memory

Claude Memory 设计解读：记住经验，保留边界一个 Agent 能把任务完成一次，依靠的是当时的上下文和推理能力；能够在下一次少走弯路，则需要把经历变成经验。难点在于，经验从来不是一个孤立动作。它还包含当时的目标、环境，以及这个动作为什么成立。只记住“上次怎么做”，可能省掉重复探索，也可能省掉这次本应重新进行的判断。

面向 Personal Agent 增强长期记忆与个性化能力，阿里云升级Memory 服务11月2日，阿里云宣布对其Memory服务进行全面升级，重点面向Personal Agent场景增强用户偏好、计划及历史约定的长期记忆与个性化处理能力，并全面提供 [MCP] 与 [CLI] 等主流接入方式。

Chrome DevTools深度调试：2026年复杂Web应用性能诊断实战传统Performance面板提供海量原始数据，但人工解读耗时且易遗漏关键点。Chrome 136内置的Performance Insights引擎通过机器学习模型，自动识别性能反模式并给出可操作的修复建议。

Agent 学习笔记（下篇三）：上线工程、进阶选择与操作界面（Stage 7 / 7.5 / 8 + 延伸路线）学习来源：awesome-agentic-ai-zh —— 一份把 Agent 从「模型基础」一路带到「上线工程」的中文学习地图。本篇范围：Stage 7（Agent 上线工程）+ Stage 7.5（进阶 Agentic 选择）+ Stage 8（Browser Use / Computer Use / Sandbox）+ 五类角色延伸路线。系列说明：Track B 构建者路线共三篇——下篇一（Stage 3–4）、下篇二（Stage 5–6）、下篇三（Stage 7 / 7.5 / 8 + 延伸路

大连好光景

ClaudeCode有关记忆的全部知识点在 Claude Code 的底层架构中，File Checkpointing（文件检查点）是一个非常精妙的设计。理解它的原理，能让你在进行复杂重构时游刃有余。

Agent 学习笔记（下篇二）：Claude Code 生态、RAG 与 Memory（Stage 5–6）学习来源：awesome-agentic-ai-zh —— 一份把 Agent 从「模型基础」一路带到「上线工程」的中文学习地图。本篇范围：Stage 5（Claude Code 生态系统）+ Stage 6（RAG 与 Memory）。系列说明：Track B 构建者路线共三篇——下篇一（Stage 3–4）、下篇二（Stage 5–6）、下篇三（Stage 7 / 7.5 / 8 + 延伸路线）。三篇合起来才是完整的《下篇》。

死磕音视频

ChatGPT 自定义指令与记忆入门：一次设置，少重复自我介绍适合人群：已经会打开 ChatGPT 提问，但每次新对话都要重新交代“我是谁、文风怎样、不要做什么”的新手。网页端或 App 均可，免费与付费计划都可使用自定义指令；记忆相关开关可能因计划、地区与工作区设置略有差异。 X 上有作者指出：很多人把 ChatGPT 当搜索框，用完就关，几乎没用上自定义指令、记忆等能力。另一类帖子则示范如何用自定义指令减少“一味附和”。本文把官方帮助中心里的设定整理成可跟着点的步骤。## 一、先分清两样东西1. 自定义指令（Custom Instructions）你亲手写的固

大模型技术全景(十三)：记忆管理 Memory📚 本文收录于「流浪」的系列专栏🏠 博客主页：流浪｜ 📝 原创首发于 CSDN上上篇把 Agent 之间「怎么说话、怎么传话」讲透了，上篇讲了「哪些动作必须等人点头」。但 Agent 光会通信、会刹车还不够——它还得「记得住」：跨会话保留用户偏好、跨任务累积经验。这一篇讲记忆管理（Memory），把 Agent 的「外部记忆系统」从定义、分类、短期处理到长期记忆全生命周期一次说清。

O。O蛋黄酥啊

Claude Code 记忆机制全拆解：Auto Memory 与 CLAUDE.md 双轨解析本文特点：文章不满足于停留在"怎么用"的层面，而是直接深入到存储格式、目录结构、源码实现，把记忆系统从"对话历史 → Auto memory → CLAUDE.md"三层架构完整还原。全文以真实文件路径、真实 JSONL/JSON 日志、真实代码片段为证据，逐层剖析记忆的写入、索引、召回、注入与验证闭环，并提炼出可迁移到自研 Agent 系统的设计原则。无论你是想理解 AI 编程助手如何"记住"项目上下文，还是想为自己的 Agent 设计记忆模块，都能从中获得一手参考。

