Keep on to blur preview images; turn off to show them clearly
🎧 New podcast episode — what should we build with AI? I refuse to believe anyone actually wants yet another textarea-to-website generator 🙈
Can subscribe here if you want it to show up in your podcast player: https://t.co/QdcmSyLECt
Verde guarantees that ML training / inference was done correctly over any device. Massive unlock for decentralized AI networks. Live on @gensynai now.
COO @GensynAI / ex @a16z @Cravath
I knew this would get a lot of replies. The real question is: How do we know who is REALLY serious about it? 🤔
I build stuff. On my way to making $1M 💰 My projects 👇
为了方便开发者使用，阿里 Qoder 做了一款 JetBrains 插件，现已正式上线！ 插件不仅集成了全球顶尖编程模型，还具备 “记忆感知” 能力，能自动记住用户编码习惯、项目特点和常见问题。 简而言之，这是一款能做到真正 “越用越懂你” 的开发组件。 官网下载：https://t.co/CiuvwAP1fi 基于 “双引擎” 架构，让 AI 能深度理解超大规模项目（支持 10 万文件级别），无需手动添加上下文就能给出精准建议。 目前插件已在 JetBrains 全系列 IDE，包括 IntelliJ IDEA、PyCharm、WebStorm 上发布，感兴趣的可直接下载使用。
💡 挖掘开源的价值 🧑🏻💻 坚持分享 GitHub 上高质量、有趣、实用的教程、AI工具、前沿 AI 技术 🧐 A list cool, interesting projects of GitHub. ✏️ 公众号：GitHubDaily
![RT @shao__meng: [面试避坑] 01 - 面试中挖出真实的「企业文化」
一家公司的企业文化，在哪体现？在办公区墙上？卫生间隔间门上？抬头房顶悬挂上？办公软件开屏广告上？邮件签名上？都不是，甚至会「缺什么强调什么」！…](/_next/image?url=https%3A%2F%2Fpbs.twimg.com%2Fmedia%2FG6hTWj6bIAAaTCG.jpg&w=3840&q=75 "RT @shao__meng: [面试避坑] 01 - 面试中挖出真实的「企业文化」
一家公司的企业文化，在哪体现？在办公区墙上？卫生间隔间门上？抬头房顶悬挂上？办公软件开屏广告上？邮件签名上？都不是，甚至会「缺什么强调什么」！…")
RT @shao__meng: [面试避坑] 01 - 面试中挖出真实的「企业文化」 一家公司的企业文化，在哪体现？在办公区墙上？卫生间隔间门上？抬头房顶悬挂上？办公软件开屏广告上？邮件签名上？都不是，甚至会「缺什么强调什么」！…
邵猛，中年失业程序员 😂 专注 - Context Engineering, AI Agents. 分享 - AI papers, apps and OSS. ex Microsoft MVP 合作 - 私信/邮箱：shaomeng@outlook.com 📢 公众号/小红书: AI 启蒙小伙伴
![[开源推荐] Memori：开源的 SQL 原生记忆引擎，专为 LLM、智能体、多智能体系统设计。一行代码 ——memori.enable() ——为任何 LLM 提供持久化、可查询的记忆存储，帮助 AI 系统记住对话、从交互中学习，并在会话间保持上下文连续性。
核心价值与特点
Memori 的核心在于简化 AI 记忆管理：它将记忆存储在标准 SQL 数据库（如 SQLite、PostgreSQL、MySQL、Neon 或 Supabase）中，这些数据库用户可完全拥有和审计。不同于传统向量存储，Memori 利用 SQL 的全文搜索索引实现高效检索，同时通过智能提取实体、映射关系和优先级排序，确保记忆的相关性和实用性。
关键特点包括：
· 一行集成：无缝兼容 OpenAI、Anthropic、LiteLLM、LangChain、Azure OpenAI，以及100多种 LiteLLM 支持的模型。
· 智能记忆处理：自动提取实体（如事实、偏好、技能、规则和上下文），并分类存储。
· 多种记忆模式：
· 意识模式（Conscious）：一次性注入关键记忆。
· 自动模式（Auto）：根据查询动态搜索相关记忆。
· 组合模式：二者结合使用。
· 后台优化：意识智能体每6小时运行一次，从长期存储中提炼关键记忆到短期存储，确保 AI 的“长期学习”能力。
· 集成生态：支持 AgentOps、AutoGen、CrewAI、Swarms 等框架，已有交互式演示如个人日记助手和研究者智能体。
工作原理
Memori 采用拦截器架构，透明包裹 LLM 调用流程：
