memory

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）→

TencentDB-Agent-Memory 深度解析：让多个 Agent 共享项目经验的记忆中枢从 L0～L3 分层记忆、自动捕捉与异步提炼，到 Skill、Wiki、CodeGraph 和 MCP 接入，系统拆解 TencentDB-Agent-Memory 的工作原理、使用方式与能力边界。

隐藏视频变“常驻刺客”，VideoPlayer与“N/A”纹理该怎么查1）隐藏视频为何持续占资源 2）“N/A”纹理如何定位这是第487篇UWA技术知识分享的推送，精选了UWA社区的热门话题，涵盖了UWA问答、社区帖子等技术知识点，助力大家更全面地掌握和学习。

来日方长。。。。long

橙皮书共读｜Hermes Agent（二）深度拆解五大核心支柱：自进化智能体的运行内核上一篇我们从Harness Engineering五层模型出发，厘清了自进化智能体的理论基石，也明确了Hermes五大支柱与Harness五层的对应关系。很多初学者的疑问是：记忆、技能、规则这些功能，普通Agent似乎也能实现，为什么Hermes能被定义为“自进化智能体”？

AI 情报局：用 PowerMem + SeekDB 做一个多 Agent 记忆小游戏Agent 的记忆体系一直是个很有意思的话题。前两天 WAIC 期间 OceanBase 主办了一个 Workshop 午餐会，和大家聊了很多关于 Agent 记忆的话题。为了让大家可以更直观的观察和理解多 Agent 如何做记忆管理与隔离，我在 Workshop 上从多 Agent 的角度分享了一个基于 PowerMem + SeekDB 搭建的很有意思的小游戏 AI 情报局。

Agent 工程化指南（二）：记忆与规划 — 让 Agent “记得住“且“做得对“一句话定位：解决 Agent “健忘”、“死循环”、"瞎想"三大顽疾。读完能给 Agent 添加记忆和规划能力。

一个处女座的程序猿

Agent之Memory：claude-mem的简介、安装和使用方法、案例应用之详细攻略Agent之Memory：claude-mem的简介、安装和使用方法、案例应用之详细攻略目录claude-mem的简介

资源回收“两头堵”：RUUA调了会卡，不调内存又涨1）资源回收未生效的典型排查路径 2）Mono与其它同时偏高时，应该优先优化谁这是第483篇UWA技术知识分享的推送，精选了UWA社区的热门话题，涵盖了UWA问答、社区帖子等技术知识点，助力大家更全面地掌握和学习。