- 综合排序
- 最热优先
- 最新优先
- 来自专栏openclaw系列
OpenClaw记忆系统基石 —— memory-search.ts 中的 RAG 配置解析与合并逻辑
关键词：RAG｜配置合并｜向量检索｜全文搜索｜路径解析｜数值校验 在 AI 智能体系统中，“记忆”是实现上下文延续性与知识个性化的关键能力。 OpenClaw 的记忆系统不仅支持长期会话回溯，还能接入企业知识库、个人笔记甚至实时文件，形成一个动态、可扩展的混合检索引擎。 本文将揭示其如何通过四层配置合并、路径占位符解析与安全数值校验，为每个智能体构建专属的记忆策略。 五、运行时决策：何时启用记忆？ 结语：配置即策略，记忆即能力 memory-search.ts 的设计哲学是：让记忆策略可声明、可组合、可安全运行。
8.2K21编辑于 2026-03-14 - 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。
69560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。
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。 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。
2.1K11编辑于 2025-09-25 - 来自专栏YoungGy
ML基石_LinearModelsForClassfication
本文介绍了用于分类的线性模型的基本回顾，包括线性回归、逻辑回归、支持向量机、朴素贝叶斯、K近邻、决策树、随机森林、梯度提升树、神经网络等。作者通过对比各个方法的优缺点，提出了改进的随机梯度下降法、概率线性模型、OVO、OVA、Logistic回归、二分类、多分类等方案。
67770发布于 2018-01-02 - 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
智能体的记忆系统：短期记忆、长期记忆与知识图谱 嗨，我是IRpickstars！ 总有一行代码，能点亮万千星辰。 在技术的宇宙中，我愿做永不停歇的探索者。✨ 用代码丈量世界，用算法解码未来。 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。 自适应记忆管理：系统将能够根据使用频率、重要性等因素自动调整记忆的存储策略，实现更加智能的记忆生命周期管理。 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。
43610编辑于 2024-01-04 - 来自专栏鸿鹄实验室
内网基石----ADCS搭建
AD CS证书服务（SSL证书）：可以部署企业根或独立根建立SSL加密通道，这是所有服务器证书，无论品牌、申请方式都可以起到的功能，唯一的价值区别在于加密强度，目前，达到128位对称加密强度的服务器证书均可以实现有保障的加密通道。
2.5K20发布于 2021-07-29 - 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。
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 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 、长期记忆、结构化记忆和Graph记忆，构建完整的Multimodal Memory系统。
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
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。
84210编辑于 2026-03-04 - 来自专栏木鸟杂记
Spark 理论基石 —— RDD
RDD，学名可伸缩的分布式数据集（Resilient Distributed Dataset）。是一种对数据集形态的抽象，基于此抽象，使用者可以在集群中执行一系列计算，而不用将中间结果落盘。而这正是之前 MR 抽象的一个重要痛点，每一个步骤都需要落盘，使得不必要的开销很高。
1.2K20发布于 2021-09-26 - 来自专栏SDNLAB
NFV崛起的基石
网络功能虚拟化（NFV）已经成为一个革命性的运营和服务构建模式，并且已经成长为蓬勃发展的市场。通信基础设施的虚拟化已经发生了重大转变，据分析机构调查显示，到2021年NFV和软件定义网络（SDN）的市
1.1K40发布于 2018-03-29 - 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。 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 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 ：封装带记忆的行程规划逻辑，支持记忆类型动态切换 step 5：提供接口：设计标准化 HTTP 接口，支持规划、清除、查询功能。 未查询到记忆时，按当前需求正常规划，不提示记忆相关信息。
26710编辑于 2026-03-31 - 来自专栏vivo互联网技术
Webpack 基石 tapable 揭秘
接下来我们看看tapable在Webpack中的应用，看一看为什么tapable能够称为Webpack基石。 tapable是Webpack基石，它支撑了Webpack庞大的插件系统，又保证了这些插件的有序运行。 如果你也正在做一个复杂的流程系统（任务系统），可以考虑用tapable来管理你的流程。
1.1K40发布于 2021-03-10 代码结构：协作基石
在软件开发的世界里，代码结构就如同建筑的框架，支撑着整个项目的运行。想象一下，你加入了一个新的开发团队，接手一个已经有一定规模的项目。当你打开代码库，看到的是一团乱麻般的代码，变量命名随意，函数逻辑混乱，模块之间的依赖关系错综复杂，你会作何感想？是不是瞬间感到无从下手，心中充满了绝望？这绝不是危言耸听，我就曾亲身经历过这样的项目。
17110编辑于 2025-10-14- 来自专栏西里网知乎博客
Foundation Model（基石）模型
Foundation Model（基石模型）是一种在人工智能领域中广泛应用的基础模型，也被称为大模型。 总的来说，Foundation Model作为人工智能体系的基石，具有广泛的应用前景和重要的研究价值。 本文来自：Foundation Model（基石）模型
1.4K10编辑于 2024-05-19 - 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 - 来自专栏远在上海
非典那年记忆
ABP core 的框架在过年期间，从1.0突然升级到2.0了，。 整个ABPCore 虽然版本变化 大，但使用流程基本不变吧， 我看官网上文档基本完毕了，官网文档有一个外国人视频，当时版本尚是0.18，总共有2小时吧。记录个学习笔记吧！
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. 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。 : 若进一步又满足平稳性时 H(\bar{X})=\sum_{l}^{L} H\left(X_{l}\right) \quad H(\bar{X})=L H(X) 平稳有记忆N次扩展源的熵 设 X 为离散平稳有记忆信源, X 的 N 次扩展源记为 X^N， X^{N}=\left[X_{1} X_{2} \cdots X_{N}\right] 根据熵的可加性,得 H\left(X^
1.2K20编辑于 2023-02-26
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