1. 预调用阶段（上下文注入）：在 LLM 生成响应前，检索智能体或意识智能体从 SQL 数据库中拉取相关记忆，并注入到提示中。
2. 后调用阶段（记录与提取）：响应返回后，记忆智能体分析对话，提取并分类新信息，存入数据库。
3. 后台处理：定期运行意识智能体，分析模式并优化记忆优先级。
整个系统依赖四个核心组件：Memori 拦截器（协调调用）、检索/意识/记忆智能体（处理数据），以及 SQL 数据库（持久存储）。这种模块化设计确保了高效性和可扩展性。
开源地址：](/_next/image?url=https%3A%2F%2Fpbs.twimg.com%2Fmedia%2FG6hrrSlaYAE-q0O.jpg&w=3840&q=75 "[开源推荐] Memori：开源的 SQL 原生记忆引擎，专为 LLM、智能体、多智能体系统设计。一行代码 ——memori.enable() ——为任何 LLM 提供持久化、可查询的记忆存储，帮助 AI 系统记住对话、从交互中学习，并在会话间保持上下文连续性。
核心价值与特点
Memori 的核心在于简化 AI 记忆管理：它将记忆存储在标准 SQL 数据库（如 SQLite、PostgreSQL、MySQL、Neon 或 Supabase）中，这些数据库用户可完全拥有和审计。不同于传统向量存储，Memori 利用 SQL 的全文搜索索引实现高效检索，同时通过智能提取实体、映射关系和优先级排序，确保记忆的相关性和实用性。
关键特点包括：
· 一行集成：无缝兼容 OpenAI、Anthropic、LiteLLM、LangChain、Azure OpenAI，以及100多种 LiteLLM 支持的模型。
· 智能记忆处理：自动提取实体（如事实、偏好、技能、规则和上下文），并分类存储。
· 多种记忆模式：
· 意识模式（Conscious）：一次性注入关键记忆。
· 自动模式（Auto）：根据查询动态搜索相关记忆。
· 组合模式：二者结合使用。
· 后台优化：意识智能体每6小时运行一次，从长期存储中提炼关键记忆到短期存储，确保 AI 的“长期学习”能力。
· 集成生态：支持 AgentOps、AutoGen、CrewAI、Swarms 等框架，已有交互式演示如个人日记助手和研究者智能体。
工作原理
Memori 采用拦截器架构，透明包裹 LLM 调用流程：
1. 预调用阶段（上下文注入）：在 LLM 生成响应前，检索智能体或意识智能体从 SQL 数据库中拉取相关记忆，并注入到提示中。
2. 后调用阶段（记录与提取）：响应返回后，记忆智能体分析对话，提取并分类新信息，存入数据库。
3. 后台处理：定期运行意识智能体，分析模式并优化记忆优先级。
整个系统依赖四个核心组件：Memori 拦截器（协调调用）、检索/意识/记忆智能体（处理数据），以及 SQL 数据库（持久存储）。这种模块化设计确保了高效性和可扩展性。
开源地址：")
[开源推荐] Memori：开源的 SQL 原生记忆引擎，专为 LLM、智能体、多智能体系统设计。一行代码 ——memori.enable() ——为任何 LLM 提供持久化、可查询的记忆存储，帮助 AI 系统记住对话、从交互中学习，并在会话间保持上下文连续性。 核心价值与特点 Memori 的核心在于简化 AI 记忆管理：它将记忆存储在标准 SQL 数据库（如 SQLite、PostgreSQL、MySQL、Neon 或 Supabase）中，这些数据库用户可完全拥有和审计。不同于传统向量存储，Memori 利用 SQL 的全文搜索索引实现高效检索，同时通过智能提取实体、映射关系和优先级排序，确保记忆的相关性和实用性。 关键特点包括： · 一行集成：无缝兼容 OpenAI、Anthropic、LiteLLM、LangChain、Azure OpenAI，以及100多种 LiteLLM 支持的模型。 · 智能记忆处理：自动提取实体（如事实、偏好、技能、规则和上下文），并分类存储。 · 多种记忆模式： · 意识模式（Conscious）：一次性注入关键记忆。 · 自动模式（Auto）：根据查询动态搜索相关记忆。 · 组合模式：二者结合使用。 · 后台优化：意识智能体每6小时运行一次，从长期存储中提炼关键记忆到短期存储，确保 AI 的“长期学习”能力。 · 集成生态：支持 AgentOps、AutoGen、CrewAI、Swarms 等框架，已有交互式演示如个人日记助手和研究者智能体。 工作原理 Memori 采用拦截器架构，透明包裹 LLM 调用流程： 1. 预调用阶段（上下文注入）：在 LLM 生成响应前，检索智能体或意识智能体从 SQL 数据库中拉取相关记忆，并注入到提示中。 2. 后调用阶段（记录与提取）：响应返回后，记忆智能体分析对话，提取并分类新信息，存入数据库。 3. 后台处理：定期运行意识智能体，分析模式并优化记忆优先级。 整个系统依赖四个核心组件：Memori 拦截器（协调调用）、检索/意识/记忆智能体（处理数据），以及 SQL 数据库（持久存储）。这种模块化设计确保了高效性和可扩展性。 开源地址：
邵猛，中年失业程序员 😂 专注 - Context Engineering, AI Agents. 分享 - AI papers, apps and OSS. ex Microsoft MVP 合作 - 私信/邮箱：shaomeng@outlook.com 📢 公众号/小红书: AI 启蒙小伙伴