[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-VectorSpaceLab--general-agentic-memory":3,"tool-VectorSpaceLab--general-agentic-memory":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":78,"owner_location":78,"owner_email":78,"owner_twitter":78,"owner_website":78,"owner_url":79,"languages":80,"stars":101,"forks":102,"last_commit_at":103,"license":78,"difficulty_score":23,"env_os":104,"env_gpu":105,"env_ram":104,"env_deps":106,"category_tags":114,"github_topics":78,"view_count":10,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":115,"updated_at":116,"faqs":117,"releases":147},1033,"VectorSpaceLab\u002Fgeneral-agentic-memory","general-agentic-memory","A general memory system for agents, powered by deep-research","general-agentic-memory（简称 GAM）是一个专为智能体设计的通用记忆系统，基于深度研究构建的文件系统框架。它为大型语言模型提供结构化的记忆存储与运行环境，支持文本和视频多模态输入。\n\n面对长文档、长视频及复杂智能体轨迹时，传统方法难以有效组织上下文。GAM 通过智能分块、层级化目录结构和增量更新机制，解决了长程记忆管理与信息检索效率低下的问题，让智能体能在广泛操作中维持上下文连贯性。\n\n技术亮点方面，GAM 能自动生成记忆摘要与分类体系，兼容 OpenAI 等多种推理后端，并提供 Python SDK、CLI、REST API 及 Web 平台四种访问方式，部署灵活。\n\nGAM 适合开发者构建智能体工作流，研究人员探索长上下文记忆机制，以及需要高效管理 AI 知识库的用户。无论是本地文件系统还是 Docker 容器，GAM 都能提供稳定的记忆支持，帮助提升智能体的长期任务处理能力。","# GAM (General Agentic Memory via Deep Research in An Agent File System)\n\nEnglish | [中文版](README_zh.md)\n\nA highly modular agentic file system framework that provides structured memory and operating environments for Large Language Models (LLMs). GAM supports both **text** and **video** modalities, offering four access levels: **Python SDK**, **CLI**, **REST API**, and **Web Platform**.\n\n## Features\n\n### 1. Core Features\n* 📝 **Intelligent Chunking**: LLM-based text segmentation that automatically identifies semantic boundaries.\n* 🧠 **Memory Generation**: Generates structured memory summaries (Memory + TLDR) for each text chunk.\n* 📂 **Hierarchical Organization**: Automatically organizes memories into a hierarchical directory structure (Taxonomy).\n* ➕ **Incremental Addition**: Append new content to existing GAMs without rebuilding.\n* 🐳 **Multi-environment Support**: Supports both local file systems and Docker container workspaces.\n* 🔌 **Flexible LLM Backends**: Compatible with OpenAI, SGLang, and other inference engines.\n\n### 2. Supported Tasks\n* 📄 **Long Text**: Hierarchical memory organization and exploratory QA for long documents.\n* 🎥 **Long Video**: Automated detection, segmentation, and description for building long video memory.\n* 🎞️ **Long-horizon (Agent Trajectory)**: Efficient compression and organization of long-sequence agent trajectories (e.g., complex reasoning steps, tool invocation logs), enabling agents to manage context across extensive operations.\n\n### 3. Implementation Methods\n* 🐍 **Python SDK**: High-level Python SDK for easy integration into agentic workflows.\n* 💻 **CLI Tools**: Unified `gam-add` and `gam-request` commands for command-line interaction.\n* 🚀 **REST API**: High-performance RESTful API (FastAPI + Uvicorn) with auto-generated OpenAPI docs, request validation, and CORS support.