大模型小白必看：智能体记忆不是检索问题，6种形态解锁39%准确率提升！-北京尧图网络

15个模型、20万次模拟对话实证将内容拆到多轮对话中会导致39%的准确率下降。本文深入探讨智能体记忆系统如何通过六种上下文类型事实、实体、情景片段、会话摘要、观察、用户摘要来优化信息检索和编排从而提升智能体的回答准确性和连贯性。文章以开源时序图引擎Graphiti之上的Zep记忆层为例展示了如何为不同类型的问题定制上下文帮助开发者构建更高效的智能体系统。智能体记忆不是检索问题——15个模型、20万次模拟对话的实证同样的内容拆到多轮就掉39%准确率核心速览研究者用15个模型跑了超过20万次模拟对话发现把同一份内容拆散到多轮里平均要付出39%的准确率代价把内容合并进单轮大部分损失就能找回来——尽管内容一个字都没加、没减。也就是说答案取决于上下文如何编排而在智能体里这个决策每轮都由记忆系统在模型运行之前做出。几乎所有记忆系统都用同一种方式做这个决策存下每条消息、抽取断言、跑相似度检索、把得分最高的段落递回去。这在他们关于X说过什么这类问题上有效但在什么变了、什么时候变的上会崩塌。本文以开源时序图引擎 Graphiti 之上的 Zep 记忆层为实例完整走一遍现代智能体记忆系统需要的六种上下文类型并用同一份客户历史贯穿全文。▲ 原文配图6 Context Types for Agent Memory原文标题Agent Memory Is Not a Search Problem在15个模型、超过20万次模拟对话上研究者发现把一项任务拆到多轮里完成平均要付出39%的准确率代价。把同样的内容合并进单轮大部分损失就找回来了——哪怕内容一个字都没加、没减。▲ 图1 同一份内容拆到多轮准确率掉39%合并进单轮就找回来了没有被增删只有编排变了所以答案取决于上下文如何编排。而在一个智能体里记忆系统会在每一轮、在模型开始运行之前替你把这件事定下来。几乎每个记忆系统都用同一种方式定这件事。它存下每条消息从中抽取断言跑一次相似度检索然后把得分最高的段落递回去。这在提问是他们关于X说过什么时有效但在提问是什么变了、什么时候变的时就会崩塌。假设一位客户在3月说他用的是 Standard 套餐在5月说他换到了 Enterprise。相似度检索可能把两条陈述都返回。两条都相关但没有哪一条说明其中一条取代了另一条。缺口不在检索做得好不好而在于一种类型的段落被要求回答所有类型的问题。修法是把同一份记忆以多种形态检索出来每一种形态为某一类问题而构建。今天我们就用一套构建在开源 Graphiti 引擎之上的智能体记忆层来验证这件事并逐一走完现代智能体记忆系统需要的六种上下文类型。全文用同一条客户历史贯穿我们会看到为问题而定制的上下文如何帮助智能体用上当前的事实、保住精确的细节并避免用过期上下文给出自信满满的错误答案。这是一篇动手型文章你可以很轻松地把它改造成自己的用例。把它收藏起来或者直接丢进你智能体的对话框里——它会明白我们想做什么并把它适配到你自己的场景。开始。◆一、记忆跑在模型之前模型本身没有记忆。每一次API调用都是独立的。你的智能体在第20轮对话里对某个人的了解之所以存在是因为模型之外有东西先把它放进了提示词。那个有东西就是记忆系统。它的全部工作在模型被调用之前就已经做完了。它要在三个约束下工作上下文有固定的token预算可供取用的历史是无界的只有一条新进来的消息用来判断什么才重要▲ 图2 记忆系统在模型之前运行它搜索历史、组装一个上下文块塞进提示词模型在每次调用之间不记得任何东西每个请求都是白纸开始存储是简单的那一半。把每条消息写进数据库是个已解决的问题每个记忆产品都做得不错。选择这一步才是系统之间拉开差距的地方。当一个厂商说自己的记忆更好他们几乎总是在说自己的选择更好。没有人是因为数据没存下来而失败的。◆二、智能体记忆的四代演进智能体记忆被重建过四次。每一次重建都修好了上一个失败点同时引入了一个新的。1. 把整段对话都塞进去Send the whole conversation把完整历史粘贴进每一条提示词。简单而且只要对话不长就是正确的。它会在长度和成本上崩掉。但在那两者之前它先在质量上崩掉——因为模型的准确率会随着输入增长而下降远在上下文窗口被填满之前。2. 边走边摘要Summarize as you go把历史压缩成一份滚动摘要token数量就不再增长了。问题在于摘要器丢掉了什么。它保留主旨丢弃细节而细节往往正是智能体要正确回答所必需的东西日期、ID、错误码、精确金额。3. 切块并做向量嵌入Chunk and embed把每条消息存成向量查询时返回最相似的 k 个片段。它检索到的是与问题相似的东西而这不等于现在为真的东西。一条断言和取代它的那条断言在嵌入模型看来几乎一模一样。两条都会回来而且没有任何一条被标记成当前的。4. 构建知识图谱Build a knowledge graph不是存文本再在其上搜索而是把数据里的事物以及事物之间的关系抽出来。客户和他的数据管道变成了节点。拥有变成两者之间的一条连接。一次套餐变更变成一条连接并携带它成立的时间范围。这才是真正重要的转变。被存储的单元不再是文本而是结构。而结构可以被用不止一种方式读取。