当前位置：

社区首页

电脑数码

软件应用

服务软件

AIGC文章详情

32K上下文越聊越忘？不是AI变笨，而是注意力被稀释了

源自131位全网作者

03-25 08:32

精选参考来源

属于Agent的文件协议来了！Selfware让Agent之间无缝传递上下文

网络用户 2026-02-28

来自微信公众号

在线聊天记录和上下文管理总是难题，消息太多模型上下文窗口很快就撑满了。一个超棒的开源插件 Lossless Claw（基于 LCM：Lossless Context Management），为 OpenClaw 提供了一套无损上下文管理方案。它用有向无环图（DAG）替代传统滑动窗口，完美保存所有消息，通过智能摘要浓缩旧消息，又能即时复原细节，感觉像和一个“永不忘记”的智能助手聊天。主要功能：- 所有对话消息持久存储到 SQLite 数据库，确保数据不丢失；- 采用 LLM 自动生成多层摘要形成聚合 DAG 结构，压缩旧内容但保持可展开细节；- 每次对话上下文由最新消息+层级摘要组成，极大扩展了上下文容量；- 配套 lcm_grep、lcm_describe、lcm_expand 等搜索和回溯工具，快速定位旧消息和内容；- 支持自动分层压缩、会话持久化，减少手动操作；- 多种可自定义参数调节压缩触发阈值、摘要深度、最新消息保护数量等。安装只需在 OpenClaw中执行插件安装命令，一键启用，适合想突破上下文限制的AI项目和研究者。GitHub：github.com/martian-engineering/lossless-claw#AI技术# #开源插件# #上下文管理##AI创造营##人工智能#

网络用户 2026-03-16

来自新浪微博

全部
来源

内容由AI生成

1. 属于Agent的文件协议来了！Selfware让Agent之间无缝传递上下文

2. 在线聊天记录和上下文管理总是难题，消息太多模型上下文窗口很快就撑满了。一个超棒的开源插件 Lossless Claw（基于 LCM：Lossless Context Management），为 OpenClaw 提供了一套无损上下文管理方案。它用有向无环图（DAG）替代传统滑动窗口，完美保存所有消息，通过智能摘要浓缩旧消息，又能即时复原细节，感觉像和一个“永不忘记”的智能助手聊天。主要功能：- 所有对话消息持久存储到 SQLite 数据库，确保数据不丢失；- 采用 LLM 自动生成多层摘要形成聚合 DAG 结构，压缩旧内容但保持可展开细节；- 每次对话上下文由最新消息+层级摘要组成，极大扩展了上下文容量；- 配套 lcm_grep、lcm_describe、lcm_expand 等搜索和回溯工具，快速定位旧消息和内容；- 支持自动分层压缩、会话持久化，减少手动操作；- 多种可自定义参数调节压缩触发阈值、摘要深度、最新消息保护数量等。安装只需在 OpenClaw中执行插件安装命令，一键启用，适合想突破上下文限制的AI项目和研究者。GitHub：github.com/martian-engineering/lossless-claw#AI技术# #开源插件# #上下文管理##AI创造营##人工智能#

3. EMNLP 2025 | CARE：无需外部工具，让大模型原生检索增强推理实现上下文高保真

4. 智能体上下文工程：为什么文件系统成了AI记忆的最佳载体？

5. Clawdbot 如何搭建永久记忆管理系统：全靠 MD 文档

6. 免费电子书《The Context Engineering Guide》Context Engineering（上下文工程）远非简单往提示词里堆数据，而是设计智能系统，在恰当时间、用合适格式，动态提供精准信息。关键不在于单纯扩大模型上下文窗口，而是如何高效利用有限的“活跃上下文”。真正的挑战是“编排”——让系统内部各模块（提示设计、检索增强、代理协作、记忆管理等）无缝协作，抵御人类和模型本身的错误。只有这样，AI系统才能突破模型固有限制，变得稳健且实用。这就是为什么Context Engineering将成为AI应用开发的核心复杂性。你需要让系统智能决定：- 什么信息放入活跃上下文- 何时总结压缩节省空间- 什么内容外部存储并按需调取- 如何精准路由查询到合适工具- 代理之间如何协同完成专业任务Victoria团队发布了完整电子书，详解如何构建这样的高效系统：从代理（Agents）、记忆系统（Memory Systems）、查询增强（Query Augmentation）、检索策略（Retrieval）到工具调用与提示循环（Tools & Prompting）。书中包含实战案例和架构图，直击从模型到生产级应用的瓶颈。业内反馈一致认为，单纯扩大上下文窗口是“懒办法”，真正难点在于设计类似人类记忆的动态、分层记忆系统。Context Engineering是连接理论与落地的桥梁，是AI技术走向成熟的必由之路。这不仅是技术细节，更是AI系统设计的艺术和哲学。掌握它，才能构建出既聪明又稳健的智能应用。电子书下载（含架构详解与实操指南）：weaviate.io/ebooks/the-context-engineering-guide——思考：信息的力量不在于量多，而在于何时何地以何种方式被激活。未来AI的竞争，不是单纯模型大小，而是对“上下文生命线”的精妙编排。设计智能系统，就是设计未来人与机器共舞的节奏。

