文档教程知识库人工智能提示工程【免费下载链接】Context-EngineeringContext engineering is the delicate art and science of filling the context window with just the right information for the next step. — Andrej Karpathy. A frontier, first-principles handbook inspired by Karpathy and 3Blue1Brown for moving beyond prompt engineering to the wider discipline of context design, orchestration, and optimization.项目地址https://gitcode.com/gh_mirrors/co/Context-Engineering点击查看免费下载Memory is not like a container that gradually fills up; it is more like a tree that grows hooks onto which the memories are hung. — Peter Russell本文是 Context-Engineering 开源仓库00_COURSE/05_memory_systems/模块的系统性技术指南。该模块面向上下文工程Context Engineering这一学科讲解如何构建能够跨多次交互持久化、演化并自适应的 AI 记忆系统——从存储-检索范式转向场论化的动态记忆架构最终落地为基于神经场吸引子动力学的重建式记忆Reconstructive Memory。读完本文你将掌握记忆架构的分层与形式化建模方法、基于 SQLite/嵌入的持久记忆实现、记忆增强智能体的构造、记忆系统评估框架以及片段存储 AI 补洞的脑启发式记忆重建方案并能在仓库源码与模板的基础上直接动手实现。模块定位与学习路线本模块是 Context-Engineering 课程体系中承接上下文检索生成01 模块与上下文管理03 模块的关键一环其学习目标包括五大能力记忆架构AI 系统中持久记忆的不同实现路径吸引子动力学稳定记忆模式如何在神经场中形成与演化重建式记忆以组装而非检索为核心的脑启发记忆系统记忆管理应对 token 上限的记忆优化策略持久化智能体跨会话保持连贯记忆的 Agent 构造。模块由 5 个子章节构成一条从基础到前沿的递进链路子章节定位核心内容00_memory_architectures.md基础记忆系统架构存储式 vs 场式、token 预算挑战、记忆层级组织、持久化策略权衡01_persistent_memory.md实现外部存储集成、记忆巩固与摘要、跨会话状态管理、检索与索引策略02_memory_enhanced_agents.md应用记忆增强智能体架构、个性化、基于记忆模式的适应性行为、多模态记忆集成03_evaluation_challenges.md评估记忆系统评估指标、纵向评估挑战、用户体验度量、记忆质量与连贯性评估04_reconstructive_memory.md创新 ⭐片段式存储、上下文驱动重建、AI 补洞与连贯性生成、通过重建反馈的适应性演化、神经场集成、涌现记忆属性与自然遗忘学习路径建议来自模块 README初学者先读 Memory Architectures 建立基础概念再学 Persistent Memory 掌握实现模式Reconstructive Memory 是前沿内容建议具备神经场基础后学习。中级实践者先读 Reconstructive Memory 理解范式转变再通过 Memory Enhanced Agents 学习应用模式最后用 Evaluation Challenges 评估自己的实现。高级研究者聚焦 Reconstructive Memory 与 Memory Enhanced Agents探索自适应记忆系统与涌现记忆属性等全新研究问题。记忆架构基础把记忆建模为动态上下文场形式化记忆即随时间维持信息持久性的动态场00_memory_architectures.md 开篇给出了核心形式化——记忆系统可表示为在时间轴上维持信息持久性的动态上下文场M(t) ∫[t₀→t] Context(τ) ⊗ Persistence(t-τ) dτ其中M(t)为 t 时刻的记忆状态Context(τ)为 τ 时刻的上下文信息Persistence(t-τ)为随时间推移的衰减/强化函数⊗为上下文整合的张量组合算子。文档进而给出三条架构原则1. 层级化信息组织Memory_Hierarchy { Working_Memory: O(seconds) - immediate context Short_Term: O(minutes) - session context Long_Term: O(days→years) - persistent knowledge Meta_Memory: O(∞) - architectural knowledge }2. 多模态表示Memory_State { Episodic: [event_sequence, temporal_context, participant_states], Semantic: [concept_graph, relationship_matrix, abstraction_levels], Procedural: [skill_patterns, action_sequences, strategy_templates], Meta_Cognitive: [learning_patterns, adaptation_strategies, reflection_cycles] }3. 