沿着单条连接走你得到一条精确的断言。汇集所有触达某个节点的连接你得到一个关于那个事物的描述。看连接簇与连接簇之间如何关联你得到一个没有任何人写下来过的模式。▲ 图3 前三种存的是文本第四种存的是东西之间如何相连同一份底层数据图谱让你读出好几种形态前三代只给你一种读取你所存内容的方式。图谱给你好几种而且都来自同一份底层数据。这就是本文余下部分要讲的那个性质。◆三、行业借来的那些标签在讲清楚那几种读取方式究竟是什么之前值得先清掉一个东西——因为它几乎出现在每个记忆产品的文档里。当系统开始抽取结构之后它们需要一套词汇来描述自己存的是哪类东西。这个领域去认知心理学里借了一套分类法。三个术语值得平实地定义一下语义记忆Semantic memory你知道的事实。巴黎是法国的首都。情景记忆Episodic memory发生在你身上的事。你去年3月去过巴黎。程序性记忆Procedural memory你知道怎么做的事。骑自行车。这些概念来自对人类记忆的研究比任何人开始造智能体都早了几十年。问题在于这套分类法按记忆是关于什么的来分类。它告诉你一条被存储内容的主题却完全不告诉你如何把这条内容取回来。在实践中这些标签通常什么也不做。系统让你把一条记忆标成三者之一存下这个标签然后不管怎样都用同一种方式检索所有东西。这个标签从来就不是一条检索路径。现在来看当人们去度量记忆而不是描述记忆时会发生什么。长期智能体记忆的标准基准评测考察五种能力信息抽取从一段很长的历史里拽出某个具体细节。跨会话推理把不同对话里说过的事连起来。知识更新处理一条取代了更早事实的新事实。时序推理回答某件事在什么时候为真。弃答知道历史里并没有答案。▲ 图4 一套分类法描述记忆另一套分类法告诉你如何检索记忆这五种里没有一种叫语义、情景或程序性。度量记忆的人是按系统必须做到什么来组织的。描述记忆的人是按记忆是关于什么的来组织的。只有前者能产生一个工程决策一个你真的能动手执行的决策。◆四、六个问题六种形态下面是支持型智能体在一个普通星期里通常会接到的几个问题。“什么变了什么时候变的” 需要一条带日期的小断言它可以在不被删除的前提下被标记为不再为真。“给我讲讲这个东西。” 需要对某一个事物的、被持续维护的描述而它是由几十条彼此独立的断言拼装出来的。“客户到底说了什么” 需要原始文本一字不改。“那次会话是怎么结束的” 需要一个属于整段对话的结论而不是对话中任何单条断言。“为什么这事反复发生” 需要一个横跨多次会话的模式而且没有任何人把它写下来过。“嗨。” 新会话的第一条消息。没有任何东西可以用来检索。需要的是某种在查询出现之前就已经在场的东西。▲ 图5 六类问题每一种都由一种检索形态来回答把它和那五种基准能力对照一下知识更新与时序推理都需要带时间边界的日期化断言。跨会话推理需要跨会话的模式。信息抽取既需要描述也需要原始文本。◆五、Zep 站在哪个位置Zep 是一套面向AI智能体的记忆层构建在他们开源的时序图引擎 Graphiti 之上。Zep 官网https://www.getzep.com/ Graphiti 仓库https://github.com/getzep/graphiti 你把对话和业务记录从原始数据所在的地方发给它。它把两者构建成一张时序知识图谱不仅追踪什么是真的还追踪每一件事从何时开始为真、到何时不再为真。每一轮它会把图谱中相关的部分组装成一段文本放进你智能体的提示词。关键在于Zep 返回的不是一种形态。它描述了六种不同的上下文类型而它们恰好对应上面的六个问题。检索它们只需要一次调用换一个 scope 参数results client.graph.search(user_iduser_id,query“When did we switch to the Enterprise plan?”,scope“edges”, # edges | nodes | episodes | thread_summarieslimit5,)◆六、一条客户历史六种读法我们真的在 Zep 里构建了一张上下文图谱来验证这件事。下面所有内容都来自同一份很小的合成历史对象是一家虚构的数据平台公司。Priya Raman 是 Northwind Logistics 的一名 staff 数据工程师。3月她搭了一条叫 orders_ingest 的管道通过一个自托管连接器self-hosted connector从 Postgres 里读出货订单。5月她在一次对话里报告了两件事她的团队在4月28日换到了 Enterprise 套餐以及 orders_ingest 在夜里因为 schema-drift模式漂移错误失败了。部署记录和工单系统记录补上了连接器版本、集群和工单状态。8月Priya 开了一段新对话只有一条消息“hi”。▲ 图6 同一份数据只存一次六种读法六个问题对着这段历史。六个不同的答案。我们一个一个来看这六种上下文类型。原文此处嵌有第二段演示视频见文末原文文章链接。1. 事实FactsZep 里的一条事实是连接两个实体的一条断言存在图谱的一条边上。