AI智能体记忆与技能协同机制取得关键突破，推动其向持续学习的数字员工演进_服务软件

1. AI记忆革命爆发！Clawdbot如何像大脑般记住一切

2. 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

3. 告别KV Cache枷锁，将长上下文压入权重，持续学习大模型有希望了？

4. 如何评价DeepSeek发布梁文锋署名论文，提出「条件记忆」及Engram记忆检索架构？有哪些亮点？

5. OPPO和蚂蚁集团开展战略合作！10月23日，OPPO与蚂蚁集团在杭州举行战略合作签约仪式，双方将在AI智能体、服务生态、“碰一下”、医疗健康服务、保险、用户体验等方面展开深入合作。根据协议，双方将在技术方面共建AHA多智能体互联协同方案，让OPPO系统级AI与支付宝Agents的高效协同持续扩展到更多垂直领域，打造行业领先的的企业级AI技术解决方案，推进行业多智能体协同标准规范化。

6. 构建智能问答系统通常面临查询模糊、上下文理解不足和检索效率低等挑战。Agentic RAG for Dummies 是一个基于 LangGraph 的极简 Agentic RAG（检索增强生成）框架，帮助你用最少代码快速搭建具备会话记忆和人机交互查询澄清能力的生产级系统。项目集成了多功能模块： - 会话记忆，保持对话上下文连贯； - 智能查询澄清，自动重写或请求补充信息； - 分层索引，实现精准且上下文丰富的检索； - 多Agent并行处理复杂多问； - 灵活切换多种大语言模型（Ollama、OpenAI、Google Gemini 等）； - 开箱即用的 Gradio Web UI，方便体验和部署。无论是学习 RAG 基础，还是构建定制化应用，这个项目都提供了交互式笔记本和模块化代码两条路径，助力开发者快速上手并轻松扩展。 GitHub 地址：github.com/GiovanniPasq/agentic-rag-for-dummies/ 主要功能： - 支持多轮对话记忆，提升问答自然度； - 自动拆分复杂查询，精准定位信息点； - 结合关键词稀疏向量和语义稠密向量的混合检索； - 内置人机交互机制，避免误解或无效查询； - 多Agent协同，提升复杂问题的处理效率； - 完整文档处理流水线，支持 PDF 转 Markdown 及分块索引。适合 AI 研究者、开发者及数据工程师，轻松构建满足生产需求的智能问答系统。

7. Antropic Claude 推出新概念 Agent Skills，让 Claude 从“通用模型”进化为“可编程的专用智能体”，它通过可加载的技能体系，将人类的知识和流程转化为可复用的智能模块。1. 核心概念：Agent Skills 是一种“技能包”，由说明文档、脚本和资源组成。Claude 可以在需要时动态加载这些技能，而不是一开始就加载全部上下文。2. 作用：让 Claude 能执行特定领域的任务，比如处理 PDF、填写表单、运行脚本、执行数据分析等，相当于给 Claude 增加“专业模块”。3. 结构：每个 Skill 是一个文件夹，核心文件是 SKILL.md，包含技能的元数据（名称、描述）和使用说明；也可包含其他资源文件或可执行代码。Claude 根据任务需要，分层加载这些内容。4. 原理：Claude 先读取每个技能的基本信息，当判断某个技能相关时，再逐步加载其详细内容或脚本执行逻辑，实现「渐进式上下文披露」。5. 优势：（1）增强 Claude 的专业性与上下文理解；（2）减少 token 占用，提高执行效率；（3）让组织可复用知识，把程序性经验打包成模块化能力。6. 安全与可扩展性：Skills 可以自由创建与共享，但要注意代码安全和上下文来源；未来 Claude 还将具备自动创建、评估和优化技能的能力。Blog：www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills#人工智能##程序员#

8. LangSmith 如何构建 Agent Builder 的记忆系统

9. OpenClaw(Clawdbot) 架构解析：个人AI智能体的核心引擎（everyone talks about Clawdbot, but here's how it works）1. 摘要OpenClaw 是一个个人AI智能体，其核心是一个在本地计算机上运行的 Typescript 命令行界面（CLI）应用程序，而非传统的Web应用。它的架构旨在实现高可靠性和强大的本地计算机集成能力。其设计的关键亮点在于采用了基于通道的命令队列，默认执行串行操作，从而有效避免了并发处理中常见的“异步/await意大利面代码”和竞态条件问题。这种“默认串行，显式并行”的理念显著提升了系统的稳定性和可调试性。OpenClaw的内存系统设计出奇地简洁而高效，它结合了用于存储会话记录的.jsonl文件和用于长期记忆的Markdown文件。代理通过标准的“写入文件”工具直接与Markdown记忆文件交互。其检索机制采用向量搜索（用于语义匹配）和关键字搜索（用于精确匹配）的混合模式，确保了信息检索的全面性。该智能体最核心的“护城河”在于其深度计算机集成能力，通过工具集赋予了代理执行shell命令、操作文件系统、管理后台进程以及控制浏览器的能力。在浏览器交互方面，OpenClaw创新性地使用“语义快照”（基于页面的可访问性树生成的文本表示）代替传统的屏幕截图，极大地减小了数据体积（从MB级降至KB级）并显著降低了LLM的Token成本。为确保安全，OpenClaw实施了一套以用户授权为核心的安全机制，包括一个命令许可名单和对危险shell构造的默认阻止，旨在实现用户允许范围内的最大自主性。2. 核心架构与技术栈OpenClaw的本质是一个Typescript CLI应用程序。它并非一个Python或Next.js驱动的Web应用。作为一个本地进程，其核心职能包括：- 本地运行：在用户的计算机上作为独立进程运行。- 暴露网关服务器：处理来自Telegram、WhatsApp、Slack等不同渠道的连接。- 调用LLM API：与Anthropic、OpenAI或本地模型等多种大型语言模型进行交互。- 本地执行工具：在用户的计算机上直接运行工具和命令。- 实现用户指令：在用户计算机上执行任意授权的任务。3. 任务执行流程当用户通过消息应用向OpenClaw发送提示时，系统会经过以下一系列精确协调的步骤来处理请求并生成响应：1）通道适配器 (Channel Adapter) - 接收来自不同输入流（如即时通讯软件）的消息。 - 对消息进行标准化处理并提取附件。2）网关服务器 (Gateway Server) - 作为系统的任务和会话协调中心，是OpenClaw的心脏。 - 负责接收消息并将其传递给正确的会话，能够处理多个重叠请求。 - 关键设计：为序列化操作，系统采用基于“通道”（lane-based）的命令队列。每个会话拥有一个专用通道，确保任务按顺序执行。低风险且可并行的任务（如cron job）可以在并行通道中运行。 - 设计哲学：这种“默认串行，显式并行”的架构避免了过度并行化导致的“异步/await意大利面代码”和调试噩梦，将开发者的心智模型从“我需要锁定什么？”转变为“什么可以安全地并行化？”。3）智能体运行器 (Agent Runner) - 系统的AI核心，负责决定使用哪个模型和API密钥。 - 具备故障切换能力：当首选模型或密钥失败时，会将该配置标记为冷却状态并尝试下一个可用选项。 - 动态组装系统提示（System Prompt），整合可用的工具、技能和内存信息，并附加当前会话的历史记录（从.jsonl文件中读取）。 - 内置“上下文窗口守卫”，监控上下文空间。当接近上限时，它会通过总结（压缩）会话来释放空间，或在无法处理时优雅地失败。4）LLM API调用 (LLM API Call) - 一个封装了不同LLM提供商的抽象层。 - 支持流式响应，并在模型支持的情况下请求延长思考时间。5）Agentic循环 (Agentic Loop) - 当LLM返回工具调用请求时，Clawdbot会在本地执行该工具。 - 将工具执行结果添加回对话历史中，并再次调用LLM。 - 此循环会重复进行，直到LLM返回最终的文本响应或达到最大交互轮次（默认为约20轮）。 - 所有与计算机的交互都在这个循环中发生。6）响应路径 (Response Path) - 将最终响应通过原始通道返回给用户。 - 通过将用户消息、工具调用、执行结果、模型响应等信息以JSON对象的形式逐行写入.jsonl文件，来持久化会话状态，实现基于会话的记忆。4. 内存系统：简单与实用的结合OpenClaw通过一个简洁且可解释的双重系统来处理记忆，避免了复杂的记忆合并或压缩机制。1）双重系统 - 会话记录 (Session Transcripts)：以.jsonl文件的形式存储，每一行是一个JSON对象，记录了单次交互的完整信息。这构成了其基于会话的短期记忆。 - 长期记忆文件 (Long-term Memory Files)：以Markdown文件的形式存储在MEMORY[.]md或memory/文件夹中。代理通过一个标准的“写入文件”工具直接创建和修改这些文件，而非依赖特殊的记忆写入API。当新对话开始时，一个钩子（hook）会触发，抓取并总结上一次对话，并将其写入Markdown记忆文件。2）混合搜索机制 - 为了从记忆中检索信息，系统采用了向量搜索和关键字搜索的混合方法，以兼顾语义相似性和精确匹配。 - 向量搜索：使用SQLite实现，用于捕捉语义相关的内容（例如，搜索“authentication bug”可以找到提及“auth issues”的文档）。 - 关键字搜索：使用SQLite的FTS5扩展实现，用于查找精确的短语匹配。3）系统特点 - 智能同步：当文件监视器检测到记忆文件发生变化时，会自动触发同步。 - 可解释的简单性：设计理念倾向于简单明了，而非复杂的“意大利面式”架构。 - 无遗忘曲线：记忆被永久保存，且旧记忆与新记忆具有同等权重。5. 计算机集成：OpenClaw的“护城河”OpenClaw的核心优势之一是其深度集成于本地计算机环境的能力，它通过一套强大的工具集赋予代理直接操作计算机的权限。1） Shell命令执行 - 通过一个exec工具，代理可以在用户的机器上运行shell命令。 - 支持多种执行环境： > 沙盒 (sandbox)：默认选项，命令在Docker容器内运行以增强安全性。 > 主机 (host machine)：直接在用户的操作系统上运行。 > 远程设备 (remote devices)：在连接的远程机器上执行。2) 核心工具集 - 文件系统工具：支持读取、写入和编辑本地文件。 - 浏览器工具：基于Playwright，并采用语义快照技术进行网页交互。 - 进程管理工具：用于处理需要长时间运行的后台命令，以及终止进程等。6. 安全机制：用户授权下的自主性为了在赋予代理强大能力的同时确保安全可控，OpenClaw采用了一套类似Claude Code的安全模型，其核心理念是在用户允许的范围内给予代理最大的自主权。1) 命令审批系统 - 通过一个位于~/.clawdbot/exec-approvals.json的许可名单文件来管理命令授权。 - 当智能体尝试执行一个新命令时，会向用户发出提示，选项包括“允许一次”、“始终允许”或“拒绝”。 - 用户的选择会被记录在许可名单中。2）默认安全设置 - 一组被认为是安全的命令（如 jq, grep, cut, sort 等）已被预先批准。 - 危险的shell构造在执行前会被默认阻止。7. 浏览器交互：语义快照的创新应用OpenClaw的浏览器工具不依赖传统的屏幕截图，而是采用一种名为“语义快照”的创新技术，这是一种基于页面可访问性树（ARIA）的文本表示。1) 工作原理 - 代理看到的不是页面的视觉图像，而是一个结构化的文本描述2) 核心优势 - 大幅减小数据体积：一张屏幕截图的大小约为5MB，而一个语义快照通常小于50KB。 - 显著降低Token成本：文本表示的处理成本远低于图像，为LLM节省了大量的Token消耗。 - 机器友好：为代理提供了结构化、易于解析的页面信息，使其能够更准确地理解和操作网页元素。原文：x.com/hesamation/status/2017038553058857413#HOW I AI# #程序员#