\n* 🌐 **Web Platform**: Flask-based visualization and management interface.\n\n## Quick Start\n\n### Installation\n\n```bash\n# Full installation with all features\npip install -e \".[all]\"\n```\n\n### Usage Overview\n\nGAM can be used through the Python SDK, CLI, REST API, or Web interface.\n\n#### 1. Python SDK (Workflow API)\n```python\nfrom gam import Workflow\nwf = Workflow(\"text\", gam_dir=\".\u002Fmy_gam\", model=\"gpt-4o-mini\", api_key=\"sk-xxx\")\nwf.add(input_file=\"paper.pdf\")\nresult = wf.request(\"What is the main conclusion?\")\nprint(result.answer)\n```\n\n#### 2. CLI Tools\n```bash\n# Add content\ngam-add --type text --gam-dir .\u002Fmy_gam --input paper.pdf\n# Query content\ngam-request --type text --gam-dir .\u002Fmy_gam --question \"What is the main conclusion?\"\n```\n\n#### 3. REST API\n```bash\n# Start REST API server (FastAPI + Uvicorn)\npython examples\u002Frun_api.py --port 5001\n# Interactive docs available at http:\u002F\u002Flocalhost:5001\u002Fdocs\n# See usage example\npython examples\u002Frest_api_client.py\n```\n\n#### 4. Web Interface\n```bash\npython examples\u002Frun_web.py --model gpt-4o-mini --api-key sk-xxx\n```\n\n### Configuration\n\nSet up environment variables to avoid repeated parameter input. GAM Agent (memory building) and Chat Agent (Q&A) can be configured independently:\n\n```bash\n# GAM Agent (memory building)\nexport GAM_API_KEY=\"sk-your-api-key\"\nexport GAM_MODEL=\"gpt-4o-mini\"\nexport GAM_API_BASE=\"https:\u002F\u002Fapi.openai.com\u002Fv1\"\n\n# Chat Agent (Q&A) — falls back to GAM Agent config when not set\nexport GAM_CHAT_API_KEY=\"sk-your-chat-api-key\"\nexport GAM_CHAT_MODEL=\"gpt-4o\"\nexport GAM_CHAT_API_BASE=\"https:\u002F\u002Fapi.openai.com\u002Fv1\"\n```\n\n## Documentation\n\nDetailed usage instructions for each component can be found in the following guides:\n\n* 🐍 **[Python SDK Usage](.\u002Fexamples\u002Fdocs\u002Fsdk_usage.md)**: `Workflow` API and advanced component usage.\n* 💻 **[CLI Usage Guide](.\u002Fexamples\u002Fdocs\u002Fcli_usage.md)**: Detailed `gam-add` and `gam-request` commands.\n* 🚀 **[REST API Usage](.\u002Fexamples\u002Fdocs\u002Frest_api_usage.md)**: RESTful API access and programmatic integration.\n* 🌐 **[Web Usage Guide](.\u002Fexamples\u002Fdocs\u002Fweb_usage.md)**: Setting up and running the visual management platform.\n\n## Examples\n\nCheck the [`examples\u002F`](.\u002Fexamples\u002F) directory for sample projects and usage guides:\n\n| Example | Description |\n|---|---|\n| [`long_text\u002F`](.\u002Fexamples\u002Flong_text\u002F) | Text GAM building and QA. |\n| [`long_video\u002F`](.\u002Fexamples\u002Flong_video\u002F) | Video GAM building and QA. |\n| [`long_horizon\u002F`](.\u002Fexamples\u002Flong_horizon\u002F) | Long-horizon agent trajectory compression with search\u002Fmemorize\u002Frecall. |\n\n## Research\n\nThe [`research\u002F`](.