它携带四个时间戳valid_at 和 invalid_at标记这条断言在现实世界中何时开始为真、何时不再为真created_at 和 expired_at标记 Zep 在何时得知了这两件事举个例子来理解。一个用户在3月结婚了而 Zep 直到4月才处理到相关数据。那么这条事实的 valid_at 是3月created_at 是4月。现在你问智能体这个用户在3月结婚了吗它会回答正确因为图谱分得清某件事何时为真和系统何时知道这件事。下面是这个行为在我们例子上的表现。客户在4月28日从 Standard 换到 Enterprise但直到5月8日才在一条消息里提到这件事When did Northwind’s Enterprise plan take effect?[edges] 5 results, 497 charsPriya Raman moved to the Enterprise plan on April 28. (2026-04-28T00:00:00Z - present)The Enterprise plan was adopted on April 28, resulting in an increased throughput ceiling. (2026-04-28T00:00:00Z - 2026-05-08T11:17:11Z)Priya Raman signed up for the Standard plan. (2026-03-12T09:02:00Z - 2026-04-28T00:00:00Z)▲ 图7 以 scope“edges” 检索Enterprise 的断言在4月28日开启Standard 的断言在4月28日关闭上图为原文截图下方为可复制文本两条事实回来了。Enterprise 那条在4月28日开启Standard 那条在4月28日关闭。两者之间没有空档也没有重叠。对话的日期和变更的日期是两回事而检索回来的上下文把两者都保住了。▲ 图8 它何时为真与系统何时学到是两条时间轴注意 caption 那句话——向量库同样能把两条断言都存下但库里的任何东西都不会告诉你其中一条取代了另一条注意这里没有发生什么当 Zep 得知升级这件事时它并没有覆盖掉 Standard 那条。它只是关掉了那个区间。两个版本都留在图谱里所以智能体仍然能回答上个季度什么是真的。相似度检索完全可以好好地同时持有这两条断言但它里面的任何东西都不会说其中一条取代了另一条。2. 实体Entities实体是 Zep 从你的数据里抽出来的一个具名事物一个人、一家公司、一个产品、一条管道。每一个都携带一段描述随着新事实到达Zep 会重新生成这段描述。问题“给我讲讲 orders_ingest 这条管道。”关于这条管道的各条独立断言可以很好地返回。但这段历史横跨几个月、包含几十条彼此独立的断言而智能体会不得不在每一轮都从碎片里重新拼出一幅连贯的图景。Tell me about the orders_ingest pipeline.[edges] 5 results, 459 charsThe orders_ingest pipeline belongs to Northwind Logistics. (2026-03-12T14:00:00Z - present)The orders_ingest pipeline uses connector version 4.2.1. (2026-03-27T14:08:00Z - present)The orders_ingest pipeline runs on the nw-prod-1 cluster. (2026-03-27T14:08:00Z - present)The orders_ingest pipeline reads from shipped_at. (2026-03-27T14:08:00Z - present)orders_ingest failed with KeylistingError. (2026-05-08T11:31:02Z - 2026-05-08T12:26:00Z)[nodes] 5 results, 1483 charsorders_ingest: Priya Raman, a staff data engineer at Northwind Logistics, is setting up orders_ingest. This system reads shipment orders daily from their Postgres primary ‘shipped_at’. The orders_ingest process failed overnight. This failure was caused by schema drift on the shipped_at field. The self-hosted connector is used by orders_ingest. Its configuration is stored in the company’s repository. It is a good fit for orders_ingest at that volume. orders_ingest is deployed by Northwind Logistics’ orders_ingest pipeline on the nw-prod-1 cluster in the eu-west-1 region. The nw-prod-1 cluster hosted the nw-prod-1 cluster, which utilized connector version 4.2.1 for Northwind Logistics’ orders_ingest pipeline deployment.