10. 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

11. Agent 真正的护城河，正在从工具转向记忆资产

12. AI智能体之所以强大，核心在于它们的“记忆系统”。没有记忆，智能体只能盲目行动，无法学习和适应。记忆让它们能够跨时推理、优化决策，真正实现智能。短期记忆（工作记忆）负责暂时存储任务相关信息，帮助智能体追踪当前用户问题、对话上下文和任务中间步骤，从而做出连贯且有针对性的回应。长期记忆则保存跨任务的知识与经验，积累事实和规律，使智能体随着时间变得更高效、更准确。情景记忆像人类的经历记录，存储状态、行为、结果和奖励，助力强化学习中识别哪些行为带来成功或失败。语义记忆包含结构化的世界知识——概念、规则、语言和领域信息，支持智能体推理和理解新信息。检索机制根据上下文、关键词或相似度精准调用所需记忆，避免信息混乱和过时。记忆还支持多步规划，智能体能记住子目标、进展和障碍，提升长远策略，而非仅解决眼前问题。多任务环境中，智能体为每个任务维护独立记忆，防止任务混淆，提升切换效率，并跟踪用户偏好。强化学习中的经验回放机制，通过反复利用历史经验，稳定训练过程，避免重复错误。记忆系统是动态演进的，智能体通过反馈、奖励和新交互不断更新，持续优化表现。记忆不仅是AI智能体的“知识库”，更是其“成长引擎”。理解短期、长期、情景和语义记忆的区别与协作，是构建高效智能体的关键。未来，记忆与检索机制的进步，将推动AI从“会思考”向“会记忆、会学习、会进化”迈进。原文：x.com/e_opore/status/1994331859661000712

13. 请教一下各位关于RAG（检索增强生成）的几个问题？

14. 吴恩达DeepLearning AI 新课程：Design, Develop, and Deploy Multi-Agent Systems with CrewAI可以浏览器装一个沉浸式翻译插件，实时英文字幕转中文。主要介绍了如何设计、开发与部署多智能体（multi-agent）系统，重点在于掌握代理式 AI 工作流（agentic AI workflows）的思维方式与工程方法。将学会如何把复杂任务分解成由多个专门智能体协作完成的子任务，从而高效构建复杂的 AI 应用。1. 掌握构建多智能体系统的基本概念：agent、task、crew、flow、state 等。2. 理解智能体的核心组成：记忆（memory）、工具（tools）、模型上下文协议（MCP）、执行钩子（execution hooks）与防护机制（guardrails）。3. 学会通过 CrewAI 框架将这些要素组合，构建具有可观测性、可控性与可扩展性的系统。4. 了解如何通过指标（metrics）与人类反馈（human feedback）对智能体进行评估与持续改进。访问：learn.deeplearning.ai/courses/design-develop-and-deploy-multi-agent-systems-with-crewai

15. 给AI一个“身体”：3D数字人或是具身智能的解法？【硅谷101】

16. 通俗易懂的解释 LLM，RAG 和 AI Agent 的差别，以下内容为原推的翻译：我终于明白了LLM、RAG和AI智能体的区别过去两年里，我一直在搭建真正落地的AI系统。现在，我终于清楚了：LLM（大语言模型）、RAG（检索增强生成）和AI智能体（AI Agents），根本不是互相竞争的技术，而是构成同一个AI智能系统的三个层次。很多人用错了方法，把它们当成互斥的工具。---> 大语言模型是“大脑” <LLM 就像AI的脑子，它会思考，会写作，也懂语言。但问题来了：它是冻结在某个时间点的。比如 GPT-4，它的知识截止到训练结束的那一天。你问它昨天的新闻发生了什么？那可就瞎编了。大语言模型很聪明，但却不了解“现在”正在发生的事。---> RAG是AI的“记忆” <这时候就需要 RAG（Retrieval-Augmented Generation，检索增强生成）了，它相当于给大脑接入了“外置内存”。当你提问时，RAG会先去外部数据库或文档里搜索，把相关资料抓出来，再丢给大语言模型作为上下文。这样一来，原本静态的模型一下子就“活”了：- 有最新的数据- 有真实的事实- 完全不需要重新训练模型最关键的是，准确率立刻就提高了。大语言模型不用再靠记忆乱猜，而是真正地在实时检索到的信息上进行推理。你甚至还能追溯每个答案到底用了哪些文档。---## > AI智能体是AI的“行动力” <尽管LLM能思考，RAG能提供新鲜的数据，但它们都缺乏真正的行动能力。这时，AI智能体（AI Agents）出场了。它在大语言模型的外面套上了一个控制循环：- 设定目标- 规划步骤- 执行行动- 回顾反思AI智能体并不仅仅是回答问题那么简单，它能自主地去研究一个话题、收集数据、撰写报告，甚至帮你发邮件，全程自动化。---> 真正的生产级AI，要同时用好这三者 <很多酷炫的AI展示，其实只是单纯用了LLM再配上花里胡哨的提示词。但真正能落地的AI系统，往往同时结合了这三个要素：- LLM 提供推理和思考能力- RAG 确保知识准确而新鲜- AI智能体则提供行动和决策能力---> 如何选用这三者？ <- 只用LLM 如果你需要纯语言的任务，比如写作、摘要、解释。- LLM + RAG 如果你需要回答涉及特定文档、技术手册、专业领域知识的问题，并确保答案准确无误。- LLM + RAG + AI 智能体如果你需要真正的自主行动，比如系统自己决策、执行任务、管理复杂流程。---> AI的未来，不是选哪一种，而是如何把这三层架构起来 <记住这个公式：- LLM负责思考- RAG负责知识- AI智能体负责行动真正的AI智能系统，就是这三者协同起来，形成一个完整的智能架构。来源：x.com/connordavis_ai/status/1985663551697273216

17. 智能家居黑科技，人人都能成为烹饪大师？#智能家居# #智慧生活# #AI友妙计#海尔与阿里云深度合作小优智能体，打造专属的AI生活管家。@阿里云路诞先生的微博视频

