记忆

SQLite 从入门到精通：深入理解嵌入式数据库的艺术与科学在现代软件开发生态中，数据库的选择往往是架构设计中最关键的决策之一。我们习惯了 MySQL 的集群能力，PostgreSQL 的复杂特性，以及 MongoDB 的灵活非结构化存储。然而，在某些场景下，这些重量级的、需要独立服务器进程的数据库却显得过于“重载”。

大模型上下文长度对Agent的影响：从4K到1M的质变如果把Agent比作一位工匠，那么上下文窗口就是他的“工作台”。工作台的大小，直接决定了他能同时摆开多少工具、参考多少图纸、记住多少步骤。2025年，这个工作台从一张小茶几，扩展到了整面墙的操作台——从4K到1M，百倍级的扩张带来的不仅仅是“能放下更多东西”，而是一场Agent能力边界的根本性重塑。

OpenClaw 日志记忆：memory/YYYY-MM-DD.md本文详细介绍 OpenClaw 的每日日志系统 memory/YYYY-MM-DD.md。从日志文件结构、写入时机、内容规范到自动化管理，全面解析如何通过每日日志实现 AI Agent 的短期记忆能力。通过实际案例演示日志的创建、更新、查询流程，帮助开发者构建具有时间连续性的智能应用，实现任务跟踪和上下文恢复。📅

RAGFlow0.25版本更新与记忆工作流简介全文链接：RAGFlow0.25版本更新与记忆工作流简介本文归纳 RAGFlow 自 v0.20.0 起至 v0.25.0 区间在官方发布说明中的主要功能与重大变更，并单独说明 Memory（记忆）模块的定位、配置要点与可落地的 Agent 工作流（含文字箭头流程图）。具体子版本与修复项繁多，以官方 Release notes 与各版本 GitHub Release为准；升级前务必阅读对应版本的 Breaking changes / 数据库迁移说明。

MFlow03-数据模型解析从生活故事到代码实现的完整思考路径源码地址：https://github.com/FlowElement-ai/m_flow

为生产级 AI Agent 构建持久化记忆:五阶段流水线与四种设计模式每一次 LLM 调用都是无状态的。模型读上下文窗口，生成响应然后忘掉一切。这对单轮问答没问题。对下列任何一类 Agent，这都是致命的：

浑水摸鱼仙君

源码级讲述OpenClaw中的会话、记忆、上下文、系统提示词架构和原理官网：https://openclaw.ai/ nanobot：https://github.com/HKUDS/nanobot 。这是下面源码使用nanobot来学习，它香港大学数据科学实验室(HKUDS)开发的一款开源、极简的个人AI智能体(AI Agent)框架。nanbot只使用了4000多行代码就实现了openclaw几十行代码，更能便于大家学习。

赋予AI真正的“长期记忆”：开源大模型记忆操作系统 MemOS 深度解析与实战在人工智能的快速发展中，大语言模型（LLM）展现出了惊人的理解和生成能力。然而，无论是 ChatGPT 还是开源的 Llama、Qwen，它们在实际应用中都面临着一个致命的痛点——“金鱼记忆”。

ReasoningBank论文代码解读1.核心痛点目前的 LLM Agent 往往是“健忘”的。虽然它们可以执行任务，但通常无法从过去的交互历史中学习：重复错误：遇到类似坑时，依然会掉进去浪费洞察：之前的成功经验或失败教训用完即弃，没有沉淀下来现有记忆机制的局限：目前的记忆方法要么只存原始流水账，检索困难切噪声大，要么只存成功的流程（忽略了从失败中学习的重要性） 2.核心解决方案：ReasoningBank 作者提出了一种新的记忆框架 ReasoningBank ，它的核心逻辑不再是简单的“存储记录”，而是“提炼策略” 存什么

LangChain 架构与环境搭建探索 LangChain 的强大能力——这是一个简化 AI 应用开发的 Python 框架。本教程面向具备 Python 开发经验的中级开发者，涵盖安装步骤、架构设计、核心组件介绍，以及动手实践项目搭建。

agent应用开发-一个实例的认识与构建Smart Scholar Agent 是一个以「精读」研究行为为核心的科研论文解析与理解型智能体。它的目标不是替代研究者阅读论文，而是：作为一个“研究型协作者”，帮助用户更系统、更审慎地理解一篇论文的研究问题、方法假设、证据充分性与结论可靠性。假如用户已经选定一篇论文，并决定投入 30–90 分钟进行精读，希望在有限时间内形成可靠的研究判断。

Engram: DeepSeek最新工作解读1.从MLA,到NSA,DSA(lightning Indexer),DeepSeek做了很多稀疏化的工作,从计算层面更加高效,节省,试图压榨尽所有的硬件资源; 2.从transformer到MoE------谁来算但是对于一些简单问题,稠密模型可能存在资源浪费的情况,因为需要不加区分的过一遍所有参数,这对于小模型或许可以接受,但是对于超大量参数的模型难以忍受,因此转为只对部分参数激活; 3.从MoE到Engram------一定程度解耦计算和记忆过去的transformer只有显示的链接,计算,没有

狮子座明仔

Engram：DeepSeek提出条件记忆模块，“查算分离“架构开启LLM稀疏性新维度一句话总结：DeepSeek联合北京大学提出Engram模块，通过现代化的哈希N-gram嵌入实现O(1)时间复杂度的知识查找，将静态记忆与动态计算解耦，在等参数、等算力条件下，Engram-27B在知识、推理、代码、数学任务上全面超越纯MoE基线。

【无标题】——以阿忘（A-WANG MEMORY）为例在信息爆炸的时代，如何高效管理碎片化信息、实现知识沉淀，成为技术从业者和普通用户共同面临的核心痛点。传统信息管理方式存在检索效率低、整理成本高、记忆巩固难等问题，而AI技术的发展为这一困境提供了全新解决方案。本文将以阿忘（A-WANG MEMORY，官网：https://www.shiflowai.cloud/ ）为例，从技术架构、核心功能实现等维度，深度解析基于AI的碎片化信息管理系统的设计思路与技术细节。

大数据AI人工智能培训专家培训讲师叶梓

Transformer革新：Infini-Transformer在长文本处理中的突破在当今信息爆炸的时代，大型语言模型（LLMs）在处理长文本数据方面的需求日益增长。无论是科学研究、法律分析还是医学诊断，长文本的处理能力都显得尤为重要。然而，现有的基于Transformer的模型在处理这类数据时遇到了重大挑战。由于其注意力机制的二次方复杂度，随着输入序列的增长，所需的内存和计算资源呈指数级增加，这不仅限制了模型处理长文本的能力，也带来了巨大的经济成本。

我是有底线的