动态上下文组装Context_Assembly(query) Σᵢ Relevance(query, memory_i) × Memory_ContentᵢSoftware 3.0 的三种记忆架构范式模块用 Software 3.0提示工程 编程 协议编排的融合范式的视角给出了三种架构架构一认知记忆层级Cognitive Memory Hierarchy——自上而下依次为元记忆层自我反思与架构自适应→ 长期记忆情景/语义/程序性三类并置→ 短期记忆会话上下文→ 工作记忆即时上下文与处理。这一分层与仓库中 memory_management_lab.py 的HierarchicalMemorySystemWorkingMemory LongTermMemory external retriever 三级结构相互印证。架构二场论记忆系统Field-Theoretic Memory——基于神经场基础可参见 08_neural_fields_foundations.md把记忆视为连续信息场中的语义吸引子semantic attractorField Properties: • Attractors Persistent memories with varying strength • Field gradients Associative connections • Resonance Memory activation through similarity • Interference Memory competition and forgetting架构三协议化记忆编排Protocol-Based Memory Orchestration——用结构化协议协调多级记忆操作例如/memory.orchestration协议依次执行working_memory.activate容量 7±2 块→short_term.retrieve当前会话窗口→long_term.search语义相似度/时间邻近/因果相关性多路检索→meta_memory.coordinate基于历史表现优化检索与存储策略最终输出组装好的上下文、记忆追踪、置信度分数与学习更新。三层渐进复杂度从 Software 1.0 到 Software 3.0模块按渐进复杂度给出了三层可运行模板Layer 1BasicMemorySystem带时间感知的键值存储含访问计数、last_accessed追踪与遗忘最旧条目的简单淘汰机制——对应确定性编程时代Software 1.0。Layer 2AssociativeMemorySystem为内容生成嵌入用余弦相似度学习条目间关联权重检索时以直接相似度 0.2 × 关联分综合排序——对应统计学习时代Software 2.0。Layer 3ProtocolMemorySystem内置工作/短期/长期/元记忆四层缓冲通过execute_memory_protocol()分发contextual_retrieval、associative_storage、memory_consolidation、adaptive_forgetting等协议检索时按 recency/relevance/confidence 加权合成巩固时把高价值短期记忆抽象泛化后提升至长期层并由元记忆层学习巩固策略。持久记忆长期知识存储与演化时间连续性挑战与数学基础01_persistent_memory.md 聚焦跨长时间维持连贯、演化的知识结构这一核心难题给出信息演化模型M(tΔt) M(t) ∫[t→tΔt] [Learning(τ) - Forgetting(τ)] dτ以及三条演化函数Strength(memory_i, t) Base_Strength_i × e^(-λt) Σⱼ Reinforcement_j(t) # 自适应强化 Semantic_Alignment(t) Original_Meaning ⊗ Drift_Correction(t) # 语义漂移补偿 Network(t1) Network(t) α × New_Connections - β × Weak_Connections # 关联网络演化分层持久化模型与持久知识图谱文档提出四层持久化模型永恒知识核心不变原则→稳定知识成熟、缓慢变化的概念/程序/关系→演化知识活跃学习与适配→实验性知识高不确定性试探性信息。配套的图结构按边类型区分持久性Eternal永不变、Stable慢衰减、Dynamic自适应强度、Experimental无强化则快速衰减。实现层从 SQLite 到协议编排Layer 1BasicPersistentMemorySQLite 确定性持久化——可直接运行的完整实现核心设计要点建memories表含content_hash唯一约束、category、strength、access_count、created_at、last_accessed字段与associations表外键关联 relationship_typestrength并对content_hash/category/created_at建索引store_memory()先按内容哈希去重已存在则强化strength MIN(strength * 1.1, 2.0)、access_count 1不存在则插入retrieve_memories()按access_count × strength × (1 / (julianday(now) - julianday(last_accessed) 1))综合排序检索后回写访问模式apply_retention_policy()按{category: days_to_retain}配置清理旧且低频access_count 3、strength 0.5的记忆。