7. DeepSeek-OCR开源：10倍压缩+97%精度，A100日处理20万页数据，更是大模型的 “记忆革命”

8. 爆肝10亿token，我给OpenClaw做了个龙虾管家！【一键安装龙虾】

9. TRAE中国版白送SOLO，一人指挥一支AI大军重磅消息！SOLO终于上线TRAE中国版了，Waitlist免费开放中本期视频实测TRAE的新版本，亮点很多 1、先规划再动手的 Plan 模式 2、带专家团一起干活的 Subagent 子智能体 3、DiffView 差异视图 4、多任务并行 5、上下文智能压缩长时运行不掉链子 SOLO终于把AI从“瞎干活的外包”变成了“懂协作的队友” #AI #人工智能 #TRAE #AI编程 #vibecoding

10. 对话丘脑智能：当AI memory理解了“时间”，下一个抖音就要出现了

11. #小米新模型媲美DeepSeekV3.2##小米发布新模型#小米新发布的开源自研大模型是 MiMo-V2-Flash，有点儿强呀！MiMo-V2-Flash总参数3090亿，活跃参数150亿，采用专家混合架构（MoE），性能可与DeepSeek-V3.2和Kimi-K2等头部开源模型媲美。推理速度达到150 tokens/秒，每百万token输入成本0.1美元、输出0.3美元，性价比极高。采用5比1的激进比例，5层滑动窗口注意力搭配1层全局注意力交替使用，减少KV缓存存储量近6倍，支持256k上下文窗口。能并行预测多个token，推理速度提升2到2.6倍，训练阶段也能加速采样，减少GPU空转。通过后训练阶段的多教师在线策略蒸馏（MOPD），效率提升惊人，只需传统方法1/50的算力，学生模型即可达到教师性能峰值。在AIME 2025数学竞赛和GPQA-Diamond科学知识测试中排名开源模型前两名，编程能力出色，SWE-bench Verified得分73.4%。在τ²-Bench分类得分中表现优异，支持深度思考和联网搜索功能。与主流开发环境无缝配合，256k超长上下文窗口支持数百轮智能体交互与工具调用。#小米#

12. DeepSeek模型更新黄心怡财联社多名用户反馈，DeepSeek在网页端和APP端进行了版本更新，支持最高1M（百万）Token的上下文长度。而去年8月发布的DeepSeekV3.1上下文长度拓展至128K。《科创板日报》记者实测中发现，DeepSeek在问答中称自身支持上下文1M，可以一次性处理超长文本。记者在提交了超过24万个token的《简爱》小说文档，DeepSeek可以支持识别文档内容。

13. Claude更新记忆功能，一分钟迁移所有上下文

14. 南卡 OE Mix2 智能AI 开放式耳机：支持语音对话、实时翻译、图像生成等多项智能功能，让耳机不仅是听歌，更是贴身智能助理

15. 刚刚，腾讯姚顺雨署名首篇论文发布，「下半场」先搞上下文学习

16. 当全网疯抢 “龙虾” 智能体，有人却直言 “别捧上天”。当AI能一人顶一队，当智能体协作成趋势，一人公司是否会颠覆传统团队？ 3月24日下午18点红衣客厅，对话企业AI战略顾问沈攀，带你看透 AI 智能体的真实价值。#红衣客厅 #大有学问 #openclaw #人工智能