\u002Fresearch\u002F) directory contains the original research codebase for the [GAM paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2511.18423), including benchmark evaluation scripts (LoCoMo, HotpotQA, RULER, NarrativeQA) and the dual-agent (Memorizer + Researcher) implementation:\n\n```bash\ncd research\npip install -e .\n```\n\n```python\nfrom gam_research import MemoryAgent, ResearchAgent\n```\n\nFor more details, see the [Research README](.\u002Fresearch\u002FREADME.md).\n\n## License\n\nThis project is licensed under the MIT License - see the [LICENSE](LICENSE) file for details.\n","# GAM (基于智能体文件系统深度研究的通用智能体记忆)\n\n英文 | [中文版](README_zh.md)\n\n一个高度模块化的智能体文件系统（agentic file system）框架，为大型语言模型（LLMs）提供结构化记忆和运行环境。GAM 支持**文本**和**视频**模态（modalities），提供四种访问级别：**Python SDK（软件开发工具包）**、**CLI（命令行界面）**、**REST API（表述性状态转移接口）**和**Web 平台**。\n\n## 功能特性\n\n### 1. 核心功能\n* 📝 **智能分块（Intelligent Chunking）**：基于大型语言模型（LLM）的文本分割，自动识别语义边界。\n* 🧠 **记忆生成（Memory Generation）**：为每个文本块生成结构化记忆摘要（Memory + TLDR）。\n* 📂 **层级组织（Hierarchical Organization）**：自动将记忆组织成层级目录结构（分类体系 Taxonomy）。\n* ➕ **增量添加（Incremental Addition）**：将新内容追加到现有的 GAM 实例中，无需重建。\n* 🐳 **多环境支持（Multi-environment Support）**：支持本地文件系统和 Docker（容器平台）容器工作区。\n* 🔌 **灵活的 LLM 后端（Flexible LLM Backends）**：兼容 OpenAI、SGLang 和其他推理引擎。\n\n### 2. 支持的任务\n* 📄 **长文本（Long Text）**：长文档的层级记忆组织和探索性问答（QA）。\n* 🎥 **长视频（Long Video）**：自动检测、分割和描述，用于构建长视频记忆。\n* 🎞️ **长程（智能体轨迹）（Long-horizon (Agent Trajectory)）**：高效压缩和组织长序列智能体（Agent）轨迹（例如复杂推理步骤、工具调用日志），使智能体能够在广泛的操作中管理上下文。\n\n### 3. 实现方法\n* 🐍 **Python SDK（软件开发工具包）**：高级 Python SDK，易于集成到智能体工作流中。\n* 💻 **CLI 工具（命令行界面）**：统一的 `gam-add` 和 `gam-request` 命令，用于命令行交互。\n* 🚀 **REST API（表述性状态转移接口）**：高性能 RESTful API（FastAPI + Uvicorn），带有自动生成的 OpenAPI 文档、请求验证和 CORS（跨域资源共享）支持。\n* 🌐 **Web 平台**：基于 Flask 的可视化管理界面。\n\n## 快速开始\n\n### 安装\n\n```bash\n# Full installation with all features\npip install -e \".[all]\"\n```\n\n### 使用概览\n\nGAM 可以通过 Python SDK、CLI、REST API 或 Web 界面使用。\n\n#### 1. Python SDK（工作流 API）\n```python\nfrom gam import Workflow\nwf = Workflow(\"text\", gam_dir=\".\u002Fmy_gam\", model=\"gpt-4o-mini\", api_key=\"sk-xxx\")\nwf.add(input_file=\"paper.pdf\")\nresult = wf.request(\"What is the main conclusion?\")\nprint(result.answer)\n```\n\n#### 2. CLI 工具\n```bash\n# Add content\ngam-add --type text --gam-dir .\u002Fmy_gam --input paper.pdf\n# Query content\ngam-request --type text --gam-dir .\u002Fmy_gam --question \"What is the main conclusion?\"\n```\n\n#### 3. REST API\n```bash\n# Start REST API server (FastAPI + Uvicorn)\npython examples\u002Frun_api.py --port 5001\n# Interactive docs available at http:\u002F\u002Flocalhost:5001\u002Fdocs\n# See usage example\npython examples\u002Frest_api_client.py\n```\n\n#### 4. Web 界面\n```bash\npython examples\u002Frun_web.py --model gpt-4o-mini --api-key sk-xxx\n```\n\n### 配置\n\n设置环境变量以避免重复输入参数。GAM 智能体（Agent）（记忆构建）和 Chat 智能体（Agent）（问答）可以独立配置：\n\n```bash\n# GAM Agent (memory building)\nexport GAM_API_KEY=\"sk-your-api-key\"\nexport GAM_MODEL=\"gpt-4o-mini\"\nexport GAM_API_BASE=\"https:\u002F\u002Fapi.openai.com\u002Fv1\"\n\n# Chat Agent (Q&A) — falls back to GAM Agent config when not set\nexport GAM_CHAT_API_KEY=\"sk-your-chat-api-key\"\nexport GAM_CHAT_MODEL=\"gpt-4o\"\nexport GAM_CHAT_API_BASE=\"https:\u002F\u002Fapi.openai.com\u002Fv1\"\n```\n\n## 文档\n\n各组件的详细使用说明可在以下指南中找到：\n\n* 🐍 **[Python SDK 使用](.