任务规划和长期交互中表现出更高的连贯性和智能性。智能体的记忆系统主要包括短期记忆、长期记忆和知识图谱三个层次。 记忆系统分类与实现智能体的记忆系统可以根据其功能和实现方式，分为以下几类：1. 短期记忆（STM）短期记忆用于存储当前会话或任务的上下文信息，通常具有较短的生命周期。 长期记忆（LTM）长期记忆用于保存长期积累的知识和经验，生命周期较长。其实现方式包括：数据库存储：使用关系型或非关系型数据库存储知识信息。文件系统：将知识信息以文件的形式存储，支持持久化和版本控制。 results['metadatas'][0], results['distances'][0] )] def persist(self): """持久化存储 联邦记忆学习：在保护隐私的前提下，多个智能体之间可以共享和学习彼此的记忆，构建分布式的集体智能记忆网络。
1.7K00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。
43810编辑于 2024-01-04 - 来自专栏翩翩白衣少年
超 3 万人收藏的零成本、省 Token 的 Claude Code 持久化记忆插件！
01 项目简介 Claude-Mem 是专门为 Claude Code 打造的一款持久化记忆插件。简单说，它就是给AI装了个"硬盘"，让它能记住跨会话的上下文。 • PostToolUse：工具执行后，捕获Read/Write/Edit等操作 • Stop：任务暂停时，保存中间状态 • SessionEnd：会话结束时，生成摘要并压缩 02 核心特性 • 持久化内存 它采用分层记忆检索策略，模拟人类的记忆模式： 第一层：Search（索引查询） • 获取紧凑的记忆索引 • 只包含标题、类型、时间戳 • Token 消耗：50–100 / 结果 • 快速浏览，找到感兴趣的内容 • 查看完整的观察记录详情 • 管理和配置设置 • 切换稳定版和测试版 就是给 Claude 的记忆加了一个可视化界面，你可以随时查看它"记住"了什么。 OpenClaw 网关 使用一条命令即可在 OpenClaw 网关上将 claude-mem 安装为持久内存插件： curl -fsSL https://install.cmem.ai/openclaw.sh
1.4K10编辑于 2026-03-16 - 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. 我们的思想拥有持久性。LSTM就是具备了这一特性。 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。
2K10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
记忆架构的结合，构建高效的多模态记忆系统。 技术实现 5.1 短期记忆实现 5.2 长期记忆实现 5.3 结构化记忆实现 5.4 Graph记忆实现 5.5 多模态融合实现 5.6 完整系统实现 6. 本节为你提供的核心技术价值 掌握Multimodal Memory系统设计，通过短期记忆、长期记忆、结构化和Graph记忆架构的结合，构建高效的多模态记忆系统，提升AI系统的知识管理和推理能力，解决传统记忆系统的局限性 核心技术架构 4.1 系统架构 4.2 核心组件 组件 功能 作用 数据预处理 处理多模态输入数据 标准化和特征提取 短期记忆 存储近期和临时信息 快速访问和处理 长期记忆 存储长期和重要信息 持久化存储和检索 结构化记忆 结构化组织知识 提高知识的可访问性 Graph记忆 基于图结构存储知识 捕捉知识间的关系 记忆管理 管理不同记忆组件 协调记忆的存储和检索 记忆检索 从不同记忆组件中检索信息 快速找到相关信息
23010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
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。 长期记忆则是通过持久化存储，如向量数据库实现的，可以跨对话。 如果文章对你有帮助，可以给我三连击：点赞、喜欢，并转发给身边需要的朋友。 希望本文分享的技巧对你有帮助，我们下次再见。
84510编辑于 2026-03-04 - 来自专栏AI大模型
Spring AI 实战：聊天记忆之DB存储，长期记忆
通过为 Agent 赋予记忆能力，使其能够存储用户偏好、自动复用历史交互信息，从而让行程规划更具个性化与高效性。本文将在此基础上，进一步介绍聊天记忆如何持久化存储至数据库，满足实际部署需求。 在实际使用过程中，必须对记忆能力进行扩展并实现持久化存储，以保证数据可靠性与系统稳定性。 二、记忆策略设计 在完成持久化改造的基础上，还需配套建立记忆数据的管理、更新与失效机制： 为用户记忆配置 TTL 过期策略（如 7 天有效期），自动清理冗余数据； 通过提示词工程，让 Agent 仅保留核心偏好 3.3 核心开发：MySQL 持久化与多记忆类型适配 1. 四、测试结果分析 持久化稳定：重启服务后记忆不丢失，MySQL 存储满足生产级可靠性要求； 多模型兼容：支持 Message/Prompt 两种记忆类型，适配不同大模型架构； 多用户隔离：通过userId
26910编辑于 2026-03-31 - 来自专栏EffectiveCoding
Redis 持久化之RDB持久化
Redis 相对于其他NoSQL 内存数据库而言，除了更富的数据结构和速度快之外，Redis 的丰富的持久化方案也就一个很显著的优势，Redis 支持RDB、AOF、混合持久化三种模式。 RDB（snapshotting） 是一种内存快照的方式进行持久化，AOF（append-only-file）是通过追加写入命令的方式进行持久化，混合持久化是指RDB和AOF协同完成持久化工作来发挥各自有点的持久化方式 ，并且RDB持久化出来的RDB快照很有可能存在版本兼容问题（不能适用于其他版本的Redis 集群）。 RDB 持久化有自动触发、手动触发两种方式。 自动触发 具体可以看一下redis.conf 中的配置项及对应注释来了解这一部分内容，翻一下注释就很明了了： 当达到如下条件的时候就出发自动持久化，这种持久化在后台进行的bgsave 先看一下save选项
83720发布于 2019-07-31 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"。 "↓Hermes回复时自动带入这些上下文安全机制所有记忆存储在本地SQLite数据库写入前自动进行安全扫描（防注入）支持手动查看、编辑和删除记忆如何查看和管理记忆？ 展开代码语言：BashAI代码解释#查看所有记忆hermesmemorylist#搜索特定记忆hermesmemorysearch"Next.js项目"#手动添加记忆hermesmemoryadd"我的项目部署在 立即前往腾讯云官网选购HermesAgent专属云服务器FAQ：Q1：记忆数据会占多大空间？A：文本记忆非常轻量，使用一年通常也在几百MB以内。Q2：记忆可以导出和迁移吗？A：可以。
37910编辑于 2026-04-16- 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。
66221编辑于 2025-01-18
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