17. Claude Code省钱～节省tokens的核心操作：1. /compact：强制压缩当前上下文，把长对话浓缩成摘要。复杂任务到一半时用一次，效果明显；2/ 任务完成后新开 session：别在一个 session 里一直追加，积累到后期每次请求都是重量级；3. CLAUDE.md 里加节省指令：写上"能简短就别长篇，不需要解释每一步"，全局减少输出 token；4. 拆分任务：一个大任务拆成几个小任务，每段完成后 compact 一次，别让上下文无限膨胀。 #HOW I AI# #程序员#

18. DeepSeek 团队发布视觉压缩 OCR 模型，哪些信息和技术亮点值得关注？知乎答主们做了一波测评，总结：这个工作不是在单纯提高 OCR 的准确率，而是在尝试解决一个更大的问题——大模型的上下文瓶颈。它不是单纯在「识字」，而是在试图用视觉的方式去压缩长文本上下文，因为它碰到的其实是所有大模型都头疼的问题：上下文太长，token 不够用。简言之，大模型可以一目十行了！

19. 对话八位具身智能大咖：模型之争、数据来源与第一性原理｜甲子光年

20. 攻克记忆瓶颈：腾讯云Data Platform如何为智能体打造记忆湖架构

21. MiniMax M2.7+OpenClaw实战！AI到底能接管多少工作？

22. 盘点一周AI大事(3月15日)｜首次上传大脑成功工程师开源龙虾办公室Claw3D 龙虾彻底出圈，，百虾大战正式开打工程师开源一键装龙虾AlphaClaw 斯坦福开源科学家龙虾LabClaw 工程师Karpathy 开源龙虾版GitHub AgentHub Chrome上线龙虾Web协议 WebMCP 工程师开源龙虾软件协议CLI-Anything 吴恩达开源龙虾上下文工具Context Hub 研究员开源最强动漫图像模型Anima-v2 研究员开源最强视频分割模型MatAnyone 2 科学家成功上传了一只果蝇的大脑 #AI新星计划 #AI #AIGC #龙虾 #openclaw

23. 第三天《Context Engineering: Sessions & Memory》，一个Agent做得好，80%看上下文管理！这个pdf有72页，系统讲述了如何让LLM在交互中形成“状态”“个性”与“持续学习“，想做好AI Agent的别忘记深读一下这个文档。划线点：1. 上下文工程的核心理念传统的 Prompt Engineering 只关注如何写出一个最优提示，而 Context Engineering 则是更高维度的概念。它要求开发者在每次模型调用前，动态地拼装完整的上下文——包括系统指令、工具定义、few-shot 示例、外部检索内容、长期记忆以及当前对话历史。白皮书中有个比喻：如果 Prompt 是食谱，那么 Context Engineering 就是备料，决定了模型能否稳定地产出理想结果。2. Session vs. Memory Session 是一场对话的“工作台”，保存着事件日志和临时状态；Memory 是长期的“档案柜”，从这些对话中提炼出可复用的知识。 Session 负责连贯性，Memory 负责持续性。3. 多智能体系统中的会话共享多个 Agent 协作时，Session 的设计变得更复杂。不同框架（如 ADK、LangGraph）内部的数据结构差异较大，直接共享会导致互操作问题。文档提出用框架无关的 Memory 层作为共享语义中枢，各 Agent 通过抽象化的记忆数据交换信息，从而实现真正的跨框架协作。4. 长上下文的管理与压缩模型上下文窗口有限，随着会话增长，成本、延迟和注意力衰减都会出现。有三种压缩策略：（1）保留最近 N 轮（滑动窗口）；（2）基于 token 数截断；（3）递归摘要，用 LLM 生成对旧内容的总结。这些方法共同目标是保留必要、舍弃冗余，让模型始终聚焦关键信息。5. 记忆系统的设计与生命周期记忆并非简单存储，而是一套动态的 LLM 驱动工作流，涵盖提取、整合、存储、检索与遗忘（有点像一个ETL系统）。提取阶段从原始对话中识别有意义的信息；整合阶段解决重复与冲突；存储可采用向量数据库、知识图谱或混合架构；检索阶段结合语义相似度、时间衰减与重要度评分挑选最合适的记忆。文档还提出“遗忘”机制——旧记忆会随时间或置信度衰减被归档或删除，以保持知识库的健康。划重点：真正的智能不在于保存全部信息，而在于知道何时、为何、记什么、忘什么。一个理想的 Memory 系统，像人脑的海马体，既能在短期保持上下文，又能在长期过滤、压缩、抽象出模式。 AI Agent的设计应该把动态遗忘作为标准功能来设计，而非可有可无的能力。6. 触发策略与 Memory-as-a-Tool 模式记忆生成可在会话结束、固定回合、实时、或用户显式命令下触发。频繁触发可保留更多细节，但计算成本高；批量触发更经济，却易失真。白皮书提出 Memory-as-a-Tool 模式：让 Agent 自行判断何时、为何生成记忆，将“记忆何时发生”的控制权交给模型逻辑本身（划重点！）。7. 信任、来源与隐私文档专门讨论了 Memory 的来源溯源（Provenance）：每条记忆应携带来源类型、时间戳、置信度与可信层级。系统需依据来源权重解决冲突，并对个人敏感信息在写入前脱敏，确保隔离与合规。8. RAG 与 Memory 的对比 RAG 让模型更懂世界， Memory 让模型更懂你。前者检索外部事实，后者积累用户语境。Agent 需要二者结合，既具世界知识，又具个人连续性。#ai创造营# #程序员#

