常先森

全栈工程师

获得徽章 13

赞

3

|

搜索文章

Memory Engineering：如何把 Agent 的长期记忆真正做出来

本文从工程落地视角，拆解 Agent 长期记忆系统该如何真正搭建。结合 EverOS 代码实践，分析写入链路、记忆对象分层、混合检索、状态更新与结构演进。

3天前
10
点赞
评论

为什么 Memory 不能只是 KV？——从结构化记忆到 HyperMem 的关键一步

AI Agent 的长期记忆难点不只在检索，而在缺少结构。本文分析为何 KV 与 chunk 不足以支撑长期推理，并引出 HyperMem 的结构化记忆思路。

4天前
6
点赞
评论

Memory OS：AI Agent 不是缺记忆，而是缺一套记忆系统

AI Agent 并非“记不住”，而是缺少完整的记忆系统。本文提出 Memory OS 概念，将长期记忆拆解为写入、结构化、状态管理与重建四层能力，强调从“存历史”转向“重建当前有效状态”。

8天前
70
点赞
评论

Memory OS：AI Agent 不是缺记忆，而是缺一套记忆系统

为什么 AI Agent 的长期记忆几乎都是错的？

AI Agent 的长期记忆多为 RAG 检索，缺乏结构与状态管理，导致跨时间场景易出错。核心问题不在“存储”，而在能否重建当前有效状态，Memory Engineering 才是关键。

8天前
20
点赞
评论

为什么 AI Agent 的长期记忆几乎都是错的？

Harness Engineering 不缺概念，缺的是生产环境里的工程答案

这篇文章不再停留在 Harness Engineering 的概念解释，而是聚焦 Agent 进入生产环境后的真实落地：如何补齐上下文、约束、评测、观测与熵治理这套控制系统。

1月前
297
1
评论

RAG 系统评估的工程实践：一些非标准但可长期复用的方法

这篇文章并不是对现有 RAG 评估方法的系统性综述，而是基于多个真实项目中逐步形成的一套工程化经验总结。它不追求形式上的完整，而更强调：在实际工程环境中，这些评估方法是否真的能指导决策。

2月前
109
点赞
评论

【解密源码】WeKnora RAG 检索与重排解析：生产级系统如何筛选可用 Chunk

面对海量“相关”结果，生产级RAG如何精准筛选可用Chunk？本文解密WeKnora源码，揭示其统一多路召回、智能重排与降级策略，直击检索效能核心。

3月前
273
1
评论

【解密源码】WeKnora 文档切分与 Chunk 构建解析：腾讯生产级 RAG 的底层设计

WeKnora 是腾讯开源的一套生产级 RAG 框架，解决真实业务场景下“文档复杂、类型多样、规模可控但质量要求极高”的知识增强问题。本文将聚焦 WeKnora 的文档接入与解析体系。

3月前
289
2
评论

你的RAG需要知识图谱吗？——一套务实的技术选型心法

RAG在复杂关系推理中失效。本文提供四步决策框架，对比LLM自动抽取与人工预定义，提出混合方案三阶段实践路线，帮助工程师判断是否引入知识图谱，核心理念是以业务问题而非技术驱动决策。

4月前
107
点赞
评论

当检索结果“语义正确却答案错误”：一次 RAG 系统的工程化诊断

在 RAG 系统的实际落地过程中，一个最容易被忽视、却最具破坏力的问题是：检索结果在语义上“看起来很合理”，但却完全无法回答用户的问题。本文将拆解这一现象，如何通过工程化手段，来解决这类问题。

4月前
148
点赞
评论

个人成就

文章被点赞 49

文章被阅读 44,299

掘力值 1,225

加入于

2017-11-23