LogoThread Easy
  • 探索
  • 撰写 Thread
LogoThread Easy

您的一体化 Twitter 线程助手

© 2025 Thread Easy All Rights Reserved.

探索

最新在前，按卡片方式浏览线程

开启时会模糊预览图，关闭后正常显示

Chat just informed me that "#region" and "//MARK:" can be used to annotate the minimap in VS Code.

Chat just informed me that "#region" and "//MARK:" can be used to annotate the minimap in VS Code.

🥑 Developer Advocate at @GitKraken 👨‍💻 Somewhat Senior Software Dev 📹 Twitch: https://t.co/heAWl9dFFl 📽️ YouTube: https://t.co/uWnKkyc09Q

avatar for Chris Griffing
Chris Griffing
Tue Nov 04 00:27:33
Do I know anyone working at @bfl_ml? Still waiting for a reply to my sales inquiry.

Do I know anyone working at @bfl_ml? Still waiting for a reply to my sales inquiry.

Founder of https://t.co/reapzFhWNK, building the future of photography. - Learn SEO 👉 https://t.co/3MOusGyAAb

avatar for Danny Postma
Danny Postma
Tue Nov 04 00:26:05
RAG -> Agentic RAG -> Agent Memory 特别喜欢 @helloiamleonie 的博客，这篇探讨了 AI 系统中信息检索与存储机制的逐步升级，以一个简化的心理模型为基础，解释了从静态检索向动态记忆管理的转变，帮助读者理解 LLM 如何通过外部工具处理超出其上下文窗口的信息。这一演进的核心在于从“只读”操作转向“读写”能力，从而实现更个性化和自适应的 AI 智能体。 RAG：一次性只读检索的起点 首先回顾了 RAG，这是2020年提出、2023年流行起来的基础技术。RAG 通过外部向量数据库注入知识，解决 LLM “幻觉”问题。其流程分为两步：离线阶段将文档嵌入并存储；在线阶段根据查询检索相关上下文，并与提示结合生成响应。 例如，伪代码展示了其简洁性： · 存储文档时，生成嵌入并存入数据库。 · 回答查询时，一次性检索 top-k 结果，注入提示中生成输出。 RAG 的优势在于高效减少幻觉，但局限明显：它是“一次性”解决方案，无法评估检索必要性或相关度；知识源单一，且无学习机制，无法从交互中迭代。这使得它适合简单问答，但不适用于复杂、连续对话场景。 Agentic RAG：工具调用下的动态只读 为了克服 RAG 的刚性，文章引入 Agentic RAG，将检索视为智能体可调用的“工具”。智能体不再被动检索，而是主动判断是否需要调用工具（如数据库搜索或网络查询），并评估结果的相关性。这引入了循环机制：LLM 生成响应，若需工具，则执行并反馈结果，直至无需工具。 伪代码中，智能体通过工具调用（如 SearchTool）实现动态检索，消息历史逐步积累。这提升了灵活性——智能体能选择合适工具，避免无关信息注入。但它仍停留在“只读”层面：信息仅在离线阶段存储，无法实时修改或个性化，无法从用户交互中“学习”。 智能体记忆：读写操作的突破 核心在于智能体记忆（Agent Memory），它将 Agentic RAG 扩展为读写系统。通过新增“写工具”（如 WriteTool），智能体不仅能检索，还能存储、更新或删除信息。这实现了从交互中学习的闭环：例如，记录用户偏好（如使用表情符号的习惯）或事件（如生日），并在后续对话中检索。 伪代码展示了这一循环：响应中若有写操作，则将信息存入数据库，反馈确认。这直接解决了前两者的痛点——动态存储支持实时适应，个性化检索提升用户体验。文章举例说明：智能体可存储对话摘要或原始历史，实现“记住”功能，而非仅“回忆”。 简化模型的局限与实际考量 Leonie 坦承，这一模型是简化的，未涵盖多源记忆（如程序性记忆：使用表情；情节记忆：用户旅行计划；语义记忆：事实知识）或高级管理策略（如 MemGPT 中的记忆合并与遗忘）。读写能力虽强大，但引入新风险，如记忆腐败（过时信息干扰）或管理负担。实际实现需结合事件检测、摘要生成等技术，确保可扩展性。 文章地址