18. RAG、LangChain、Agent 到底有什么关系？

19. OpenViking：一个非常实用的开源项目，专为AI Agent设计的上下文数据库，通过创新的“文件系统范式”统一管理Agent所需的记忆、资源和技能，彻底解决了传统向量数据库碎片化、检索效果差、上下文不可见的问题。主要亮点包括：- 文件系统管理范式，实现统一结构化管理，轻松浏览和操作上下文，像管理本地文件一样简单- L0/L1/L2三层上下文分级加载，按需调用，大幅降低Token消耗- 目录递归检索策略，结合目录位置和语义搜索，实现更精准、更全局的上下文获取- 可视化检索轨迹，完整呈现检索过程，方便调试和优化- 会话自动管理，自动提取长期记忆，Agent能“用得越久越聪明”支持Python包安装，也有Rust CLI工具；支持多家主流模型提供商，包含Volcengine、OpenAI、Anthropic、本地vLLM等等；同时提供详尽配置示例，轻松上手。新手快速开始示例脚本也非常简洁，几行代码即可增加资源、浏览文件结构、等待语义处理、抽取摘要、执行语义搜索，非常适合开发者验证和应用。同时官方推荐在云服务器（推荐Volcengine ECS + veLinux）环境中部署，保证稳定性和性能。如果你正打造智能Agent或者想优化上下文管理，强烈建议一试OpenViking，这个项目将让上下文管理和检索变得前所未有的清晰、高效、智能。GitHub地址：github.com/volcengine/OpenViking 官网：www.openviking.ai 文档：www.openviking.ai/docs

20. 电子书 The Context Engineering Guide网页链接weaviate出的电子书：光有一个强大的大型语言模型（LLM）是不够的。即使是最智能的模型也难免产生“幻觉”，缺乏现实世界的知识，甚至无法记住上一轮的对话。解决方案不在于编写更好的提示词，而在于构建一个更好的系统。本电子书将指引你掌握上下文工程（Context Engineering）：即在推理阶段，通过筛选、组织和管理输入给大模型的信息（即“上下文”Token），从而优化模型性能与行为的过程。你将学习到必要的架构模式，助你摆脱简单的演示（Demo）阶段，构建出可靠且可投入生产（Production-ready）的 AI 应用——使其能够基于现实世界的上下文进行思考，而不仅仅局限于原本的训练数据。《上下文工程指南》涵盖以下内容：如何架构智能体，使其充当系统的决策大脑。如何应用查询增强，将杂乱的用户请求转化为精准、可执行的意图。高效检索的原则，确保在正确的时机将模型连接到正确的外部信息。如何设计记忆架构，赋予系统历史感和学习能力。集成工具的策略，赋予应用“双手”，使其能够与实时数据和 API 进行交互。#科技先锋官#

21. 构建真正有效智能体，90%靠的是“记忆”，而非模型本身、框架或MCP。关键在于智能体对以下内容的理解和记忆：- 自身能力范围 - 目标与需求 - 过去失败经验这段“上下文”决定了智能体是像六岁小孩般无知，还是像严谨工程师般高效。核心是“领域记忆”——既包含专业化知识，也包含任务专属的长期记忆。这不是简单的会话记忆，而是对未来至关重要的关键洞察的持续保存。可以称之为“工作流记忆”，它虽设置不复杂，但设计精妙且价值巨大。即便内部已有智能体架构，实现持久记忆也不难，且无需依赖外部API（当然也有选择）。让智能体把最终回答摘要存入持久存储，下次运行时回顾过去决策，大大提升了连续性与理性表现。失败尝试的历史比成功经验更宝贵，避免重复踩坑，节省时间和计算资源。通过保存失败日志，课减少70%的重复错误，证明记忆架构是生产级智能体的核心，而非模型升级的噱头。将记忆细分为“动态工作流记忆”（从失败中学习）和“静态目标记忆”（明确要求与验收标准），结合使用能让智能体拥有既稳固又灵活的执行力。记忆提供连续性，但“控制”才是智能体真正的主动性源泉。只有当系统能自主调节自身动态，才能实现真正的“代理行为”，而非被动反应。记忆塑造认知，控制塑造行为，两者合力才能造就真正有自主决策能力的智能体。产品角度看，模型是天花板，记忆系统是地板。没有强大且专注的长期记忆，再好的模型也难以落地应用。当大家热衷于追求更聪明的模型时，真正提升智能体智商的，是持续不断的记忆和上下文管理。只有打好记忆基础，智能体才能从随机猜测进化为可靠执行者，实现真正的智能与成长。x.com/Hesamation/status/1999255592242737658

22. 【从规则系统到智能体】在"State of Agentic AI: Founder’s edition"文章里看到的这句话，很准确地讲述了AI 智能体的优势「AI 智能体更擅长处理需要认知能力、推理和适应性的复杂、动态和非结构化任务。与遵循僵化、预定义规则的 RPA 不同，AI 智能体可以朝着一个目标进行推理，动态地即时决策，并随着时间的推移学习或改进——这使它们能够处理边缘情况 (edge cases) （也就是意料之外的特殊情况）和环境变化而不会“罢工”」最近在设计一个系统来尝试从日志和其他各种输入条件中，推断问题根本原因，也需要在规则还是智能体之间决策，最终决定还是走智能体的路线，最主要的思考点也是如何处理长期可能存在edge case，虽然短期内用规则可以稳定地跑个小半年，但是随着人员和系统的演进，规则会需要不断地调整和优化，以适应系统的变化。但智能体"可能"不需要。这其实也是规则系统和智能体之间的不同之处↓1. 从规则到目标：认知能力的引入RPA 的核心在于“规则执行”，而 AI 智能体的核心在于“目标导向”。前者关心的是如何执行，后者思考的是为什么执行。这种差异的根本在于：AI 智能体具备了“认知能力”——它能够理解任务上下文、评估环境状态、权衡路径，并根据目标进行推理与规划。我们给智能体设计的是一个目标和约束规则，智能体可以在我们设定的目标和框架内"有意识"地，对各种情况进行灵活处理。比如一个客服智能体，设计的目标如果是让客户满意，智能体可能会自己判断用户说话的语气和心情，进行灵活的应答。2. 从静态到动态：应对不确定性的能力传统自动化的假设前提是环境稳定、流程可预测。但现实世界往往恰恰相反：数据缺失、输入异常、系统变化、边缘案例频出。RPA 在这种情况下就像在固定轨道上运行的火车，一旦轨道错位，便无法前行。AI 智能体的关键特性在于适应性。通过持续学习与动态推理，它能够在面对不确定性时，仍然“保持行动”。比如，一个采购智能体在遇到新供应商流程时，不会立刻失败，而是通过知识库与反馈机制自行更新策略。这意味着系统不再“被动执行”，而是具备“自我修正”的能力。3. 从执行到进化：持续学习的闭环AI 智能体的强大之处不止在于智能决策，更在于长期的自我演化。RPA 的生命周期是线性的：开发 → 测试 → 部署 → 维护。而 AI 智能体的生命周期是循环的：感知 → 推理 → 行动 → 学习。这种循环形成了“认知闭环”，让系统能够随着时间推移而变得更强。例如，在销售预测场景中，智能体会根据过去的判断误差，动态调整模型；在运营优化中，它能自动发现流程瓶颈，提出改进建议。这种能力的积累，意味着 AI 智能体不仅能“做任务”，还能“改进自己”。为了让智能体能够进化，我们在一开始设计系统的时候就要考虑如何让智能体从过去的经验中学习。比如可能设计一个RAG系统，让智能体可以从历史处理的过程和结果数据检索相关经验，从而指导新的问题的处理。也可能是一个迭代的微调系统，用历史数据微调新的模型，用微调后的模型来处理新的问题，就代表了智能体的进化过程。RPA 让企业“自动化地做事”，AI 智能体让企业“智能地思考如何做事”。前者提升了效率，后者改变了决策。真正的智能化，不在于让机器代替人执行，而在于让系统具备理解和适应复杂世界的能力。#ai创造营##科技#

23. 教程：All-in-RAG | 大模型应用开发实战一：RAG技术全栈指南网页链接本项目是一个面向大模型应用开发者的RAG（检索增强生成）技术全栈教程，旨在通过体系化的学习路径和动手实践项目，帮助开发者掌握基于大语言模型的RAG应用开发技能，构建生产级的智能问答和知识检索系统。主要内容包括： RAG技术基础：深入浅出地介绍RAG的核心概念、技术原理和应用场景数据处理全流程：从数据加载、清洗到文本分块的完整数据准备流程索引构建与优化：向量嵌入、多模态嵌入、向量数据库构建及索引优化技术检索技术进阶：混合检索、查询构建、Text2SQL等高级检索技术生成集成与评估：格式化生成、系统评估与优化方法项目实战：从基础到进阶的完整RAG应用开发实践#微博兴趣创作计划#

24. 构建智能数字灵魂从未如此简单。OpenSouls 是一个开源的灵魂引擎框架，旨在模拟人类思维中的决策、记忆、情感和驱动力，打造具备个性和自主性的 AI 代理。它采用函数式的工作记忆和认知步骤设计，支持多模型接入，能实现持久化会话和背景计算，帮助开发者创建从游戏 NPC 到教育导师的多样化数字生命。项目从设计理念到代码快照，都致力于让 AI 不只是聊天机器人，而是拥有真实情感和目标的“AI 灵魂”。GitHub 地址：github.com/opensouls/opensouls主要功能亮点：- 以工作记忆和认知步骤为核心，实现可调试、可预测的 AI 思维流程 - 支持多模型集成，包含 OpenAI、Anthropic 等主流大模型 - 具备持久化状态和可恢复会话，保证连续交互体验 - 通过状态机管理多种行为模式，实现动态上下文感知 - 轻量化设计，去除认证和云依赖，支持完全本地运行 - 适合游戏开发、虚拟助手、教育工具等多场景应用快速启动只需安装依赖、配置 OpenAI Key，即可本地运行，与数字灵魂进行互动，体验未来 AI 代理的无限可能。