24. Claude Code Skills 采用了一种极其巧妙的三层上下文系统。请记住这个结构，当你构建技能（Skills）时会非常有用。第一层：主上下文（Main context）——项目配置，总是会被加载。第二层：技能元数据（Skill metadata）——只包含 YAML 前言部分，每个技能大约占用 100–200 个 token。第三层：活动技能上下文（Active skill context）——SKILL.md 文件以及按需引用的文档，在需要时才会加载。像脚本（scripts）和模板（templates）这样的支持文件不会被预加载到上下文中，而是在使用时直接访问，不消耗任何 token。这种架构让系统可以同时容纳数十个技能，而不会触及上下文长度限制。#人工智能##程序员#

25. 大模型的上下文工程，都说很重要，但相关的研究那么少，对Agent开发有什么影响，有大佬能解释一下吗？

26. 马斯克Grok 4深夜大升级：200万逆天上下文、五倍GPT-5「脑容量」！

27. 对话蚂蚁灵波首席科学家沈宇军：2万小时真机数据，用“慢功夫”做具身智能｜甲子光年

28. 对话云栖大会：下一个AI爆款、大模型进化与Agent万亿级企业市场

29. #DeepSeek下个王炸是什么# DeepSeek2026年的王炸大概率聚焦长上下文与效率优化的深度融合，继2026年初灰度测试百万token上下文模型后，DeepSeek将完善相关技术，依托mHC流形约束超连接与Engram条件记忆模块，解决长序列计算的内存开销问题，实现100万token下的高准确率推理。DeepSeekV4完整版模型的发布应该也是DeepSeek的一个重要的更新，新模型将结合混合专家架构优化，延续DeepSeek低成本高性能的优势，让中小企业也能便捷接入顶尖AI能力。推动开发者共建垂直场景应用；贴合2026年AI从会生成向会行动的进化趋势。#HOW I AI#

30. Claude Opus 4.6 和 Sonnet 4.6 的 100 万 token 上下文窗口今天正式全面开放（GA），且不加价，按标准价格计费，无论请求长度是 9K 还是 900K token，单价完全一样。 Opus 4.6 的定价是输入 $5、输出 $25（每百万 token），Sonnet 4.6 是 $3/$15。此前超过 20 万 token 的请求需要加 beta 标头，现在直接生效，已有代码无需改动。除了价格统一，这次更新还有几个实际变化：单次请求可处理的图片和 PDF 页数从 100 提升到 600；所有上下文长度享受相同的速率限制，不会因为请求变长而被限流。Claude Code 的 Max、Team 和 Enterprise 用户在使用 Opus 4.6 时将默认启用 100 万上下文，意味着对话压缩（compaction）频率大幅降低，更多对话历史得以完整保留。在准确率方面，Opus 4.6 在 MRCR v2 基准上得分 78.3%，Sonnet 4.6 在 GraphWalks BFS 上得分 68.4%，均为同类前沿模型在百万 token 长度下的最高分。简单说就是：窗口虽大，信息检索能力没有打折。 Anthropic 引用了多家客户的反馈来说明实际效果。 Cognition（Devin 背后的公司）表示，此前大型代码差异塞不进 20 万上下文窗口，需要分批处理，容易丢失跨文件依赖；现在整个差异一次送入，代码审查质量更高，流程也更简单。Ramp 的工程师提到，Claude Code 在调试时经常消耗超过 10 万 token 检索各类数据源，一旦触发压缩就会丢失细节、陷入重复调试循环，百万上下文直接消除了这个问题。该功能今天起通过 Claude Platform 原生支持，也可通过 Amazon Bedrock、Google Cloud Vertex AI 和 Microsoft Foundry 使用。 http://t.cn/AXVmRMYf