RAG -> Agentic RAG -> Agent Memory 特别喜欢 @helloiamleonie 的博客，这篇探讨了 AI 系统中信息检索与存储机制的逐步升级，以一个简化的心理模型为基础，解释了从静态检索向动态记忆管理的转变，帮助读者理解 LLM 如何通过外部工具处理超出其上下文窗口的信息。这一演进的核心在于从“只读”操作转向“读写”能力，从而实现更个性化和自适应的 AI 智能体。 RAG：一次性只读检索的起点 首先回顾了 RAG，这是2020年提出、2023年流行起来的基础技术。RAG 通过外部向量数据库注入知识，解决 LLM “幻觉”问题。其流程分为两步：离线阶段将文档嵌入并存储；在线阶段根据查询检索相关上下文，并与提示结合生成响应。 例如，伪代码展示了其简洁性： · 存储文档时，生成嵌入并存入数据库。 · 回答查询时，一次性检索 top-k 结果，注入提示中生成输出。 RAG 的优势在于高效减少幻觉，但局限明显：它是“一次性”解决方案，无法评估检索必要性或相关度；知识源单一，且无学习机制，无法从交互中迭代。这使得它适合简单问答，但不适用于复杂、连续对话场景。 Agentic RAG：工具调用下的动态只读 为了克服 RAG 的刚性，文章引入 Agentic RAG，将检索视为智能体可调用的“工具”。智能体不再被动检索，而是主动判断是否需要调用工具（如数据库搜索或网络查询），并评估结果的相关性。这引入了循环机制：LLM 生成响应，若需工具，则执行并反馈结果，直至无需工具。 伪代码中，智能体通过工具调用（如 SearchTool）实现动态检索，消息历史逐步积累。这提升了灵活性——智能体能选择合适工具，避免无关信息注入。但它仍停留在“只读”层面：信息仅在离线阶段存储，无法实时修改或个性化，无法从用户交互中“学习”。 智能体记忆：读写操作的突破 核心在于智能体记忆（Agent Memory），它将 Agentic RAG 扩展为读写系统。通过新增“写工具”（如 WriteTool），智能体不仅能检索，还能存储、更新或删除信息。这实现了从交互中学习的闭环：例如，记录用户偏好（如使用表情符号的习惯）或事件（如生日），并在后续对话中检索。 伪代码展示了这一循环：响应中若有写操作，则将信息存入数据库，反馈确认。这直接解决了前两者的痛点——动态存储支持实时适应，个性化检索提升用户体验。文章举例说明：智能体可存储对话摘要或原始历史，实现“记住”功能，而非仅“回忆”。 简化模型的局限与实际考量 Leonie 坦承，这一模型是简化的，未涵盖多源记忆（如程序性记忆：使用表情；情节记忆：用户旅行计划；语义记忆：事实知识）或高级管理策略（如 MemGPT 中的记忆合并与遗忘）。读写能力虽强大，但引入新风险，如记忆腐败（过时信息干扰）或管理负担。实际实现需结合事件检测、摘要生成等技术，确保可扩展性。 文章地址

专注 - Context Engineering, AI(Coding)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 🔗 信息卡提示词 🔽

avatar for meng shao
meng shao
Tue Nov 04 00:25:55
查看全文：https://t.co/ixg5z0sacp

查看全文：https://t.co/ixg5z0sacp

独立科技网站 - 蓝点网 / 感谢关注 订阅频道：https://t.co/xzeoUEoPcU 联系方式：https://t.co/LJK1g3biPp

avatar for 蓝点网
蓝点网
Tue Nov 04 00:25:48
查看全文：https://t.co/ixg5z0sacp

查看全文：https://t.co/ixg5z0sacp

独立科技网站 - 蓝点网 / 感谢关注 订阅频道：https://t.co/xzeoUEoPcU 联系方式：https://t.co/LJK1g3biPp

avatar for 蓝点网
蓝点网
Tue Nov 04 00:25:48
RT @StamsterS: @levelsio see how Western Balkans do it with AC 😂

RT @StamsterS: @levelsio see how Western Balkans do it with AC 😂

🇪🇺https://t.co/NdorAWqJC3 📸https://t.co/lAyoqmSBRX $133K/m 🏡https://t.co/1oqUgfD6CZ $40K/m 🛰https://t.co/ZHSvI2wjyW $36K/m 🌍https://t.co/UXK5AFqCaQ $16K/m 👙https://t.co/RyXpqGuFM3 $14K/m 💾https://t.co/M1hEUBAynC $6K/m

avatar for @levelsio
@levelsio
Tue Nov 04 00:24:50
  • Previous
  • 1
  • More pages
  • 1112
  • 1113
  • 1114
  • More pages
  • 2111
  • Next