25. 能否使用RAG技术来解决大模型的长期记忆问题？

26. 构建专业智能体：从通用 AI 到企业级应用的工程化实践

27. AI 的学识和记忆力都远超常人，这是否意味着我们每个人都能真正长期拥有一个优秀贴心的助理？

28. 《Making Sense of Memory in AI Agents》 AI智能体的“记忆”其实是指它们跨多轮对话，记住并调用重要信息的能力。这让智能体能从反馈中学习，适应用户喜好，提升体验和效果。但目前驱动这些智能体的语言模型（LLM）本身是无状态的，每次交互都是“重头开始”，没有内置记忆功能。要实现记忆，必须借助外部存储或上下文管理，帮它们回顾之前的对话内容。“记忆”既是信息的存储位置（如数据库、Markdown文件），也是一种信息管理机制。研究中区分了“智能体记忆”（agent memory）和“自主记忆”（agentic memory）——前者是赋予智能体访问记忆的能力，后者是智能体主动写入和管理记忆的系统。智能体记忆大致分为短期和长期两类： - 短期记忆存在于模型的上下文窗口里，保存当前对话内容； - 长期记忆储存在外部系统，如向量数据库，保存更稳定、广泛的信息。模仿人类记忆结构，有四种记忆类型：工作记忆（当前对话）、语义记忆（事实）、情景记忆（经历）、程序记忆（指令）。另一种设计思路则划分为消息缓存、核心记忆、回顾记忆和档案记忆，分别对应不同存储和管理策略。智能体记忆管理的关键，是如何在上下文窗口和外部存储间高效传递信息，着重解决以下难题： - 如何避免上下文过长导致响应变慢和成本飙升； - 如何判断哪些信息需要被记住、更新或者删除，防止记忆膨胀和信息质量下降。这里涉及“显式记忆”（智能体主动识别和保存重要信息）与“隐式记忆”（系统自动定时更新或批处理记忆）的区分。实现时，当前对话通常用列表形式保存，指令用文本文件，其他信息则根据检索需求存数据库。技术挑战主要集中在延迟控制和“忘记机制”的设计：如何精准判断哪些信息该被遗忘，防止系统负担过重，保持记忆的相关性和有效性。目前，围绕智能体记忆管理的开发框架快速涌现，如mem0、Letta、Cognee、zep，以及LangChain、LlamaIndex等通用智能体开发工具，都在积极推动技术成熟。总结来看，AI智能体记忆设计是连接短期对话和长期知识存储的桥梁。它不仅关乎记忆的保存，更涉及记忆的更新和遗忘，是打造更智能、更贴心AI的核心难题和发展方向。原文：leoniemonigatti.com/blog/memory-in-ai-agents.html

29. 怎么让大模型的RAG迅速落地，看这一篇就够了（附AI项目落地实操经验+技巧+资料）

30. 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

31. AI时代，最不值钱的，就是重复劳动；最值钱的，是你得熟练指挥智能体。#大咖观察 #红衣聊AI #硅谷 #智能体 #AI应用

32. 「Github一周热点98期」AI文档检索框架、微软最新TTS、Claude Code 记忆插件、自动化备份、 jellyfin和linux桌面环境

33. 一位网友逆向破解了 ChatGPT 记忆系统，给我干破防了

34. LLM 的记忆问题「很快」就不再是问题了？

35. 理解 AI 智能体中的记忆（Making Sense of Memory in AI Agents） 1. LLM 天生就是“健忘”的 LLM，在其核心交互设计上是“无状态”的（stateless），天生没有对话记忆。 LLM 在训练阶段已经将海量知识以“参数化知识”（parametric knowledge）的形式存储在其模型权重中，但这是一种静态的、背景性的记忆。对于你和AI的实时对话，每一次互动本质上都是一个全新的开始。模型本身并不会内置任何关于你们过去对话的记忆。我们感受到的所谓记忆，其实是一种技术上的实现：开发者将你之前的对话内容，在每一次你发送新消息时，都重新“喂”给模型。正是因为这种机制，开发者才必须专门为 AI 构建外部的记忆系统，因为它并非底层模型自带的功能。 2. 我们应该用“人脑”还是“计算机”来类比 AI 记忆？关于如何定义和分类 AI 记忆，业界尚未达成共识。但要理解这场有趣的辩论，首先需要掌握一个核心框架：几乎所有的 AI 记忆系统，都在最高层面上区分了两种基本类型——短期记忆（上下文内记忆）长期记忆（上下文外记忆）。 1）短期记忆 (In-context memory): 指的是当前在 LLM 的“上下文窗口”中可用的信息，也就是模型能直接“看到”的对话历史。 2）长期记忆 (Out-of-context memory): 指的是存储在外部数据库（如向量数据库）中的信息，模型需要通过特定检索操作才能访问。在这个基础框架之上，业界形成了两大思想流派，它们试图用不同的模型来进一步细分记忆的类型。第一派倾向于使用人类记忆进行类比。例如，一篇名为 CoALA (Cognitive Architectures for Language Agents) 的论文就借鉴了人类认知模型，将 AI 记忆分为四种： 1）工作记忆 (Working memory): 当前对话的上下文内容，例如“你好，我叫山姆。” 2）语义记忆 (Semantic memory): 事实性知识，例如关于用户的信息“他的狗叫亨利。” 3）情景记忆 (Episodic memory): 过去的经历或行为，例如“在没有使用计算器的情况下，计算 1+1 失败了。” 4）程序记忆 (Procedural memory): 指令或技能，例如系统提示中的指令“在回答问题前，总是先提出追问。” 然而，另一派则认为这种类比并不恰当。 Letta 公司的 Sarah Wooders 认为，将 AI 类比成大脑会产生误导。她强调： an LLM is a tokens-in-tokens-out function, not a brain, and that, therefore, the overly anthropomorphized analogies are not fit. 因此，他们提出了一个更侧重于系统架构的分类方法，它同样建立在短期和长期记忆的区分之上： 1）消息缓冲区 (Message Buffer): 存储当前对话中最近的消息。 2）核心记忆 (Core Memory): 由 AI 自身管理的关键上下文信息，例如与当前对话相关的用户生日。 3）回忆记忆 (Recall Memory): 原始的、未经处理的对话历史记录。 4）存档记忆 (Archival Memory): 明确表述并存储在外部数据库中的信息。这两种模型并非完全独立，而是对同一问题的不同剖析。例如，CoALA 模型中的“工作记忆”在 Letta 的模型中被更精细地拆分为“消息缓冲区”和“核心记忆”。 3. 让 AI 学会“遗忘”比“记忆”更难在 AI 记忆设计中，最复杂的挑战并非如何“记住”，而是如何进行有效的“记忆管理”，尤其是如何“遗忘”。首先，我们需要区分管理“上下文窗口”（短期记忆）和管理“外部存储”（长期记忆）的挑战。对于上下文窗口，挑战在于避免因对话过长而超出token限制，开发者通常会采用对话摘要等方法来精简信息。而真正的难题在于管理外部的长期记忆。如果一个 AI 从不遗忘，就会导致“记忆膨胀”（memory bloat）。大量低质量或不相关的存储信息会像噪音一样干扰 AI，最终降低其性能。记忆管理系统的四种核心操作： 1） ADD (添加): 将新信息存入长期记忆。 2） UPDATE (更新): 修改现有信息以反映最新情况（例如，更新用户的地址）。 3） DELETE (删除/遗忘): 识别并永久移除过时或无关的信息，这是防止记忆膨胀的关键。 4） NOOP (无操作): 这也许是最微妙也最困难的决策——判断当前信息既不新、也无矛盾，因此不值得存入记忆。教会 AI 何时该“遗忘”（DELETE）以及何时该“无视”（NOOP），是自动化记忆管理的最大障碍。除此之外，开发者还面临一个难题：何时执行这些操作？是在与用户对话的实时路径中（hot path），还是在对话结束后的后台批处理中（background）？这些决策都深刻影响着系统的延迟和效率。 #ai创造营# #程序员#

36. 这个对 Agent 的定义和归纳挺好！Agent 是一种能够自主决策、执行任务、并在过程中动态调整行为的智能体。它并不是简单的问答系统，而是能理解目标、规划行动、调用工具、记忆状态，并根据反馈优化策略的智能执行系统。关键特征：（1）自主性：Agent 不依赖固定流程，而是根据上下文和已学到的信息动态决定下一步行动。（2）记忆能力：能够在多轮交互中保持状态，记住过往的操作与结果，用以改进后续决策。（3）工具使用：可以选择并组合不同的外部工具或系统，灵活完成复杂任务。（4）自适应性：在策略失败或信息不足时，能尝试不同方法或补充信息，持续优化执行路径。架构形式：（1）单智能体（Single-Agent）架构：由一个 Agent 处理所有任务，适用于中等复杂度的流程。（2）多智能体（Multi-Agent）架构：不同的 Agent 负责不同子任务，能处理复杂工作流，但需要协调机制确保协同一致。工作方式：Agent 通常会将用户请求拆解为子任务，通过搜索、记忆和工具调用等过程生成最终响应，并在此过程中不断判断是否需要更多信息、是否已回答过类似问题、是否需要切换策略。归纳起来：Agent 是具备理解、规划、执行、记忆与自我调整能力的智能体，能够以动态和自适应的方式完成复杂任务。#ai创造营# #程序员#