31. AI Agent 的“进化之路”：从研究原型到生产级记忆系统，技术趋势与产品对比

32. 嘿，你的 128K 模型可能只使用了其上下文的一小部分，而你却不知道。llama-server 会将上下文窗口分割成多个并行槽位。如果在一个 128K 的上下文中设置 -np 4，则每个槽位将获得 32K 的空间。在一个 32K 的上下文中设置 4 个槽位，则每个槽位将获得 8K 的空间。这就是为什么长时间的对话会被切断的原因。不是模型的问题，也不是量化指标的问题，而是时隙分割吞噬了你的上下文。解决方法：在启动命令中添加 -np 1。一个槽位。完整上下文分配给一个用户。如果你只是在本地运行程序，不需要多个窗口。你只需要一个窗口，并占据整个窗口即可。

33. 英伟达推理上下文内存存储对NAND意味着什么？

34. 对话普罗宇宙创始人葛巾：具身智能产品未来三年成本可能下降 50%

35. 2026年AI全景预测：迈向百亿智能体时代的20个发展趋势。 #大咖观察 #人工智能 #红衣聊AI #智能体 #AI时代

36. 大模型更像人的大脑，智能体是大模型的手和脚。 #大咖观察 #红衣聊AI #智能体 #大模型

37. 创新Transformer！面壁基于稀疏-线性混合架构SALA训练9B模型，端侧跑通百万上下文

38. DeepSeek-OCR一开始以为是又一个普通的OCR模型，认真看了下论文，发现其重点是压缩，可以有助于LLM或者Agent的记忆管理。DeepSeek-AI 团队提出了一种全新的Contexts Optical Compression 方法，核心思想是：利用视觉模态作为一种高效的文本压缩媒介，以图像形式表示长文本，从而大幅减少LLM处理长上下文的计算负担。DeepSeek-OCR 首次验证了将文本信息以视觉形式进行高效压缩与恢复的可行性，在 10× 压缩下仍能近乎无损地还原文本。1. 研究动机当前LLM在处理长文本时面临计算量随序列长度平方增长的问题。论文提出将长文本转化为图像，让视觉模型（VLM）对其进行编码，用较少的视觉 token 表示大量文本信息，实现“以视觉压缩文本”的思路。这种“光学压缩”既能显著减少 token 数量，又可能启发 LLM 的长期记忆与遗忘机制研究。2. 模型架构DeepSeek-OCR 由两部分组成：（1）DeepEncoder：一种新型视觉编码器，结合 SAM-base（局部注意力）与 CLIP-large（全局注意力），中间加入 16× 卷积压缩模块，可在高分辨率下保持低激活内存并显著减少视觉 token。（2）DeepSeek-3B-MoE 解码器：基于 Mixture-of-Experts 架构，推理时仅激活 570M 参数，用于从视觉 latent token 重建原始文本。3. 多分辨率与模式支持DeepEncoder 支持多种输入模式（Tiny、Small、Base、Large、Gundam），对应不同分辨率与视觉 token 数，方便在研究不同压缩率或实际应用时灵活选择。例如 Gundam 模式可解析超高分辨率文档（如报纸），最高支持动态拼图式输入。4. 视觉遗忘机制作者提出“视觉化遗忘机制”假设：可以通过逐步缩小图像分辨率模拟人类记忆衰减过程，实现“信息随时间模糊化”的长期上下文管理。光学上下文压缩或可成为未来 LLM 无限上下文架构的关键方向。项目：github.com/deepseek-ai/DeepSeek-OCR#人工智能##程序员#

39. 互联网技术 DeepSeek这次悄无声息的更新确实展现了技术上的重大突破。上下文窗口从128K直接跃升至1M，意味着模型能一次性处理《三体》三部曲级别的超长内容，这不仅是参数量的提升，更是架构稳定性和内存管理能力的质变。知识库更新至2025年5月也让模型对近一年的技术动态和行业趋势有了原生理解，显著提升了实用性。值得注意的是，新模型在保持强大推理能力的同时，交互体验更加细腻自然，被评价为可媲美Claude 3.5 Sonnet。这次更新很可能是DeepSeek-V4正式发布前的关键测试，延续了其在春节前后推出颠覆性更新的传统。虽然未包含多模态能力，但在纯文本处理上已实现对国际顶尖模型的追赶甚至超越。对于开发者而言，1M上下文窗口将彻底改变工作流程，能够直接分析完整项目代码库进行全局优化。这次更新不仅展现了DeepSeek的技术实力，也为国产大模型的商业化落地开辟了新路径。大家觉得这样的上下文长度扩展会在哪些领域产生最直接的影响呢？