▲ 图9 一次调用里同时看 edges 与 nodesedges 是断言nodes 返回的是那条被维护的实体描述上图为原文截图下方为可复制文本那段描述是用相隔好几周的消息拼装出来的。没有人写过它。它覆盖了这条管道做什么、处理多大量、从哪里读数据。这里有一点值得注意实体描述是为了作为一段话读起来顺畅而写的而段落不携带有效期区间。事实是为了可核验而写的可核验的断言读起来不像一份简报。▲ 图10 没有人写过这段描述它是被拼装出来的一个只有实体摘要的智能体会流畅但错误。一个只有事实的智能体会正确但不连贯每一轮都得从零重新拼装客户的历史。3. 情景片段Episodes情景片段就是你发给 Zep 的原始消息、文本和记录与从它们派生出来的一切一起保留。它们是整张图谱之下的事实源source-of-truth层。问题“客户实际报告了什么”Priya 的消息里包含一个字段名、一个类型不匹配、一个错误码和一个字节偏移量。要给上游开单的人需要这些内容一字不差地照原样。▲ 图11 其它一切都是派生的只有这条原始记录保持打字输入的样子不变原文schema drift on field ‘shipped_at’code E4419offset 118443027抽出来的事实也可以携带错误码。情景片段带来的是对来源本身的访问连同它周围的措辞这样智能体就能引用而不是转述。当智能体需要出示证据而不是概括证据时就用情景片段。[episodes] 2 results, 483 chars{“record_type”:“support_ticket”,“ticket_id”:“NH-2211”,“account”:“Northwind Logistics”,“pipeline”:“orders_ingest”,“reporter”:“Priya Raman”,“severity”:“high”,“status”:“open”,“created_at”:“2026-05-08”}… Separately, orders_ingest failed overnight. orders_ingest hit schema drift on the shipped_at field: KeylistingError: schema drift detected on field ‘shipped_at’ (expected TIMESTAMP, got STRING) [code E4419] at offset 118443027▲ 图12 scope“episodes” 返回的是原始记录含字段名、错误码与偏移量上图为原文截图下方为可复制文本4. 会话摘要Thread summaries会话摘要覆盖的是一段对话而不是一位客户做过的所有事。Zep 会随着消息到达而增量地构建它。▲ 图13 它是如何结束的是整段对话的属性而不是对话里任何一条消息的属性问题“schema drift 这个问题最后是怎么解决的结果是什么”那段对话有好几步。Priya 报告故障。支持人员建议加一个 cast类型转换。Priya 应用了它并确认管道恢复运行。然后她说根因始终没有找到。服务恢复了。根因没有被解决。这是两个不同的结论下一次支持对话两个都需要。[thread_summaries] 1 results, 582 charsPriya Raman’s team moved to the Enterprise plan on April 28, increasing their throughput ceiling to 500,000 events per minute. … the orders_ingest pipeline failed overnight due to schema drift on the shipped_at field which changed from TIMESTAMP to STRING. Priya Raman resolved the issue by applying an explicit cast in the transform stage and restarting the pipeline from the offset. The root cause of the upstream type change remains unresolved, but orders_ingest is stable.