37. 说实话，我认为记忆力是目前持续学习的最大障碍。让我夜不能寐的问题是：我们如何利用记忆避免重蹈覆辙？我们如何教会模型有选择地记忆和遗忘？何时呈现正确的背景信息？人类通过记忆巩固、干扰管理和情境绑定自然而然地做到这一点，然而，我们尚未找到复制这种机制的方法。人类海马系统与当前LLM记忆架构之间的差距揭示了一个根本性的挑战：我们基本上构建了两个极端：要么是将所有信息都硬编码到参数中的模型（刚性模型），要么是使用RAG（随机数生成器）机械地检索信息（模糊模型）。真正的持续学习要求我们破解智能检索的密码；不仅要知道存储什么，还要知道抑制什么、何时强化，以及如何让旧知识优雅地消退而不造成灾难性的干扰。非常喜欢这篇调查，因为它从宏观角度展现了 LLM 和多模态模型中的记忆架构（也很喜欢其中受大脑启发的分类法，很棒！）。我会尽我所能系统地绘制出它的图谱。三部分框架：他们围绕新皮层-海马体-前额叶皮层的类比来构建记忆：内隐记忆/新皮层涵盖了嵌入模型权重中的参数知识，包括记忆编辑技术（如 ROME 和 MEMIT，它们通过精确修改权重来更新事实）、通过 LoRA 等适配器注入知识，以及通过记忆遗忘来删除有害内容。显性记忆/海马体研究外部检索系统；RAG架构、向量数据库、知识图谱。它们详细阐述了如何在不同的粒度（文档、组块、句子、图结构）和优化时间（无训练、联合预训练、SFT等）下组织记忆。智能体记忆/前额皮层探索自主智能体如何维持短期记忆（CoT++）与长期记忆（外部事实数据库、历史轨迹、用户反馈等）。我非常喜欢这个关于记忆的思考框架，但我认为除了分类之外，这项调查最大的贡献在于指出了尚未解决的问题：记忆污染/幻觉、大规模检索的计算负担、何时应该检索信息而不是依赖参数化知识，以及长时间交互过程中记忆一致性的挑战#科技先锋官##ai生活指南##ai创造营#

38. Clawdbot 如何记住一切 / 解析🦞的记忆系统

39. AI 智能体上下文工程 4 大核心策略，拯救大模型的「金鱼记忆」！

40. Weaviate的免费电子书：《上下文工程（Context Engineering）》你是否也遇到过这样的问题？用强大的大语言模型（LLM）做应用时，模型能写能总结能推理，但面对你的专属数据却无能为力，甚至自信地“胡编乱造”。问题不在模型智能，而是它被“孤立”了——没有访问你的私有文档，没有实时信息，没有记忆。这正是“上下文工程”（Context Engineering）的核心挑战：设计系统，让模型在合适的时间获得正确的信息，连接外部知识库和工具，赋予它记忆，帮它在真实世界中可靠工作。这本电子书详细讲述了如何打造这样的系统：1. 智能代理（Agents）：它们不再盲目执行固定流程，而是动态判断、选择工具、调整策略，甚至修正错误，像个有头脑的“指挥官”。2. 上下文窗口的限制与管理：模型的工作记忆有限，不能简单扩容。要懂得剔除无关信息、压缩摘要、防止信息冲突和错误积累，才能保持“思路清晰”。3. 查询增强（Query Augmentation）：通过重写、扩展、拆解查询，提升检索准确度，让模型更懂你的问题。4. 文档切片（Chunking）策略：如何拆解文档成既精确又完整的小块，是检索表现好坏的关键。预切片和后切片各有利弊，复杂文档更需要层级和语义切片。5. 记忆管理：短期记忆为即时推理服务，长期记忆保存事实和经验。高效的记忆管理防止信息污染，支持多层次记忆结构，提升连贯性和智能度。6. 工具集成（Tools）：模型借助外部API和功能调用，才真正能够“动手”解决问题。精确的工具描述和合理的调用逻辑，是提升系统可靠性的秘诀。7. 编排挑战（Orchestration）：让代理知道何时用什么工具、如何构造参数、如何根据结果调整策略，形成“思考-行动-观察”的闭环。8. 未来趋势：Anthropic提出的“模型上下文协议”（Model Context Protocol，MCP）将实现AI应用与工具的标准化连接，告别碎片化集成，迈向模块化、组合式AI系统。总结来说，打造智能AI应用的关键不再是更大更复杂的模型，而是更精妙的上下文系统设计。上下文工程让我们从“给模型写提示词”升级为“构建模型的世界”。掌握代理、查询增强、检索、记忆和工具的协同，才能让AI真正“活”起来。🔗 weaviate.io/ebooks/the-context-engineering-guide这就是我们，构建未来AI的工程师，正在重新定义智能的边界。你准备好了吗？

41. 论文 Fundamentals of Building Autonomous LLM Agents，系统性地梳理 “如何构建一个真正具备自主性的 LLM 智能体”，也就是从「语言模型」走向「智能体」（而不仅仅是增强的聊天机器人／工具调用系统）。论文提出希望解答以下几个研究问题（RQs）：（1）设计空间（Design space）：核心子系统（感知／推理／记忆／执行）有哪些可选方案？如何系统化组织？（2）子系统整合（Integration）：在现实软件环境（比如 GUI、web 任务）中，这些子系统如何闭环协作？（3）推理效能（Reasoning efficacy）：不同推理策略（如 Chain-of-Thought、Tree-of-Thought、并行规划等）对任务成功率、效率、成本有什么影响？（4）记忆影响（Memory impact）：短期／长期记忆机制（例如 RAG、上下文管理）怎样提升模型在长时程任务或大上下文任务中的表现？（5）失败模式与缓解（Failures & mitigation）：代理在哪些方面容易失败（如幻觉、GUI误定位、重复循环、工具误用）？有哪些缓解技术？（6）评估与泛化（Evaluation & generalization）：有哪些基准／指标适用于评估此类代理？代理能在多任务、多界面条件下泛化吗？★ 核心架构论文将一个具备自主能力的 LLM 智能体拆解为以下四大模块：1. 感知（Perception）系统2. 推理／规划（Reasoning／Planning）系统3. 记忆（Memory）系统4. 执行（Execution）系统★ 感知系统感知系统是智能体“看／听／感知环境”的部分。论文提及四种主要方式：文本感知、多模态感知、结构化数据／信息树感知、工具辅助感知。- 文本感知（Text-Based）：环境以纯文本形式输入，LLM 直接处理。这种方式代价最低，但只适用于文本驱动的场景。- 多模态感知（Multimodal）：环境包含图像／视频＋文字，使用视觉‐语言模型（VLM）或多模态 LLM（MM-LLM）将视觉输入编码为与文本兼容的向量。- 结构化数据／信息树（Information Tree / Structured Data）：例如 GUI 的 Accessibility Tree、HTML DOM 树，将界面元素结构化地输入模型。- 工具辅助感知（Tool-based）：智能体调用外部 API／工具获取环境信息（如网页检索、数据库查询、传感器数据等）然后将结果反馈给 LLM。论文还指出感知系统的关键挑战：例如图像识别中模型可能“幻觉”对象、上下文窗口受限、高计算／延迟成本、数据收集困难等。★ 推理系统推理系统是智能体“思考／规划／决策”那部分。论文讨论了多种方法：- 任务分解（Task decomposition）：把大任务拆成子任务。包括“先分解再规划”（Decomposition first）和“交错分解”（Interleaved decomposition）两类。- 多方案生成与选择（Multi-plan generation & selection）：代理生成多个可能方案（如通过 Tree-of-Thought, Graph-of-Thought, LLM-MCTS 等）然后选择最优一个。- 反思（Reflection）：智能体在执行后或执行途中反思自己的决策／行动，识别错误并改进。甚至“预反思”（anticipatory reflection）在执行前预测失败。- 多智能体系统（Multi-agent systems）：将推理分为多个“专家”模块（Planning Expert、Memory Expert、Error Handling Expert 等），各司其职、协同完成。★ 记忆系统记忆系统使智能体不仅“即时反应”，还能“记住过去、用过去指导未来”。论文区分短期记忆与长期记忆。- 长期记忆（Long-term memory）：如将经验固化、使用 Retrieval-Augmented Generation（RAG）从外部知识库检索、将结构化数据（如 SQL 数据库）用于查询。- 短期记忆（Short-term memory）：通常是 LLM 的上下文窗口中的“当前任务状态”。- 应存储的数据类型：成功经验、失败经验、动作轨迹、环境反馈等。将“失败”经验也显式记录有助于避免重复错误。- 记忆系统的挑战包括：上下文窗口限制、检索噪声、长期记忆如何更新与维护、如何避免“记忆漂移”等。★ 执行系统执行系统是智能体“将内部决策落实为环境动作”的部分。论文谈到执行系统要支持工具调用、API／代码生成、物理操作、GUI 控制等。具体维度包括：- 工具与 API 集成（Tool and API Integration）- 多模态行动空间（Multimodal Action Spaces）——例如 GUI 控制、视觉界面操作、机器人控制、代码执行等。- 整合挑战（Integration Challenges）——例如如何让决策结果真正映射到动作、如何反馈结果、如何监控执行失败／成功。论文：arxiv.org/abs/2510.09244#ai创造营##程序员#