DeepSeek Harness 记忆召回插件的“PRD”设计拆解目标读者：正在给 AI 工具做记忆系统的工程师——这活儿有两半：从会话中沉淀，与从沉淀中复用。核心价值：看一份 PRD 背后的设计取舍——记忆怎么从会话里被沉淀成可信条目、怎么挡住提取噪声、怎么在需要时被召回并注入，以及两次被追问出来的重大转向。阅读时间：约 8 分钟

Agent 记忆系统难在取舍Agent 记忆的难点不是存储，而是判断什么值得写、什么时候合并、召回多少，以及团队资产如何治理。阅读时间：约 7 分钟

长谷深风111

Agent 跑了 30 分钟宕机，如何从断点继续？你让一个 Agent 去抓数据、分析文档、调用工具，再生成报告。它已经跑了 30 分钟，前面十几步成功了，这时服务器宕机。机器恢复后，问题来了：要不要从头再跑？

AI Agent 记忆系统全解：从 Markdown、SQLite、向量检索到 GraphRAG大语言模型看起来能够 "记住" 用户，真正保存信息的却不是模型本身；一次模型调用只能依据当前收到的上下文进行推理，跨会话记忆通常由 Agent 外部的文件、数据库、检索器和更新流程共同实现

大鹏的NLP博客

拆解 Agent Memory：从认知心理学映射到工业级工程落地大多数 Agent Memory 设计的误区，是过早堆砌数据库、消息队列、向量引擎等中间件，从而混淆核心业务逻辑与工程优化组件。Agent Memory 的核心不是简单的一读一写接口，而是 Memory Service 的 Recall/Write 两大主业务入口；真正的工程复杂度在 Write 侧内部的记忆提取、验证、去重、冲突解决与生命周期治理。所有中间件只为让这两个入口更快、更准、更可靠、更易扩展。本文围绕核心本质、数据模型、生命周期、召回架构与落地路径展开。

Agent 开发中的 Memory：State、短期记忆、长期记忆与 Memory Retrieval在 Agent 系统中，“记忆”是一个非常容易被泛化的概念。很多系统会把聊天记录、任务状态、用户偏好、历史行为全部叫做 Memory，但从工程角度看，这些信息的职责、生命周期和使用方式完全不同。

长谷深风111

AI记忆会过期，会冲突，更需要治理你让一个 AI 助手长期记住你的偏好：写方案时简洁一点、会议纪要先给结论、默认使用中文。几周后，你换了工作场景，希望它输出更正式、更详细。问题来了：旧偏好还算数吗？如果系统里同时存在“喜欢简洁”和“需要详细分析”，Agent 应该听谁的？更麻烦的是，一条错误记忆如果被反复调用，会不会越用越“像真的”？

构建智能Agent的记忆系统：三层记忆管理器设计导读：2026 年的 Agent 赛道，"会不会干活"已经不是分水岭，"记不记得住"才是。本文以一套已在生产环境打磨过的三层记忆管理器 memory/manager.py 为蓝本，从架构哲学到每一行代码的设计深意，做一次彻底的深度剖析。读完这篇，你将掌握：LRU 淘汰的工程实现、Redis Hash 的记忆持久化、Milvus 语义去重、缓存 Key 的上下文隔离技巧、反思学习（Reflection）的落地写法，以及与 Mem0、Zep/Graphiti、Memory-R1、TencentDB Agent

小红书算法一面二### 二、视觉数据Memory设计核心解析视觉数据的核心特征是**空间结构化（图像是2D网格）、时序动态性（视频是3D时空）、高维度（像素/patch特征维度高）**，这和NLP的一维序列数据有本质区别。因此视觉memory的设计核心是：**在保留时空结构的前提下，高效存储、检索和复用多粒度视觉特征，平衡存储容量、检索效率和任务效果**。

第 15 章《记忆与 Dream 整合》· nanobot Dream 记忆整合源码深度解析：真实 git diff 当 commit message本文回答什么问题:nanobot 怎么从消息流提取长期记忆?MEMORY.md 怎么生成?Dream 后台任务是什么?git diff 当 commit message 是怎么实现的?

LLM 推理引擎与内核系统工程原理摘要：本文从计算机系统的基础理论出发，系统阐述大语言模型推理引擎与内核工程的原理体系。核心论点是：decode 的性能由内存带宽决定而非算力决定，帧时间等于活跃权重字节数除以有效带宽；由此推出全部工程手段的分类——量化削减字节、批处理摊薄字节、预取提高有效带宽、卸载改变带宽档位、投机解码减少搬运次数、分页管理 KV 容量。全文以一次推理请求的生命周期为线索：硬件存储层次（第二章）→ 带宽瓶颈的推导与实测（第三章）→ 计算分解（第四章）→ 调度与批处理（第五章）→ KV cache 与分页显存（第六章）→