Layer 2AdaptivePersistentMemory统计学习增强——继承 Layer 1 并加入 TF-IDF 嵌入、访问模式学习与遗忘曲线存储时综合上下文重要性 学习到的重要性模式计算final_importance并预测访问频率、决定存储策略检索采用多策略文本相似度、语义相似度、学习模式、关联激活合并排序再按上下文重排contextual rerank自动发现关联语义相似度超过 0.3 即建关联按相似度区间划分highly_related/related/somewhat_related/weakly_relatedconsolidate_memories()定期把相关记忆合并为泛化条目并转移关联学习到的模式以 pickle 持久化到{storage_path}.patterns。Layer 3ProtocolPersistentMemory协议编排——注册memory_storage/memory_retrieval/memory_consolidation三类协议按步骤表执行并记录 execution_trace检索时先激活语义场区域_protocol_step_activate_relevant_field_regions再并行执行文本/语义/场激活/关联链/时间邻近五路检索按策略权重text 0.2、semantic 0.3、field 0.2、associative 0.2、temporal 0.1× 位置分合成总排序并提供create_memory_field_attractor()以 1.1 倍强化语义吸引子上限 2.0。高级持久化模式与工程挑战时间分层Temporal Stratification/memory.temporal_stratification协议按永恒/稳定/演化/实验四层配置 persistence、access_optimization、storage_redundancy语义场持久化Semantic Field Persistence吸引子维护强化频繁访问概念、削弱冷概念、关联演化强化共现对、剪枝矛盾关联、场重组触发于显著新知识或模式迁移跨模态持久化Cross-Modal Persistence文本/结构/程序/情景四模态对齐与翻译保真。三类实现挑战及对应解法规模与性能ScalablePersistentMemory采用 hot/warm/cold 三级自适应存储分片、语义漂移SemanticDriftManager检测漂移分数并创建语义版本、渐进适配、隐私安全SecurePersistentMemory加密 访问控制 选择性遗忘。记忆增强智能体认知架构与持久学习02_memory_enhanced_agents.md 阐述记忆与自主性agency的融合。无状态智能体把每次交互视为独立事件而记忆增强智能体通过累积理解、经验习得与长期一致的个性偏好来实现持续成长。数学基础Agent_State(t) F(Context(t), Memory(t), Goals(t)) Decision(t) arg max_{action} Σᵢ Memory_Weightᵢ × Utility(action, Memoryᵢ, Context(t)) Memory(t1) Memory(t) α × Learning(Experience(t)) - β × Forgetting(Memory(t))记忆权重由Relevance与当前上下文的相似度、Recency时间邻近性、Strength重复访问强化、Success历史结果质量四个维度决定。三层实现Layer 1BasicMemoryEnhancedAgent——目标管理Goal数据类含 priority/status/deadline/success_criteria/progress状态枚举 ACTIVE/COMPLETED/SUSPENDED/FAILED驱动的记忆感知决策检索相关记忆 → 情境分析 → 记忆加权决策目标对齐 0.4 历史成功 0.3 上下文适配 0.2 新颖探索 0.1→ 执行 → 交互经验回写_learn_from_interaction更新行为模式与成功指标。Layer 2AdaptiveMemoryAgent——引入 KMeans 交互聚类、个性画像communication_style / problem_solving_style / learning_preferences 三组 0~1 连续特征、探索-利用平衡exploration_rate与自适应学习成功0.8时按学习率强化个性特征失败0.4时针对性调整如用户沮丧则提升支持度、复杂任务则增强分析型取向。Layer 3ProtocolMemoryAgent——注册interaction_processing、expertise_development、relationship_building、meta_cognitive_reflection四类智能体协议每个协议步骤带 cognitive_load 评估与执行追踪_develop_expertise_systematically()、_build_user_relationship()、_perform_meta_cognitive_reflection()封装了系统化专长培养、用户关系维护与元认知反思的调用入口。高级集成模式会话记忆连续性immediate_context → session_memory → relationship_memory → domain_expertise 四层记忆配合 context_threading / relationship_evolution / expertise_application 三种连续性机制专长发展与渐进呈现知识获取、技能训练、模式识别、元专长四维构建按用户需求渐进揭示专长避免过度展示能力自适应个性演化从成功交互中提取个性特征并强化在合适情境中实验性变体再整合为稳定个性。