42. Leonie Monigatti深入剖析了AI代理中的记忆演进，从最初的RAG（检索增强生成）到Agentic RAG，再到具备读写能力的Agent Memory，厘清了这一系列技术的核心逻辑与突破。RAG诞生于2020年，其核心是将离线存储的外部知识检索进LLM上下文，解决模型记忆有限带来的问题。但其“单次检索”与“只读”限制导致复杂场景下仍有误导风险。Agentic RAG引入了“工具调用”机制，允许智能体主动判断是否需要检索、选择检索工具，并评估检索结果相关性，显著提升了灵活性和准确性，但仍无法动态学习和更新信息。Agent Memory则迈出关键一步：支持智能体不仅读取，还能写入和管理外部记忆，实现基于历史交互的持续学习和个性化体验。它将记忆从“静态”转变为“动态”，但也带来了记忆管理和遗忘机制的新挑战。这三者共同体现了信息“存储-检索-编辑-删除”的完整闭环，也反映了AI系统从单点知识调用向复杂记忆体系演进的趋势。未来，如何设计高效的多源、多类型记忆管理策略，将是提升AI智能和人机交互体验的关键。详细内容及代码示例请见原文：leoniemonigatti.com/blog/from-rag-to-agent-memory.html

43. 如果你想要构建 AI 智能体，非常建议认真读一读这篇论文《Cognitive Architectures for Language Agents（CoALA）》。它把最近两年五花八门的 LLM Agent，统一拉回到一个“认知架构”的老问题上：一个智能体，究竟应该有哪些“心智部件”，它们如何协同？这两天我又重温了一遍这篇论文，作为学习笔记做一些总结，和大家分享和探讨。CoALA 的核心观点可以概括为三条：记忆模块、动作空间、决策循环。一、记忆模块：不只是“加个向量库”CoALA 直接借用了经典认知心理学的分法：1. 工作记忆：当前决策轮次里正在被关注的信息，是 LLM 输入输出的“变量容器”； 2. 长期记忆细分为三类：程序性记忆：规则与技能，一部分在 LLM 权重里，一部分在 Agent 代码和工具定义里；语义记忆：关于世界与任务的事实知识，可以是文档、知识库、向量检索；情景记忆：过往任务轨迹、交互历史、失败教训。关键点在于：一个 Agent 要想真正“可成长”，必须同时会读写这些记忆，而不仅仅是“从知识库检索几段文本”。二、动作空间：不仅有“调工具”，还有内部动作CoALA 把 Agent 的动作分为外部与内部两大类：1. 外部动作：调 API、操作网页/机器人、与人对话等； 2. 内部动作：检索：从长期记忆读入到工作记忆；推理：在工作记忆上做分析、规划、反思；学习：把新的经验、总结、策略写回长期记忆。这点对工程实践的启示是：如果我们只给 Agent 暴露“调用工具”和“回复用户”两个动作，它就永远学不会管理自己的知识，更不会形成稳定的行为模式。三、决策循环：从“一次生成”到“提案–评估–选择–执行”论文把现在各种 CoT、ReAct、ToT、Reflexion 等方法统一成一个通用决策循环：先通过“推理 + 检索”提出若干候选动作或计划；再用启发式、价值函数、或 LLM 内部模拟进行评估；选择其中一个动作执行，并记录反馈到情景记忆；在合适时机触发学习，把这次经验固化为新的语义/程序性知识。这不仅是一套方法，更像是一个“思维框架”：不要指望 LLM 一步给答案，而是让它在一个循环里“想一想、试一试、记一记”。对构建智能体的几个关键启示：设计 Agent 时，先画出这三样：记忆结构、动作接口、决策流程，再选模型、接工具。大模型只是其中一个“推理引擎”。要有意识地赋予 Agent “写入记忆”的能力——哪怕一开始只允许写入日志/总结，也比完全无记忆来得强。安全风险最高的是动作空间里“能改什么”：改代码、改策略、改记忆，都要有明确边界和人工审核。高级 Agent 的难点，不在于 prompt 有多花哨，而在于：你是否有一个清晰、可复用的认知架构，能让不同任务的 Agent 共用同一套“心智骨架”。读完这篇论文，设计新 Agent 时需要先想清楚三个问题：1. 它的记忆是怎样分层的？ 2. 它都拥有什么内部与外部动作？ 3. 它的决策循环长什么样？如果这三问答不清，再强的模型接上去，最后多半还是一个“高级脚本”，而不是一个真正可演化的智能体。

44. 为AI智能体（Agent）增加「记忆」能力有哪些好用的工具和方案？

45. 未来的人和智能体应该是相互融合协作的关系。 #大咖观察 #红衣聊AI #智能体 #人机协作

46. 为什么鸿蒙座舱5可以把交代的事办得干净利落？看完MoLA智能化架构后我懂了

47. 99%的人都搞错了AI Agent？智能体该如何帮企业赚钱？

48. 「Github一周热点103期」超轻量的clawdbot、编程智能体的记忆工具、聊天记录分析工具、视觉agent框架和键盘、鼠标统计工具

49. 大疆司空 2 重磅升级，引入智能算法与大模型 | 见云见智

50. 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？

51. Anthropic的Agent上下文工程官方指南来了！

52. AI学会“科学交接班”，解决上下文难题——Anthropic智能（牛马）方法论

53. 超越传统 RAG：知识图谱如何增强 AI 的记忆与推理能力

54. AI Agent最新重磅综述：迈向高效智能体，记忆、工具学习和规划

55. 不被AI淘汰的重要能力就是学会当智能体的领导。 #大咖观察 #红衣聊AI #智能体

56. 「Github一周热点97期」开源AI手机、AI画架构图、AI编程的指导、看板工具、GO语言的游戏引擎和具身智能资料库

57. 千亿智能体爆发前夜，谁来保护我们的AI安全？｜甲子光年

58. 如何评价DeepSeek发布梁文锋署名论文，提出「条件记忆」及Engram记忆检索架构？有哪些亮点？

59. 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#

60. Agent常见面试题：LLM 是如何学会调用外部 API 或工具的？1 训练数据让模型先“知道工具是怎么用的”在模型具备工具调用能力之前，它必须先在训练数据里看到足够多的工具调用示例。通常包含两类数据：1）真实 API / 工具调用代码或文档，例如：a. “要获取天气，请调用 get_weather(city=...)”b. “要计算数学表达式，请调用 calculator(expression=...)”2）人类标注或模型生成的“对话 + 工具调用”示范，例如：a. 用户问：杭州天气如何？模型示范：调用 tool.get_weather({city:"杭州"})再根据工具返回的结果继续回答。通过这些示例，LLM 学会了：什么问题对应调用什么工具；工具调用的格式是什么；什么时候不该调用工具。2 监督学习（SFT）使模型学会“根据指令选择工具”在 Fine-tuning 阶段加入大量的示例：1）该调用工具的场景2）不该调用工具的场景3）多工具协作场景例如：用户问「告诉我台北到上海的机票价格」。正确示例：a. 模型判断这需要实时信息b. 模型调用 flight_search API模型学习到：当遇到“需要外部信息/计算能力”的问题时，应倾向调用工具。3 通过 RLHF 让模型“偏好正确的工具调用行为”强化学习阶段会奖励：1）正确调用工具2）不乱调用工具3）工具调用后能给出正确结果惩罚：1）不必要的调用2）调用错误的工具3）调用格式不正确这一步让模型不仅会“模仿”，还会“懂得什么时候该调用工具”。4 ReAct / 规划式数据让模型学会 “推理后再决定工具”许多训练数据采用 ReAct 风格：1）模型先思考：要不要调用工具？2）再决定工具调用3）执行后再继续思考与回答这种数据让模型具备：1）任务分解2）长链路推理3）工具调用规划最终效果是：面对复杂任务，模型不会盲调，而是自行形成“推理 → 调用 → 再推理”的结构化流程。5 架构层提供“可调用工具的接口”现代 Agent 框架都会在推理阶段给模型提供一个结构化 schema：1）告诉模型有哪些工具2）告诉模型调用格式3）告诉模型每个字段是什么类型这样模型在生成内容时不需要“猜”，而是严格遵循系统提供的 schema，直接输出可执行的 JSON 或结构化调用指令。例如：1）系统提供工具：search(query: string)2）模型内部只需决定：要不要调用？，以及 query 内容是什么。6 推理时的实际行为：模型并不真的“执行工具”，而是生成结构化调用请求推理时发生的事情是：1）模型生成 JSON 指令，例如：{"tool":"search", "query":"杭州天气"}2）外部系统执行工具并将结果返回3）模型继续根据工具结果生成下一步行动或最终答案模型本身没有执行能力，它只是生成符合 schema 的字符串而已。总结LLM 学会调用外部 API / 工具，是一个“示例训练 + 强化学习 + 架构支撑 + 推理策略”组合的结果：1）先在数据里看到大量工具调用示范2）通过 SFT 学会该如何调用3）通过 RL 学会什么时候应该调用4）通过 ReAct 学会任务分解与步骤规划5）通过 functions/schema 让调用标准化因此模型看起来像真的“理解工具”，但本质是根据统计学习到的模式生成结构化指令。#ai创造营# #程序员#