▲ 图14 scope“thread_summaries”一段对话的结论被完整打包包括已恢复但根因未解这个双重结局上图为原文截图下方为可复制文本单条事实可以描述这个结论的碎片。摘要把整段对话打包到一个智能体可以直接行动、而不必重新拼装的层级。5. 观察Observations观察描述的是跨图谱的模式、决策和关系而不是落在某一条具体的连接上。它们有证据支撑可以像其它检索 scope 一样用一次查询取回。我们在此前那篇关于 observations 的文章里讲过聚类机制和它们是如何被检测出来的。延伸阅读《Your Agent Remembers Everything and Understands Nothing》https://x.com/akshay_pachaar/status/2086451430580470095 ▲ 图15 观察不是落在任何单条连接上的东西它是连接簇之间的关系问题“这些故障有什么共同点”这一问需要更长的历史所以下面的例子换用另一段历史它包含三次 schema-drift 事故以及每次事故之前都发生过的定时回填backfill任务。1 observationsname: orders_ingest schema drift recoverysummary: A recurring pattern of schema drift failures on the ‘shipped_at’ field on April 3, the ‘carrier_ref’ field on May 9, and the ‘delivered_at’ field on June 19. Each failure was resolved by an engineer; the first two by applying a cast, and the third by rolling back the transform configuration. These failures occurred after the monthly_orders backfill jobs, observed on April 1, May 8, and June 18, 2026, respectively.created_at: 2026-09-04T03:23:17.756Z▲ 图16 一次观察把三次事故和三次定时任务收进同一段描述里上图为原文截图下方为可复制文本这条观察把三次事故和三个定时任务收进了同一段描述。那段历史里没有任何一条消息陈述过这个联系。它只存在于这些记录彼此的关系之中。观察给了智能体一条值得进一步调查的、反复出现的序列。它没有断定是回填报任务导致了这些故障。6. 用户摘要User summaries用户摘要挂在客户在图谱里的中心节点上承载的是这位用户在此前所有对话中所呈现出的要旨。▲ 图17 唯一一种在你提问之前就已经在场的类型它不被进来的消息过滤。它是背景而不是对某个查询的回答。Priya 用hi开了一段新对话。那条消息里没有任何东西可以用来检索。但 Zep 已经握着她的历史了。USER SUMMARYPriya Raman is a staff data engineer at Northwind Logistics. She was part of the orders_ingest process for the Enterprise plan, handling approximately 200,000 rows of shipment orders daily from their Postgres primary database using a self-hosted connector. Her system has a throughput capacity of 500,000 events per minute. The orders_ingest process recently failed due to schema drift on the ‘shipped_at’ field, which was expected to be a TIMESTAMP but was received as a STRING. An explicit cast in the transform stage resolved the issue, and orders_ingest is now running again.▲ 图18 一句hi背后智能体已经拿到角色、环境和未结事项上图为原文截图下方为可复制文本这就是它为什么能在第一轮就生效。其它五种类型都需要有个东西能拿来匹配这一种是直接在场的。对一位回访客户来说这意味着智能体一上来就带着他的角色、他的系统配置和他的未结问题而不是要求他再解释一遍自己。◆七、这些不用你自己拼装六种类型听起来可能意味着六次检索、一套该打哪些 scope的决策以及每个 scope 上都要调的限额。并不需要。