memory

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。

采用 mem0 之前，先决定 Agent 到底允许记住什么mem0 吸引人的地方很直接：给 AI assistant 和 agent 提供长期记忆层。但真正的采用风险也在这里。Memory 不是一个普通功能，它会变成控制面。第一步不应该问 agent 能不能 add/search memory，而应该问：哪些事实允许被写入，谁以后能读到，过期事实如何降权，删除是否真实生效，以及一次回答被 memory 影响时有没有证据。

阿拉斯攀登

Prompt 工程与答案生成优化检索到了相关内容，不代表大模型就能答好。怎么让模型基于资料回答、不编造、引用来源、格式规范？这篇讲 RAG 的 Prompt 设计、减少幻觉的技巧、答案格式控制、以及常见问题的应对方法。

阿拉斯攀登

安全与可控性：输出校验、权限控制Agent 能调用工具、操作外部系统，就有安全风险。这篇讲 Agent 的安全风险、输出校验、工具权限控制、人在回路机制，以及护栏（Guardrails）设计。

自进化的 Agent 记忆层 —— PowerMem 简易操作手册前两篇关于遗忘机制和记忆生命周期的文章：可能会想：怎么让 PowerMem 这东西在我的电脑上跑起来？

从 Python 到 TypeScript，用 GLM-5.2 跑通 PowerMem SDK 的长程任务工程GLM-5.2 是智谱 6 月 17 日开放的新一代大模型，1M 上下文、兼容 Claude Code 协议。PowerMem 是 OceanBase 开源的 AI 记忆引擎，为 LLM 应用提供长期记忆、检索、智能遗忘等能力。当 GLM-5.2 碰上 PowerMem，能怎么玩？

[MAF预定义的AIContextProvider-03]ChatHistoryMemoryProvider——赋予Agent从经验中学习的能力LLM具有固化的知识，而且针对LLM的调用是完全无状态，永远只做一锤子买卖。但是交给Agent的任务基本上不可能一蹴而就，而且还希望Agent具有学习进化的能力。所以你会发现，很多的Harness手段的目的就是为了弥合两者之间的鸿沟。解决这个问题的基本的前提是：需要赋予Agent记忆。短期记忆赋予Agent在同一个语境下进行多轮对话的能力，对于MAF来说，就是Session。长期记忆实现了跨Session的信息共享，其共享范围可以针对用户（比如了解用户的偏好）、针对Agent(比如了解Agent的能力和经

一条咸鱼_SaltyFish

Agent 工程化避坑指南——从实践看常见反模式最近和几个做 Agent 开发的朋友聊了聊，发现一个有趣的现象：大家都在用 Agent，但很多人用不好。更常见的情况是：换了更贵、更强的模型，效果却没有明显提升；或者某个 Agent 本来跑得好好的，突然就开始出问题，修来修去也没找到根本原因。

一条信息在 PowerMem 中的完整旅程，从写入到淘汰的工程拆解第一篇：PowerMem 记忆系统的遗忘设计，从神经元到代码工程上一篇 PowerMem 记忆系统的遗忘设计，从神经元到代码工程从认知科学的角度聊了遗忘机制，包括突触可塑性、艾宾浩斯遗忘曲线、间隔重复和理想的困难。都是一些很有意思的认知学理论。

1.3 交互基础：Prompt、Context、Memory、思维链 CoT学会了 LLM 是怎么训练出来的，接下来最重要的技能来了：怎么跟它说话。同样的模型，高手能用出 120% 的效果，新手只能发挥 30%——差距全在交互技巧上。这不是玄学，是一套可以系统学习和复制的工程方法论。

[MAF预定义的AIContextProvider-03]ChatHistoryMemoryProvider——赋予Agent从经验中学习的能力LLM具有固化的知识，而且针对LLM的调用是完全无状态，永远只做一锤子买卖。但是交给Agent的任务基本上不可能一蹴而就，而且还希望Agent具有学习进化的能力。所以你会发现，很多的Harness手段的目的就是为了弥合两者之间的鸿沟。解决这个问题的基本的前提是：需要赋予Agent记忆。短期记忆赋予Agent在同一个语境下进行多轮对话的能力，对于MAF来说，就是Session。长期记忆实现了跨Session的信息共享，其共享范围可以针对用户（比如了解用户的偏好）、针对Agent(比如了解Agent的能力和经

从优雅到爆烈 —— Linux全力回收内存的一生前面文章中，我们提到 ES因操作系统内存不足而被OOM的故事，但OS本身并没有那么简单粗暴，在OOM之前，其实它还动用了很多方法。

AI时代大前端Agent开发LangChain.js受众：Agent 开发初学者 / 实习生 /前端开发/全栈开发目标：用 JavaScript/TypeScript 构建你的第一个 AI Agent bilibili：计划制作中

PowerMem 记忆系统的遗忘设计，从神经元到代码工程如果 Agent 将所有我说过的话都记住会是什么场景？乍一听很合理，作为一个合格好用的 Agent 当然是要将对方说过的话都记住，这样就会越用越聪明，就像人类的也是通过不断的学习记忆进行成长。但事实是这里一个反直觉的现实是，真正真实可靠的 memory 并不是将所有内容都记住就万事大吉。在记住的同时进行遗忘是很重要的事情。在 Agent 的记忆系统中也同样，遗忘不是缺陷，而是能力。