61. 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#

62. 如何评价DeepSeek发布梁文锋署名论文，提出「条件记忆」及Engram记忆检索架构？有哪些亮点？

63. 如何评价DeepSeek发布梁文锋署名论文，提出「条件记忆」及Engram记忆检索架构？有哪些亮点？

64. AI 网关代理 RAG 检索：Dify 轻松对接外部知识库的新实践

65. 🔥 Anthropic刚刚解决了人工智能最大的瓶颈如今，每个代理都会像燃烧燃料一样燃烧代币，每次工具调用、每次定义、每次将中间结果塞进上下文中。现在 Anthropic 推出了解决方案：使用 MCP 执行代码。现在，代理不再直接调用工具，而是编写代码来调用它们，这改变了一切。→代币数量减少98.7%→任务完成速度提高 10 倍→无上下文过载→无数据泄露你可以这样理解：老员工谈论该做什么do.新员工只编写代码并执行。Cloudflare称之为“代码模式”。Anthropic刚刚将其变为现实。这是转折点。下一代人工智能代理不会提示它们将用这些代理构建工具。

66. 如何看待AI Agent (智能体)，以及未来发展趋势如何？

67. AI加持的智能锁，真的比想象中更好用吗？

68. 语音智能体商业落地的教训、经验与实践｜李沐硅谷101年度线下大会演讲（全英）

69. 探访云栖（二）：AI Agent元年，谁在打造“数字员工”？【101 Weekly】

70. 别把AI的“效率”当成唯一目标，安全永远是底线。 #大咖观察 #红衣聊AI #智能体 #网络安全

71. #中国超算之父称中国智能体领先世界# 荣耀的AI战略最具颠覆性的，是提出了"与用户共同进化"的全新理念，而YOYO正是这一理念的实践核心。通过"YOYO许愿池"收集用户建议，经由"MagicOS月月焕新"进行OTA月度系统迭代，一句话直达荣耀产品中心。这一战略布局的深意在于，AI的终极价值是服务于人，只有让用户深度参与，才能让技术真正贴合需求。#荣耀AI终端生态大会# 荣耀正在用这种独特的生态模式，重新定义AI产业的发展逻辑！#中国工程院院士点赞的AI长啥样##荣耀Magic8##万事找YOYO# 凤凰网科技的微博视频

72. 作为 HarmonySpace 5 起采用的核心架构，MoLA 通过融合多模态感知、通用大模型与垂域智能体，打通用户意图到硬件执行链路；支持全域免唤醒、导航三模式纠错，实现口语化自然控车（比如：“车里有点暗”开启阅读灯）。鸿蒙座舱率先迈入L3专业助理阶段，具备长期记忆、模糊意图理解等六大类人能力，可主动提供服务；能记住通勤习惯、图文视频解答用车疑问，联动外部工具完成跨场景任务。生态构建上，新增HUAWEI SOUND空间音专区、云游戏（腾讯云游戏即点即玩）；实现智能香氛与氛围灯联动，打通人车家无缝协同；构建出行、音乐、影视等个性化“第三生活空间”。你们觉得如何呢？#华为乾崑生态共赴热爱##鸿蒙座舱全新定义智能化分级# 繁繁_leon的微博视频

73. Effective Agent Design概述了高效AI智能体（Agent）设计的核心原则，强调上下文管理是提升自主性的关键挑战。1. 现代智能体正趋向于采用类Unix架构，通过赋予模型访问文件系统与命令行（CLI）的权限，来扩展其行动空间并减少对模型内置窗口的依赖。2. 详细讨论了上下文工程的多样化策略，包括利用渐进式披露来优化工具调用、通过缓存技术降低成本，以及利用子代理隔离来处理复杂任务。3. 文章预判了持续学习与自我进化的趋势，即智能体能反思过去经验以更新记忆或技能。4. 展望了多智能体协作与长期运行任务的基础设施建设将成为未来的重要演进方向。访问：x.com/RLanceMartin/status/2009683038272401719#ai创造营# #程序员#

74. Manus 的上下文工程

75. 从RAG到记忆工程：AI长期记忆系统的架构范式与落地瓶颈

76. 登顶Hugging Face GAIA全球榜首！中兴超级智能体终结「AI黑盒」时代

77. 构建开放智能体生态：AgentScope 如何用 A2A 协议与 Nacos 打通协作壁垒？

78. AI Agent已渗入各行各业，你的岗位还能撑多久？（附智能体技术详解+保姆级资源）

79. 黄仁勋最新访谈：AI时代，软件没有价值了吗？很多企业在用AI上都踩了大坑#黄仁勋 #软件 #智能体 #Openclaw #龙虾

80. #天禧AI从助手到队友#今日，以“聚力智能体，共启新生态”为主题的2025联想天禧AI生态伙伴大会在京召开。大会聚焦智能体驱动下的个人AI未来，与生态伙伴共探体验升级与商业落地。大会核心揭示了天禧AI从“助手”到“队友”的关键跃迁。当前的天禧AI 3.5，凭借全时空主动记忆与全域个人知识库，首次构建了统一的个人知识图谱，实现了真正的个性化。更引人注目的是其行动力的飞跃：通过MCP技术及智能体协同架构，它能像“总指挥”一样安全调度多个领域智能体，协同完成复杂任务闭环。本次大会前瞻性勾勒了天禧AI 4.0的演进方向，朝着“思你所想，行你所愿”的认知与行动智能迈进。联想正携手生态伙伴，加速将更懂用户、更能执行的“个人AI双胞胎”带入现实。

81. #全域AI能给汽车带来什么#拉斯维加斯时间 1 月 5 日，吉利在 2026 CES 发布全域 AI 2.0及千里浩瀚辅助驾驶系统英文品牌 G-ASD，简单帮大家划一下重点。✅全域 AI 2.0基于首发的 WAM 世界行为模型进化而来，实现整车智驾、座舱、底盘等多域跨域融合，让汽车智能首次具备持续进化的 “世界观” 和 “判断力”。其核心突破在于 “智能体化” 与 “引擎化”：构建 “1+2+N” 全域多智能体协同框架，以 Eva 为整车级超级智能中枢，联动两大核心场景垂域智能体及 N 个子域专业智能体；提炼全域感知、记忆等公共技术引擎，供各智能体调用。Eva 智能体同步向超拟人（类人对话、动态记忆）、超智能（自主决策复杂出行需求）、超好用（舱驾协同、跨端调度）进化，成为整车智能中枢。✅千里浩瀚 G-ASD全称为 Geely Afari Smart Driving，是吉利与千里智驾联合研发的高含模量智能辅助驾驶解决方案，与特斯拉 FSD 并称行业顶尖方案。核心优势包括三大 “技术护城河”：超高含模量（搭载 WAM 模型，云端 + 世界模型参数达千亿级）、超大数据集（850 万搭载车辆、百亿智驾里程等）、超强硬件平台（最高 1400TOPS 算力、最多 5 颗激光雷达）。技术覆盖 L2-L4 全周期迭代，目前已具备 L3 演化能力，今年法规允许下将推送高速 L3、低速 L4 功能并落地 Robotaxi，首版本已搭载于极氪、领克多款车型。#行业观察##新能源大牛说#

82. 理解 LangChain 智能体：create_react_agent 与 create_tool_calling_agent

83. 图解 AI 智能体的上下文工程

84. 开发团队在构建智能体（AI Agent）应用、实现自主任务规划与执行时，常面临智能体决策逻辑复杂、工具调用能力弱、多任务协同难的问题，传统大模型应用难以适配自主化工作流需求。 AutoGPT 是一款开源的自主智能体框架，适配开发团队快速搭建具备自主思考、任务分解、工具调用能力的AI应用的核心场景。开源地址：github.com/Significant-Gravitas/AutoGPT 核心功能： 1. 内置任务自主分解与优先级排序机制，可将复杂目标拆分为可执行的子任务链，无需人工干预完成流程规划。2. 支持多类型工具集成，可对接搜索引擎、代码执行环境、API接口等外部资源，拓展智能体的实际应用能力。3. 提供记忆管理模块，包含短期上下文记忆与长期存储记忆，保障智能体在长周期任务中具备持续学习与状态追踪能力。4. 内置反馈迭代机制，可根据任务执行结果优化后续决策，提升复杂任务的完成质量。5. 兼容主流大模型，支持本地与云端部署模式，满足不同场景下的算力与安全需求。