工程挑战方面文档给出ConsistencyManager核心身份约束 0.5 自适应边界 0.3 历史模式 0.2阈值 0.7、EfficientMemoryAccesshot/warm/cold 分层 相关性预加载、PrivacyAwareMemorySystempublic/contextual/private/confidential 四级隐私 访问策略日志三类解决方案。记忆系统评估超越传统检索指标03_evaluation_challenges.md 指出记忆系统的评估远超传统数据库/信息检索指标须覆盖时间维度评估跨长时间的性能、涌现行为评估复杂系统产生的属性、多模态集成跨信息类型的一致性、元认知评估自我反思与改进能力。评估可形式化为多维优化E(M,t) Σᵢ wᵢ × Evaluation_Dimensionᵢ(M,t) Coherence(t₁,t₂) Consistency(Knowledge(t₁), Knowledge(t₂)) × Continuity(Behavior(t₁), Behavior(t₂)) × Growth_Quality(Learning(t₁→t₂)) Learning_Effectiveness α×Acquisition_Rate β×Retention_Quality γ×Application_Success δ×Transfer_Generalization五大核心挑战及框架时间复杂性与长期评估采用多时间尺度框架——短期秒级即时响应质量、基础检索、组装速度、中期分钟-小时级学习速率、适配有效性、连贯维持、长期天-月级知识巩固、专长发展、关系构建、超长期月-年级系统演化、涌现能力、集体智能。涌现行为测量EmergentBehaviorEvaluator以基线能力对比当前表现20% 提升阈值触发检测emergence_score (performance_gain × consistency × novelty)^(1/3)并追踪涌现起点与稳定性。多模态记忆连贯性MultiModalCoherenceEvaluator以协议化方式执行semantic_consistency/temporal_coherence/structural_alignment三类连贯性协议。元认知评估/meta_cognitive.evaluation_protocol依次评估自我反思内省能力、绩效归因、弱点识别、自适应改进策略修改、学习加速、迁移学习与递归改进改进机制自身的改进、涌现检测、目标演化。上下文工程性能评估ContextEngineeringPerformanceEvaluator覆盖检索生成、处理、管理三大基础组件与 RAG、记忆、工具推理、多智能体四类系统实现并计算 Software 3.0 成熟度结构化提示 0.2、编程集成 0.2、协议编排 0.25、动态组装 0.2、元递归 0.15。高级方法论还包括纵向演化追踪LongitudinalMemoryEvaluator按日快照 周期深度评估检测学习加速/能力平台期/性能周期/涌现转变/退化期、反事实评估CounterfactualMemoryEvaluator通过记忆消融——按记忆类型或时间段移除组件——与替代历史、能力隔离、时间操控四类场景测算性能增量、多智能体记忆评估知识共享效率、集体学习率、协调有效性、涌现集体智能。可靠性方面ReliableMetricFramework以定量/定性/纵向/反事实/涌现五视角三角互证ScalableEvaluationFramework采用快速筛查 → 定向深度评估的预算分层策略。重建式记忆脑启发式的范式革命 ⭐从存储到重建为何是根本性转变04_reconstructive_memory.md 是模块的旗舰章节。传统 AI 记忆遵循编码-存储-逐字检索范式而人类记忆本质是重建过程——大脑把过往经验的片段与当前知识、信念、期望拼接每次回忆都是一次基于分布式模式与情境线索的主动重构而非播放录音。Traditional Memory: Reconstructive Memory: Encode → Store Verbatim → Fragment Storage → Context Cues Retrieve Exactly → Current Knowledge → Dynamic Assembly → Flexible Output生物记忆的五个关键属性片段式存储只保留片段与模式而非完整记录、上下文依赖组装当前情境强烈影响组装方式、创造性重建用通用知识与期望填补缺失部分、自适应修改每次重建都会微调记忆供未来调用、高效压缩相似经验共享神经资源。对应到 AI 系统传统难题得到如下化解传统挑战重建式解法Token 预算耗尽片段式压缩僵化事实存储灵活模式组装无上下文检索上下文感知重建静态信息自适应记忆演化精确回忆要求有意义的近似架构片段提取 → 模式存储 → 上下文分析 → 重建引擎 → 动态组装系统核心组件为Fragment Extractor片段提取、Pattern Storage模式存储、Context Analyzer上下文分析、Reconstruction Engine重建引擎含片段检索/模式匹配/上下文融合三子模块、Dynamic Assembly动态组装片段整合、AI 补洞、连贯性优化、自适应修改。片段类型语义片段核心概念与关系、情景片段事件与时间标记、程序片段行动与操作模式、上下文片段环境与情境线索、情感片段情感状态与价值判断。片段存储格式JSON 示例{ fragment_id: frag_001, type: semantic, content: { concepts: [user_preference, coffee, morning_routine], relations: [ {subject: user, predicate: prefers, object: coffee}, {subject: coffee, predicate: occurs_during, object: morning} ] }, context_tags: [breakfast, weekday, home], strength: 0.85, last_accessed: 2025-01-15T09:30:00Z, access_count: 7, source_interactions: [conv_123, conv_145, conv_167] }重建流程七步① 上下文分析 → ② 基于上下文的片段激活 → ③ 匹配适用重建模式 → ④ 按模式模板组装 → ⑤ AI 推理补洞 → ⑥ 连贯性校验 → ⑦ 基于成功重建调整片段。