40. 云小二 Aivis 的架构实践——基于上下文工程与多智能体的自主服务新形态

41. 实操教程|3种AI 智能体对话设置方法

42. 突破一亿Token极限：EverMind提出MSA架构，实现大模型高效端到端长时记忆

43. 2月18日，Anthropic正式宣布推出Claude Sonnet 4.6，并将其直接设为免费用户和Pro付费用户的默认模型。这一升级标志着公司进一步将高性能AI能力向更广泛用户群体开放。Claude Sonnet 4.6在编码能力、指令遵循、长上下文理解、代理规划、知识密集型任务以及设计等领域实现显著提升。模型新增beta版100万token上下文窗口，可一次性处理完整代码库、长篇法律合同或数十篇学术论文等超大文档。最受关注的在于，免费用户现可直接使用Sonnet 4.6作为默认模型，同时获得文件创建、外部连接器、技能调用、上下文压缩等此前部分受限的功能，而API定价保持不变（输入/输出每百万token分别为3美元/15美元，与前代Sonnet 4.5一致）。Anthropic官方表示，该模型在真实世界办公场景中的表现已接近甚至超过2025年11月发布的旗舰版Claude Opus 4.5，尤其在编码一致性和复杂多步任务执行上获得开发者高度评价。公司强调，Sonnet 4.6的计算机使用能力较前代有明显飞跃，能更可靠地完成需要与界面交互的自动化任务。此次更新距Claude Opus 4.6发布仅12天，反映出当前AI领域竞争的白热化与迭代速度。Claude Sonnet 4.6已即刻在claude.ai网页端、移动端、Claude Cowork生产力工具以及API和主流云平台全面上线，为数百万用户带来更强大、更普惠的AI体验。

44. 对话MIT终身教授Joe Paradiso：纤维也可具备智能｜甲子光年

45. 如何从0到1搭建属于自己的AI智能体？

46. 姚顺雨在腾讯首个研究：在“上下文”这事上，在座的各位都不及格

47. 推特热议、AI 万亿美元新赛道，「上下文图谱」到底是什么？创业机会在哪？

48. 突破具身智能长程任务瓶颈！EchoVLA双重记忆机制赋能移动操作机器人，超越π0.5

49. AI 的本质不是算力，而是「上下文革命」

50. Prompt 膨胀危机

51. Claude Skills + MCP管理子智能体 = 解决主上下文零污染和零膨胀！

52. 告别“上下文爆炸”