\u002Fexamples\u002Fdocs\u002Fsdk_usage.md)**：`Workflow` API 和高级组件用法。\n* 💻 **[CLI 使用指南](.\u002Fexamples\u002Fdocs\u002Fcli_usage.md)**：详细的 `gam-add` 和 `gam-request` 命令。\n* 🚀 **[REST API 使用](.\u002Fexamples\u002Fdocs\u002Frest_api_usage.md)**：RESTful API 访问和程序化集成。\n* 🌐 **[Web 使用指南](.\u002Fexamples\u002Fdocs\u002Fweb_usage.md)**：设置和运行可视化管理平台。\n\n## 示例\n\n查看 [`examples\u002F`](.\u002Fexamples\u002F) 目录以获取示例项目和使用指南：\n\n| 示例 | 描述 |\n|---|---|\n| [`long_text\u002F`](.\u002Fexamples\u002Flong_text\u002F) | 文本 GAM 构建与问答。 |\n| [`long_video\u002F`](.\u002Fexamples\u002Flong_video\u002F) | 视频 GAM 构建与问答。 |\n| [`long_horizon\u002F`](.\u002Fexamples\u002Flong_horizon\u002F) | 长程智能体轨迹压缩，包含搜索\u002F记忆\u002F召回。 |\n\n## 研究\n\n[`research\u002F`](.\u002Fresearch\u002F) 目录包含 [GAM 论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2511.18423) 的原始研究代码库，包括基准评估脚本（LoCoMo, HotpotQA, RULER, NarrativeQA）和双智能体（Memorizer + Researcher）实现：\n\n```bash\ncd research\npip install -e .\n```\n\n```python\nfrom gam_research import MemoryAgent, ResearchAgent\n```\n\n更多详情，请参阅 [研究 README](.\u002Fresearch\u002FREADME.md)。\n\n## 许可证\n\n本项目采用 MIT 许可证许可 - 详见 [LICENSE](LICENSE) 文件。","# general-agentic-memory 快速上手指南\n\nGAM (General Agentic Memory) 是一个高度模块化的代理文件系统框架，为大型语言模型（LLM）提供结构化记忆和操作环境。支持文本和视频模态，可通过 Python SDK、CLI、REST API 或 Web 平台使用。\n\n## 环境准备\n\n*   **系统要求**：支持本地文件系统或 Docker 容器工作空间（Linux\u002FmacOS\u002FWindows）。\n*   **前置依赖**：\n    *   Python 环境（建议 3.8+）\n    *   Git（用于获取源代码）\n    *   LLM API Key（支持 OpenAI、SGLang 等推理引擎）\n*   **环境变量配置**：\n    为避免重复输入参数，建议在使用前配置以下环境变量。GAM Agent（记忆构建）和 Chat Agent（问答）可独立配置：\n\n    ```bash\n    # GAM Agent (记忆构建)\n    export GAM_API_KEY=\"sk-your-api-key\"\n    export GAM_MODEL=\"gpt-4o-mini\"\n    export GAM_API_BASE=\"https:\u002F\u002Fapi.openai.com\u002Fv1\"\n\n    # Chat Agent (问答) — 未设置时将回退到 GAM Agent 配置\n    export GAM_CHAT_API_KEY=\"sk-your-chat-api-key\"\n    export GAM_CHAT_MODEL=\"gpt-4o\"\n    export GAM_CHAT_API_BASE=\"https:\u002F\u002Fapi.openai.com\u002Fv1\"\n    ```\n\n## 安装步骤\n\n1.  获取项目源代码。\n2.  在项目根目录下执行以下命令进行完整安装（包含所有功能）：\n\n    ```bash\n    pip install -e \".[all]\"\n    ```\n\n## 基本使用\n\nGAM 支持多种交互方式，以下是最常用的 Python SDK 和 CLI 工具示例。\n\n### 1. Python SDK (Workflow API)\n\n适用于将 GAM 集成到代理工作流中。\n\n```python\nfrom gam import Workflow\nwf = Workflow(\"text\", gam_dir=\".\u002Fmy_gam\", model=\"gpt-4o-mini\", api_key=\"sk-xxx\")\nwf.add(input_file=\"paper.pdf\")\nresult = wf.request(\"What is the main conclusion?\")\nprint(result.answer)\n```\n\n### 2. CLI 工具\n\n适用于命令行快速交互。\n\n```bash\n# 添加内容\ngam-add --type text --gam-dir .\u002Fmy_gam --input paper.pdf\n# 查询内容\ngam-request --type text --gam-dir .\u002Fmy_gam --question \"What is the main conclusion?\"\n```\n\n### 3. 其他访问方式\n\n*   **REST API**: 运行 `python examples\u002Frun_api.py --port 5001` 启动服务，访问 `http:\u002F\u002Flocalhost:5001\u002Fdocs` 查看文档。