核心实现ReconstructiveMemoryCellReconstructiveMemoryCell是可直接实现的核心类store_experience()从经验中提取片段、识别/创建模式、存储片段并建立模式关联reconstruct_memory()先分析上下文再检索候选片段、匹配模式优先用置信度最高的模式组装无匹配时退化为直接片段组装最后把重建结果反馈回片段更新fill_memory_gaps()调用ai_reasoning_engine.fill_gap()仅在补洞置信度 0.7 时接受填充。各片段类SemanticFragment / EpisodicFragment / ProceduralFragment分别实现查询匹配、叙事重建、上下文适配等能力。神经场集成片段即场模式重建即共振重建记忆与神经场架构天然契合FieldBasedReconstructiveMemory把片段编码为场激活模式概念激活强度 0.8、关系路径 0.6、上下文调制 0.4以片段模式为中心创建 basin_width0.3 的吸引子盆地检索时把线索编码为查询模式通过find_resonant_attractors(resonance_threshold0.3)找到共振吸引子按场激活强度0.4 阈值排序组装并做场引导补洞。仓库 memory.reconstruction.attractor.shell.md 正是该思想的协议化落地其MemoryReconstructionAttractorProtocol类完整实现了片段扫描 → 共振激活 → 吸引子激发amplification1.3→ 场动力学演化5 步、收敛阈值 0.05→ 模式提取coherence_min0.6→ 补洞识别 → AI 补洞confidence≥0.7→ 连贯性校验 → 片段适配 → 记忆巩固十步协议默认参数resonance_threshold0.3、gap_filling_confidence0.7、coherence_requirement0.6、adaptation_strength0.1。相关支撑文件还包括 recursive.memory.attractor.shell.md 与 memory.reconstruction.attractor.shell.md 配套的 SchemasymbolicResidue.v1.json、protocolShell.v1.json。AI 推理能力的三处杠杆AI 补洞AIGapFiller构造 gap-filling prompt提供可用片段、通用上下文、缺口类型/位置/周边内容要求与片段一致、符合上下文、维持逻辑流、按缺口类型控制细节量不确定时明示不确定性而非捏造不通过验证时回退到保守补洞动态模式识别DynamicPatternRecognizer除匹配既有模式模板外用 AI 从片段中发现时序/主题/结构/行为四类新模式置信度 0.6 的模式转成可用模式对象响应生成ConversationalAgent把重建记忆拼入 prompt 生成个性化回复并把本次交互作为新经验回存AdaptiveLearningSystem则用重建记忆评估学习者理解状态、生成个性化学习内容。五大优势与四项注意事项优势① Token 高效存片段而非完整对话、模式抽象自然压缩② 灵活自适应记忆随新信息演化、上下文影响重建③ 连贯整合新信息融入既有片段、矛盾在重建中消解④ 自然遗忘未用片段自然衰减、重要模式经使用强化、优雅降级而非生硬截断⑤ 创造性综合AI 推理补洞、片段新颖组合、涌现洞见。注意事项重建可靠性在创造性与准确性间平衡、对重建内容维护置信度估计、片段质量避免过度/不足切分、维持片段连贯可用、计算复杂度平衡重建质量与速度、考虑高频重建缓存、记忆漂移监测并纠正问题漂移、保持核心知识稳定。未来方向增强模式学习跨域模式迁移、元模式、多模态重建视觉/听觉/文本片段统一重建、协作式重建跨智能体共享模式、集体记忆演化、分布式片段存储、神经形态实现脉冲式片段表示、低能耗记忆操作。仓库源码印证记忆管理 Lab 与协议 Shell记忆管理 Lab层级记忆系统的工程化落地memory_management_lab.py 提供了与模块理论对应的生产级组件可作为动手实验的直接基础MemoryEntry 数据类content、timestamp、access_count、last_accessed、priority、size_bytes、tags 七字段compute_score()以recency×0.4 frequency×0.3 priority×0.3计算检索得分recency_score 1/(1 距上次访问秒数/3600)WorkingMemoryLRU 淘汰 优先级考量按max_size_bytes默认 50KB与max_entries默认 100双约束驱逐cleanup()清理 priority 0.1 的条目LongTermMemory重要性堆heapqmin-heap驱逐 标签索引tag_index gzip 压缩持久化每 100 条批量落盘cleanup()清理 30 天未访问且 access_count3 且 priority0.2 的条目——与 01 章 SQLite 方案互为印证HierarchicalMemorySystem工作记忆优先写入、priority0.5 或有标签时同时写入长期层检索命中长期层且access_count3或priority0.7时自动提升promotion至工作记忆optimize()执行双层清理、7 天未访问的优先级衰减decay 0.95与 6 小时未访问低频条目降级demotionContextWindowManager默认 token 分配为 system_instructions 15% / user_query 20% / retrieved_context 50% / response_buffer 15%optimize_allocations()以 0.7 平滑因子按历史实际用量动态调整分配比例并提供get_performance_metrics()平均效率、token 浪费、记忆利用率MemoryPerformanceMonitor告警阈值记忆利用率 0.9、命中率 0.7、平均响应时间 0.1s支持后台线程持续监控与报告生成。