53. 智能体（AI Agent）如何运用上下文工程！

54. Manus

55. 动态上下文发现

56. Cursor推出动态上下文发现功能，赋能编程智能体

57. 通俗讲解大模型短期记忆 vs 长期记忆

58. 有效支持长期运行智能体的机制

59. 随着任务周期变长，智能体系统的“记忆”成本与效率矛盾该如何解决？

60. 在多轮交互中，智能体的“状态”应该包含哪些内容？如何设计可序列化的状态结构？

61. OpenAI 智能体工程指南

62. AI Agent 的注意力稀缺与预算规划

63. 更大的上下文窗口为什么让RAG变得更重要而非更多余

64. 精读 Anthropic 上下文工程

65. 如何“学会忘记”？记忆衰减算法-智能体的新陈代谢系统

66. AI写代码越写越笨？掌握上下文卫生，3步解决Claude降智难题

67. AI智能体持续学习之道

68. 北大等高校突破

69. 总编辑圈点 | 更小内存带来更强AI，压缩内存可提升大模型处理任务准确性

70. 聊下 AI Agent 的上下文记忆和遗忘

71. 做好AI Memory需要解决三个技术难题

72. 别再迷信“大海捞针”了！清华 LongBench v2 揭露真相

73. 为什么大模型会“越聊越蠢”？

74. 🌋 大模型长上下文｜正确率暴跌❗️。🔥大模型集体翻车！平均正确率仅17.2%！颠覆认知的CL-Bench测试结果

75. LongBench-Pro

76. 长上下文模型的极限:128k上下文能否真正理解全文？

77. AI算法面试

78. MIT论文解读

79. 【OpenClaw 记忆机制】第1课

80. 长上下文不是长期记忆

81. Agent多步任务总卡壳，从上下文断裂到状态自愈以及一致性与可恢复性实战手册

82. 告别拼凑

83. 大模型的上下文会腐烂，这是大模型内生的缺陷。并不是给钱越多，上下文越大，就越好用。

84. AI记得越多，效果越差？是时候放弃“文本仓库”，转向“语义缓存”了

85. 大模型的“健忘症”有药了

86. LangChain剖析”上下文工程”的四大核心策略和实践技巧

87. LLM中Lost in the Middle核心原因&解决方案

88. DeepSeek的OCR，而是通向AGI记忆系统的钥匙

89. 51CTO-西瓜老师-2025年大模型 MCP 技术实战课

90. 递归语言模型登场！MIT华人新作爆火，扩展模型上下文便宜又简单

91. Token省30倍，大模型Agent高效永久记忆框架开源

92. 大模型基于函数Token的记忆检索

93. 图文详情

94. AI Agent技术社区

95. 2025 年 AI 开发者的红利,在扣子

96. 真·开外挂!MIT新研究:架构0改动,让大模型解锁千万级上下文

97. A Survey of Context Engineering for Large Language Models

98. 微软：大模型在多轮对话中翻车的深层原因..

99. Claude 博客笔记：长期运行智能体的有效策略

100. 光学压缩革命：DeepSeek用视觉令牌突破Ai长上下文瓶颈，人类记忆机制或可模拟

101. 突破上下文窗口限制！RLM让大模型轻松处理1000万+token长文本

102. 聊聊大模型推理系统之 L4：为什么你的128K长上下文服务总是慢？原来卡在批次长度不均

103. DeepSeek-OCR：光学压缩下的AI记忆与遗忘

104. 麻省理工学院研究人员突破上下文窗口限制

105. 对长上下文能力有不同要求，怎么选择合适的模型？

106. 破解AI算力黑洞：多模态模型压缩之道

107. 为什么说大模型也需要“记忆”管理？如何看待DeepSeek-OCR利用视觉压缩语言来模拟人类遗忘机制？

108. ⚠️为什么大模型会"选择性失忆"

109. 快被deepseek“达到对话长度上限”时逼疯？一文带你解决此问题deepseek一百个功能详解之二

110. 解决大模型上下文衰减的6种方案，附详细代码

111. 【手把手】一篇文章搞懂 MCP2 CLI：彻底解决 MCP 上下文膨胀问题，人人都能学会

112. 解锁DeepSeek隐藏技能：128K上下文如何改变你的创作方式

113. AI Agent的单轮对话和多轮对话如何评测？

114. 不用额外缓存！英伟达开源大模型记忆压缩方案，128K上下文提速2.7倍

115. 首个长上下文Agent评估基准

116. 【中文语音版】带大多数开发者理解上下文窗口是如何工作的

117. AI智能体记忆机制深度解析

118. DeepSeek-OCR详解：光学文本压缩打造AI记忆

119. 智能体实践经验：长期运行Agent的高效框架

120. 蚂蚁百灵开源新模型！长文本编程提速 3 倍，128K 上下文零卡顿

121. 视觉压缩革新，大模型长文本处理新范式

122. 压缩即智能

123. 大模型写长篇总“失忆”？一文解决AI小说的记忆难题

124. 3分钟搞懂AI记忆升级：DeepSeek OCR压缩法

125. DeepSeek OCR：十倍压缩，开启AI记忆革命

126. UltraLLaDA：扩散语言模型上下文扩展到128K！

127. OpenClaw本地跑满128k上下文！llama.cpp+NVIDIA超轻量模型实测！

128. 让AI Agent跨越上下文窗口：Anthropic的长时任务实践笔记

129. Agent 高效60秒｜Sub Agent 上下文优化

130. 大模型会在多轮对话下会“迷路”

131. 告别 “金鱼记忆”：智能体拥有长期记忆，每一次对话都被牢牢记住

扫一下，分享更方便，购买更轻松

0评论

当前文章无评论，是时候发表评论了

提示信息

取消

确认

评论举报

垃圾广告！低俗色情！人身攻击！疑似水军评论！其他有害！