85. Agentic Memory - AI Agent记忆系统: 了解Agents工具

86. 硅基大脑记忆觉醒！会遗忘、会反思、会成长的AI正在到来

87. AI智能体与技能

88. AI选型终极指南

89. 2025年Memory最全综述！AI Agent记忆统一分类体系

90. Agent Memory理论

91. 为什么所有智能体框架都会走向 Memory-Driven AgentOS？

92. 🫖 Agent 为什么能“动手”？揭秘工具调用（Tool Use）的幕后逻辑

93. Anthropic重磅发布Advanced Tool Use

94. 连接大模型与世界的桥梁

95. Agent如何联动短期记忆和长期记忆？

96. 工具调用AI智能体如何与现实世界交互

97. 智能体(Agent)实战 | 核心技术工具调用(Function Calling)实现指南

98. 图解大模型，第七章

99. 深度分析

100. AI智能体记忆机制深度解析

101. OpenAI内部教程终于流出!5个核心技巧,彻底解决AI智能体的“金鱼记忆”问题[附文档]

102. AI学会“断舍离”

103. 上下文工程面试题库

104. RAG已然过时，Agentic RAG 与 Agent Memory 才是智能体未来发展的方向。

105. RAG, Agentic RAG, and AI Memory 一文看懂 AI 技术演进

106. 智能体真正的能力根基在于记忆系统

107. 智能体记忆记忆机制。📚arXiv: 2601.04726

108. [翻译]基于大语言模型的自主智能体架构设计

109. 10分钟论文（第27期）由大型语言模型驱动的自主代理【中配+中字】

110. 智能体记忆机制演进之路

111. 基于LLM的AI智能体

112. 【谷歌AI Agent企业级智能体白皮书】生成式AI智能体

113. 人工智能智能体白皮书

114. 2025 AI智能体的实践应用

115. 【人工智能报告厅】2025年智能体设计模式报告（304页，附下载方式)

116. 2025工业智能体白皮书

117. 2026

118. 🔮入门经典

119. 四大评估集均位列第一，MemOS 是如何定义 AI 时代的新基建

120. Github-Memori

121. memU Response API 正式发布

122. 20251218论文阅读-Memory in the Age of AI Agents: A Survey

123. 智能体互指协议

124. 总算有人把智能体记忆说清楚了

125. 【综述】AI智能体时代下的记忆

126. AI智能体时代来袭

127. AI 智能体记忆机制详解

128. AI时代，人类誓不为奴——如何在AI时代保持竞争力（一）——人类记忆力 vs AI记忆力

129. 中国移动研究院:2024智能体技术应用及展望报告

130. AI 智能体的记忆：让对话拥有“灵魂”的关键

131. 最新成果！Agent记忆的第三种可能：生成式隐式记忆

132. 一文看懂智能体的四种记忆类型

133. 一文读懂上下文工程：AI如何化身“记忆大师”？

134. 科普｜为什么所有智能体产品都在强调“记忆”？

135. 给AI模型“减肥”！5招破解智能体记忆力瓶颈，效率提升惊人

136. AI智能体：从“工具”到“大脑”，你的AI助手正在升级！

137. 通俗讲解大模型短期记忆 vs 长期记忆

138. 周红伟：智能体构建实操：OpenClaw + Agent Skills + Seedance + RAG 案例实操

139. AI Agent 里的记忆：智能体如何学会记住、回忆和忘记。【译】

140. AI智能体为什么会越用越聪明

141. AI Agent（智能体）如何构建？什么时候该用？有哪些模式？

142. 图谱智能体记忆技术和应用综述：构建AI Agent的"大脑记忆系统"

143. AI 智能体上下文工程 4 大核心策略。

144. 记忆将成为AI智能体的核心竞争力！102页最新综述揭秘AI记忆革命（附下载）

145. AI Agent 记忆机制综述：形式、功能与动态

146. AI智能体“终身记忆”的跨模态框架。现有AI智能体普遍面临“健忘症”：无法记住过去的经验，难以进行长期连贯的推理。MemVerse是一个即插即用、模型无关的记忆框架，它通过融合“快思维”和“慢思维”解决了这一难题。MemVerse将原始多模态经验（包括图像、视频、音频）转化为分层知识图谱，实现高效存储和持续抽象。同时，它使用周期性知识蒸馏机制，将长期知识压缩到轻量级模型中，实现超快召回——检索速度比 RAG 提高了近 90%！#上海人工智能实验室 #知识前沿派对 #LLM #具深智能 #低空经济作者团队均来自上海人工智能实验室。

147. Anthropic新突破：教AI像工程师一样思考，解决长时任务难题

148. 字节Seed：AI终于有长期记忆了

149. 记住你，连接你！ Le Chat 新增记忆与 MCP 集成

150. 智能体工具5种分类基于 LangGraph 框架的五种智能体工具类型： #智能体 #工具 #Langgraph #Langchain 工作流模式节点 1. Http调用节点：直接触发HTTP API获取结果 2. 工具调用节点：流程到达即执行固定工具调用智能体模式节点 3. 工具集节点：智能体自主选择工具集中工具 4. 智能体工具节点：自定义工具供智能体调用，执行固定工作流并返回消息 5. 任务移交节点：子智能体汇合分发任务，回收结果返回supervisor智能体

151. Agent设计模式（八）：记忆管理

152. 【文章合集】AI 智能体记忆系统

153. 智能体记忆管理研究笔记：智能体如何记忆、召回与难以遗忘信息

154. 突破LLM上下文瓶颈：OpenAI深度解析AI智能体的“记忆”模式与工程实践

155. AI智能体类人记忆系统架构设计指南：让Agent告别”健忘症”

156. AI智能体的上下文工程工作流程揭秘

157. 长期任务的上下文工程实践:压缩、笔记与多agent架构—Anthropic《AI Agent的高效上下文工程》④

158. Day 2.Agent Tools & MCP（AI-Agents-Course-Google）

159. LangGraph入门：从零构建你的第一个AI智能体工作流

160. Spring AI 的实现将智能体技能（Agent Skills）引入 Java 生态系统，确保大语言模型的可移植性——定义一次技能，即可在 OpenAI、Anthropic、Google Gemini 或其他支持的模型中使用。什么是智能体技能（Agent Skills）？智能体技能是作为 Markdown 文件打包的模块化能力，带有 YAML 前置信息。每个技能是一个文件夹，包含一个 SKILL.md 文件，其中包含最少的元数据（名称和描述）以及指令，告诉 AI 智能体如何执行特定任务。技能还可以捆绑脚本、模板和参考资料。前置信息支持简单的字符串值和复杂的 YAML 结构（列表、嵌套对象）以应对高级用例。技能使用逐步披露（progressive disclosure）来高效管理上下文： 1. 发现：启动时，AI 智能体仅加载每个可用技能的名称和描述，仅此足以判断其是否可能相关。 2. 激活：当任务与技能描述匹配时，AI 智能体读取完整的 SKILL.md 指令到上下文中。 3. 执行：AI 智能体遵循指令，如有需要，加载引用的文件或执行捆绑的代码。这种方法允许你注册数百种技能，同时保持上下文窗口精简。 #冬日生活打卡季##探寻人工智能#

161. 上下文工程（Context Engineering）基础入门

162. 智能体（Agent）的记忆架构：深入解析短期记忆与长期记忆

163. 如何清洗Agent的上下文

164. AI Agent深度报告：市场图谱、开发平台及模型、应用现状与趋势

165. 智能体记忆（Memory）技术全景透视：揭秘AI记忆系统如何实现对话连贯

166. AI智能体的记忆：上下文工程的新范式

167. Agent记忆管理人会通过经验不断打磨技能、学习偏好。但许多AI智能体缺乏这种持续学习的能力。视频将概述DeepAgents CLI中的记忆（memory）机制。还将介绍两种更新记忆的方法：“显式”更新——来自用户提供的指令；以及“隐式”更新——通过对以往DeepAgent会话的反思来更新记忆 #大模型 #智能体 #aiagent #人工智能 #deepagents

168. AI智能体时代中的记忆机制：全面探讨其形式、功能与动态发展综述！

169. 可联想、会成长的长期记忆 AI Agent 记忆实现原理 (Memory Matrix)： Working Memory：即时上下文，负责多轮对话的流畅性。 Episodic Memory：情节记忆（SQLite），像人类一样记住"上次聊天发生了什么"。 Semantic Memory：语义记忆（LanceDB + 本地 Embedding），存储永久性事实（如"用户喜欢Rust"），支持模糊搜索。 Graph Memory：关联记忆（NetworkX），自动构建概念知识图谱，让 AI 具备联想能力。项目核心优势： Privacy First（隐私优先）：虽然用了云端模型（DeepSeek）进行推理，但你的所有长时记忆数据（向量库、图谱）都 100% 存储在本地硬盘。 Cyberpunk AR（沉浸式体验）：全网少见的结合了面部识别 (Face Mesh) + 音频可视化 + 记忆 HUD 的 Web 界面。 Smarter Over Time（越用越聪明）：真正的"积累型"AI，而不是每次刷新就失忆的 Chatbot。

170. AI智能体工具调用终极指南：从Function Calling到MCP的三大方案详解

171. 盘点2025年AI领域十大重磅突破：智能体拥有长期记忆&使用工具

172. 年度必读！NUS、人大、复旦、北大联手，一文讲透AI Agent记忆的所有关键问题

173. 深入理解LangChain记忆系统：短期记忆管理与上下文优化策略

174. 智能体记忆综述：打通长期智能的最后一公里

175. 一文搞懂大模型记忆技术：短期记忆、长期记忆与MemoryBank全解析（值得收藏）

AI智能体记忆与技能协同机制取得关键突破，推动其向持续学习的数字员工演进

精选参考来源