该 Lab 的数学基础C A(c_instr, c_know, c_tools, c_mem, c_state, c_query)与M* argmax_M E[Reward(LLM(C_M), target)] s.t. |C| ≤ L_max与本模块token 预算 层级记忆的主题一脉相承。相关主题还可延伸至 02_memory_hierarchies.md、03_compression_techniques.md、04_optimization_strategies.md以及基础篇 09_persistence_and_resonance.md。模板与智能体配置仓库 memory.agent.md 与 reconstruction.memory.agent.md 提供了记忆增强智能体与重建记忆智能体的现成提示词模板可直接与本文的架构实现配合使用。常见陷阱与解决方案速查模块 README 总结了四大高频陷阱及对应解法重建式记忆正是其统一解药陷阱问题本质解决方案Token 预算耗尽传统记忆系统持续消耗上下文 token片段式存储 重建式组装僵化记忆结构固定表示无法适应新上下文基于当前上下文与目标的动态重建记忆漂移与退化记忆系统要么停滞要么不可预测退化通过重建反馈与适配实现受控演化无上下文检索检索到的记忆不匹配当前情境上下文驱动的重建按需生成恰当记忆成功指标与下一步学完本模块后你应当能够为具体应用设计适配的记忆架构实现带片段存储的重建式记忆系统构建上下文感知的记忆重建流程构建随使用而改进的自适应记忆系统全面评估记忆系统性能将记忆系统集成进既有 AI 架构动手路线先从 00_memory_architectures.md 建立基础再以 memory_management_lab.py 作为可运行底座实验层级记忆然后深入 04_reconstructive_memory.md 实现一个简单的重建式记忆原型按ReconstructiveMemoryCell的 store/reconstruct 循环并以 memory.reconstruction.attractor.shell.md 的十步协议作为进阶整合路径最后用 03_evaluation_challenges.md 的纵向追踪与反事实评估框架衡量效果。记忆系统是当前 AI 开发最令人兴奋的前沿之一。从存储式向重建式记忆的转变为构建真正能够学习、适应与演化的 AI 系统打开了全新可能——本模块既提供了理论基石也提供了把这些思想落地的工程工具。从存储到重建从检索到组装从静态到自适应——这正是下一代记忆增强型 AI 系统的设计主线。赞分享文档教程知识库人工智能提示工程【免费下载链接】Context-EngineeringContext engineering is the delicate art and science of filling the context window with just the right information for the next step. — Andrej Karpathy. A frontier, first-principles handbook inspired by Karpathy and 3Blue1Brown for moving beyond prompt engineering to the wider discipline of context design, orchestration, and optimization.项目地址https://gitcode.com/gh_mirrors/co/Context-Engineering点击查看免费下载相关推荐深入理解repository-harnessAI代理与代码仓库交互的实现原理深入理解repository harnessAI代理与代码仓库交互的实现原理 repository harness是一个将任何代码仓库转换为AI代理就绪工作区智能体记忆系统设计终极指南基于Agent-Skills-for-Context-Engineering实现持久化记忆智能体记忆系统设计终极指南基于Agent Skills for Context Engineering实现持久化记忆 在人工智能快速发展的今天智能体Age人工智能AI 技能提示工程AI 评测GameShell终极Unix shell学习游戏 - 通过游戏化方式掌握Linux命令的完整指南GameShell终极Unix shell学习游戏 通过游戏化方式掌握Linux命令的完整指南 GameShell是一款创新的Unix shell学习游戏它人工智能AI Agent多智能体Agent 编排Agent 记忆工具调用代码智能体MCP 服务AI 评测上一篇OpenMontage D3.js 比例尺Scale全参考从连续映射到颜色编码的完整实战指南下一篇ToolJet Table 组件列配置完全指南动态列、列类型、编辑与校验创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考