thread.get_user_context() 返回的是 Zep 替你构建好的单个上下文块context client.thread.get_user_context(thread_idthread_id).context▲ 图19 一次排序、一个预算、一个块这个调用背后是 Smart Context Assembly智能上下文组装。它跨全部六种类型检索把五个可检索来源的候选放在一起排序而不是分别排序然后把上下文块填到字符预算上限。Smart Context Assembly 让形态跟随问题走。一个关于套餐变更的问题回来的内容会偏向事实。一句冷启动的hi回来的内容会偏向用户摘要。更小的块成本更低也为提示词的其它部分留下更多上下文窗口。你也不会需要每个智能体都上齐六种类型。先从默认块开始看看你的智能体在哪儿答错然后把每个失败映射到本该回答它的那种形态上。只做一次性查询的智能体可能只需要事实别的几乎不需要。没有跨会话历史的智能体从观察里什么也拿不到因为还没有模式可找。用户总是以已识别身份、中途加入任务的方式出现的智能体从用户摘要里获得的收益比冷启动迎接陌生人的那种要小。◆八、结语把一项任务拆到多轮里完成让那15个模型损失了39%的准确率——而内容始终完全一样。编排是唯一的变量它决定了答案。记忆层在每一轮都做同一个决策而且是替你做。存下更多历史并不会改变它交出去的东西。把重排序做得更狠也不会因为什么变了、什么时候变的和他们到底说了什么的答案不是同一种对象而一段检索回来的文本不可能同时是两者。更好的检索从来不是解药。更多的形态才是。大模型的知识又多又杂到底怎么学做这行久了被问最多的问题就一个大模型的知识又多又杂我到底先学啥翻了一堆资料看啥都像重点结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍零基础、应届生、转行的都适用。跟着走至少方向不乱、不瞎忙学完拿得出手。第一阶段10天初阶应用这一阶段就一个目标把大模型真正玩明白不是只会聊天那种而是能调教它、能用代码把大模型和业务接起来。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用这阶段正式进实战目标很实在做出两个能拿出手的东西——一个私有知识库一个 agent 对话机器人。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…走完这 30 天Python 或 JavaScript 背景的基本能独立做一套 RAG 应用简历上也敢写大模型应用开发了。第三阶段约20天动手微调学到这你已经开始 “造” 模型了 —— 通过微调搞出垂直领域的专用小模型。为什么要做 RAG什么是模型什么是模型训练求解器损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料第四阶段20天商业闭环部署落地技术学完落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…想要入坑大模型的朋友给大家准备了一份2026 年最新 AI 大模型全套学习资料1、大模型系统化学习路线2、大模型学习视频教程3、大模型学习书籍电子文档4、AI大模型最新行业报告5、大模型项目实战配套源码6、2026大模型大厂面试真题7、为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。8、适合谁学传统后端 / Java / 前端开发想转型 AI 应用大学生、应届生想拿更好的 offer产品经理、运营想武装职业竞争力技术负责人想给团队落地提效学习是反人性的但回报是真金白银。技术会更新赛道会切换但只要你先动手机会就永远站在你这边。9、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料好了就写到这。路线是死的人是活的卡住了随时来问我。觉得有用就点个收藏别让它进收藏夹吃灰——动起来比啥都强。

大模型小白必看：智能体记忆不是检索问题，6种形态解锁39%准确率提升！

相关推荐

2026年Agent开发爆发，小白也能抓住AI红利，速收藏！

AdaBoost 详解：从 Boosting 思想到样本权重更新，理解算法原理与实战

minicpm5-2B 云端运行解决方案！！！

更多资讯

基于IAT的光照自适应信号灯识别与轨道分割实战

Apache Paimon Spark引擎实战：读写链路、表型选择与性能调优

Gemma大模型实战：微调、量化与推理部署全流程指南

稀疏对抗攻击技术：扰动因子分解与实现

Labubu舆情分析实战：多平台UGC建模与传播归因

运维转型网络安全：核心技能与实战路径

今日更新

Agent-Reach：打通大模型触达外部系统的最后一公里

深度学习图像隐写分析实战：从CNN原理到毕设源码全解析

AI赋能知识产权供需匹配：专利评估、需求挖掘与多路召回工程实践

本周精选

防幻觉智能体架构：电源硬件设计中的大模型编排与工具化实践

OpenGL面试核心考点：渲染管线、矩阵变换与性能排查全解析

全国计算机二级C语言真题PDF高效刷题指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？