- 综合排序
- 最热优先
- 最新优先
- 来自专栏AgenticAI
智能体的记忆管理系统概述
然后我们证明，向量数据库不足以用于智能体任务，因为它们需要管理额外的记忆类型： 语义记忆（常识）、 外显记忆（个人经历） 程序记忆（技能和任务程序）； 并强调需要其他形式主义（如知识图谱、有限状态机）来有效地管理这些问题 智能体记忆 虽然上述方法能很好地存储和检索作为问答对的对话，但它不足以管理智能体系统所需的其他记忆类型，特别是复制/改进人类执行的操作： 语义记忆，包含事实、概念、含义等的常识。 3.1 人类记忆的理解 在本节中，我们首先尝试了解人脑在短期和长期记忆方面的工作原理，如图 5 所示。 图 5：人脑的内存管理 这一切都始于感官系统，来自环境的信息在这里进入我们的感官记忆。 语义记忆可能是目前 LLM 中唯一可以通过预训练和嵌入获得的记忆类型，其他记忆类型仍在研发中。 在接下来的内容中，我们将展示如何为智能体系统实施一个全面的内存管理模块，如图 6 所示。 图 6：智能体内存管理 默认情况下，记忆路由器总是会路由到长期记忆（LTM）模块，查看是否存在现有模式来响应给定的用户提示。如果有，它就会检索并立即做出响应，并根据需要进行个性化处理。
1.1K10编辑于 2025-03-18 - 来自专栏#热点技术openclaw
OpenClaw 上下文管理原理：工作记忆、摘要记忆与向量检索
这使得Context管理成为Agent工程里最需要主动设计的问题之一。二、谁在吃掉你的Token？ 三、核心解法：分级记忆系统最根本的解法是不把所有历史都放进Context，而是建立分级记忆系统：1.工作记忆（WorkingMemory）内容：当前对话的近几轮，完整保留作用：模型理解"你现在说的是什么 五、完整的Context管理策略表来源典型token占用应对策略优先级系统Prompt/Soul500-2000精简，去掉不必要的描述高Skill列表每个约24+token白名单控制，只加载必要Skill 因为Agent的记忆本身也会随使用时间不断增长，窗口再大也总会有被填满的一天。分级记忆不只是当下的工程应对，更是Agent系统的长期架构原则。 这意味着优秀的Agent设计应该：主动管理Context使用，而不是被动等待溢出建立智能的记忆分层机制，平衡完整性和效率提供可配置的策略，让用户根据需求调整保持透明性，让用户知道哪些信息被保留、哪些被压缩最终目标是让
2.9K60编辑于 2026-03-12 - 来自专栏程序员面试小技巧
解放密码记忆自动管理多网站密码
密码管理到底有多难对普通人来说常用的密码一般就那么几个生日、拼音、加喜欢的句子一般就那么些套路越来越高的密码复杂度大家都对网站注册时密码复杂度这个词有所体会越来越多的网站要求高复杂度一般就是 数字 字母 大小写 特殊符号的组合这对系统倒是安全了但完全不符合人类的记忆习惯我们需要辅助记忆记住密码靠谱吗？ 直接打开即可这里可以分网站设置密码保存首此启动该软件我们需要先点击“文件-新建”创建一个kdbx数据库文件你所有储存的密码都会在这个文件里所以非常重要以后如果重装软件了只要打开这个数据库文件就可以载入以前的密码注意大家设置好管理员密码在主界面右侧空白处右键选择 “添加条目”能输入要保存的账号密码注意，条目标题千万不能多写否则自动输入会失效比如，淘宝标题就写“淘宝”试试这个新工具解放密码记忆困难症
1.8K61编辑于 2023-01-26 - 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。 } } 三、MessageChatMemoryAdvisor 详解 3.1 作用与功能 MessageChatMemoryAdvisor 是一个聊天顾问，负责： 自动将对话历史添加到请求中 管理不同会话的记忆 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。
94510编辑于 2025-11-15 - 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。 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。 更智能的记忆管理策略：让Agent能自主决定记忆的存储、遗忘、更新和检索优先级，真正模拟人类的记忆过程。多模态记忆：不仅存储文本，还能存储和检索图像、音频等多媒体信息。
2.1K11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
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。 本文将深入探讨这些技术，并通过Python/PyTorch代码示例，展示如何实现智能体的记忆系统。智能体记忆系统概述智能体的记忆系统是其核心组件之一，负责存储和管理与环境交互过程中获得的信息。 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AI
快速开始：智能记忆管理，让你的数据活起来！
[AI Mem0] 概览，智能自我改进记忆层之前介绍了一下概览，今天来看下快速开始很简单，基本上就是CRUD安装pip install mem0ai基本使用初始化基础from mem0 import Memorym
97510编辑于 2024-07-22 - 来自专栏AIGC
【AIGC】ChatGPT 记忆功能揭秘：使用与管理的全方位指南
当用户需要更高的隐私性时，可以轻松关闭或管理已存储的记忆内容；而当需要个性化的深度陪伴时，只需开启记忆功能，即可享受智能助手的全面支持。 注意事项 存储信息的管理 关闭记忆功能后，ChatGPT不会自动删除已经存储的记忆。 如果用户希望彻底清除已保存的信息， 需要通过记忆管理功能，手动删除相关内容。 查看与管理记忆 查看与管理记忆功能赋予用户完全的自主权，让用户可以根据需要随时检查、调整或清除 ChatGPT 保存的信息。 删除特定记忆 步骤： 在“管理记忆”页面，每条记忆旁边会显示一个垃圾桶图标。 点击垃圾桶图标，选择需要删除的记忆条目。 确认删除操作后，该记忆将被永久移除， ChatGPT将不再利用该信息进行任何响应。 删除全部记忆 步骤： 在“管理记忆”页面，点击选项清除所有记忆。
87710编辑于 2025-06-02 - 来自专栏有文化的技术人
记忆与上下文管理在Agent中的实际运用
本文详细分析 trpc-agent-go 框架中会话上下文的管理机制，包括 LLM 提示词的注入内容、Memory 记忆系统、Session Summary 会话摘要以及跨 Session 信息共享等核心设计 (10), // 预加载最近10条记忆 ), 3. 3.6 与已有记忆的去重 提取时会传入 existing []*memory.Entry（已有记忆），LLM 会： 检查是否与已有记忆重复 决定是 add 新记忆还是 update 已有记忆 // sb.WriteString("</existing_memories>\n") } 3.7 自定义提取规则 可以通过 WithPrompt 自定义提取逻辑： customPrompt := `你是一个专注于技术学习的记忆管理器 识别用户当前问题的意图 优先基于当前问题回答 不会被无关上下文"带偏"（大多数情况下） 7.2.3 实际表现 场景 模型表现 说明 话题跳跃但有逻辑关联 ✅ 处理很好 例如从"Go并发"跳到"Go内存管理
14810编辑于 2026-04-09 - 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
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. 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 最佳实践与调优 9.1 最佳实践 记忆管理： 合理设置短期记忆容量，平衡内存使用和性能 定期将短期记忆中的重要信息转移到长期记忆 优化长期记忆的索引结构，提高检索速度 多模态处理： 选择合适的多模态模型 建立自动化运维机制 关键词： Multimodal Memory, 短期记忆, 长期记忆, 结构化记忆, Graph记忆, 多模态融合, RAG系统, 知识管理, 推理能力, 安全风信子, 技术深度
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 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。 clearUserMemory(String userId) { chatMemory.clear(userId); } /** * 查询所有用户对话 ID（管理端使用 ", "data", Map.of("userId", userId) ); } /** * 查询所有对话 ID 接口（管理端使用
26710编辑于 2026-03-31 - 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。 **- **基于会话管理**：在用户与系统的交互会话中，记录用户当前的对话状态和相关信息。 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 - 来自专栏拓端tecdat
DSPy、QDrant与ReAct框架的LLM记忆层构建：向量嵌入实现用户对话记忆自适应管理|附代码数据
核心模块拆解记忆提取：从用户与助手的对话文本中提取具备原子性的候选记忆信息；向量存储：将提取的原子化记忆转换为向量形式，并存储到向量数据库中；记忆检索：当用户发起查询时，生成检索语句并从向量库中匹配相关记忆 ；记忆维护：基于ReAct（推理与执行）循环，智能判断对现有记忆的增、删、改或无操作，解决记忆冲突与过时问题。 基于DSPy的记忆提取：从对话文本到原子化记忆记忆提取是记忆层构建的第一步，核心目标是将非结构化的对话文本转换为结构化、原子化的记忆单元，以便后续的嵌入与检索。 原子化记忆的定义与提取目标优质的记忆单元应具备“短、自包含、原子化”的特征——即单个记忆仅描述一个独立事实，且能被精准嵌入和检索。 LLM的系统提示词，替代每次检索，提升响应速度，适用于高频次、短会话的智能客服场景；文件化存储方案：用文件系统（如Markdown文件）替代向量数据库，通过正则、全文检索实现记忆管理，降低部署成本，适用于小型应用场景
18610编辑于 2026-02-10 - 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