\n*   **Web 平台**: 运行 `python examples\u002Frun_web.py --model gpt-4o-mini --api-key sk-xxx` 启动可视化管理界面。","某 AI 创业团队正在开发一款跨会话的复杂客户支持 Agent，需要处理海量的用户历史交互记录以及长周期的故障排查日志，以确保服务连续性。\n\n### 没有 general-agentic-memory 时\n- 长对话历史极易超出模型上下文窗口，导致关键用户信息丢失，服务体验断裂。\n- 缺乏结构化存储机制，难以从海量日志中快速检索过往的有效解决方案片段。\n- 每次新增交互日志都需要重新处理全部历史数据，Token 消耗成本极高且效率低下。\n- 代理执行轨迹杂乱无章，模型难以理解复杂的推理步骤和工具调用逻辑。\n\n### 使用 general-agentic-memory 后\n- 利用智能分块与轨迹压缩技术有效管理长序列记忆，彻底避免上下文溢出问题。\n- 自动构建层级化记忆目录，支持语义化检索，精准定位历史解决方案。\n- 支持增量添加新内容，无需重建记忆库，大幅降低重复处理的 Token 成本。\n- 生成结构化记忆摘要与 TLDR，帮助模型快速把握复杂推理脉络与工具调用状态。\n\ngeneral-agentic-memory 通过模块化记忆系统，赋予 Agent 持久、结构化且低成本的长期记忆能力，显著提升复杂任务表现。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FVectorSpaceLab_general-agentic-memory_1cb5aa76.png","VectorSpaceLab","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FVectorSpaceLab_d15d123f.png","",null,"https:\u002F\u002Fgithub.com\u002FVectorSpaceLab",[81,85,89,93,97],{"name":82,"color":83,"percentage":84},"Python","#3572A5",78.1,{"name":86,"color":87,"percentage":88},"JavaScript","#f1e05a",10.2,{"name":90,"color":91,"percentage":92},"CSS","#663399",7.9,{"name":94,"color":95,"percentage":96},"HTML","#e34c26",3.3,{"name":98,"color":99,"percentage":100},"Shell","#89e051",0.4,838,85,"2026-04-03T19:47:57","未说明","未说明 (取决于 LLM 后端配置，使用 OpenAI API 无需本地 GPU，使用本地推理引擎如 SGLang 可能需要)",{"notes":107,"python":104,"dependencies":108},"需配置环境变量（API Key、Model 等）；支持 Docker 容器工作区；研究代码位于 research 目录需单独安装；支持文本和视频模态；提供 SDK、CLI、REST API 和 Web 平台四种访问方式。",[109,110,111,112,113],"FastAPI","Uvicorn","Flask","SGLang","OpenAI",[15,13],"2026-03-27T02:49:30.150509","2026-04-06T08:19:46.563021",[118,123,127,132,137,142],{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},4609,"无法复现 Locomo 数据集结果，研究总结出现大量空条目如何解决？","这通常表明检索器加载或中间研究步骤存在问题。建议采取以下步骤：1. 检查 `research_trace` 文件内容，确认中间步骤是否正常执行；2. 捕获完整控制台日志（包含警告或错误），运行命令：`bash scripts\u002Feval_locomo.sh 2>&1 | tee eval.log`，并将 `eval.log` 提供给维护者；3. 确认已拉取仓库最新版本的代码。","https:\u002F\u002Fgithub.com\u002FVectorSpaceLab\u002Fgeneral-agentic-memory\u002Fissues\u002F6",{"id":124,"question_zh":125,"answer_zh":126,"source_url":122},4610,"代码运行速度过慢（如耗时超过 13 小时），是否有加速参数或方法？","由于任务涉及 API 调用，建议使用**多线程**并行化处理。可以使用 Python 的 `ThreadPoolExecutor` 包装执行逻辑。维护者提供了加速脚本示例供参考：[locomo_test_parallel.py](https:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Ffiles\u002F23952708\u002Flocomo_test_parallel.py)。",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},4611,"使用本地模型时遇到配置属性缺失或 JSON 解析报错（如 `\u003Cthink>` 标签）怎么办？","示例代码默认按 OpenAI 接口调用。如需使用本地模型，建议将模型调用接口改为 vLLM 形式以正确提取 JSON。此外，模型原始输出的 text 可能包含 `\u003Cthink>` 标签，需要进行过滤后才能解析为 JSON。维护者表示后续会更新代码以支持在 OpenAI\u002FvLLM 间直接切换。","https:\u002F\u002Fgithub.com\u002FVectorSpaceLab\u002Fgeneral-agentic-memory\u002Fissues\u002F2",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},4612,"如何获取 RULER 数据集的 JSON 文件？实验具体使用了哪些文件？","转换后的 JSONL 文件较大未直接上传。实验测试使用了 seed 42 的前 300 个问题。Table 1(b) 中的设置与 RULER parquet 文件对应关系如下：Retri 对应 niah_ 开头的 8 个文件，MT 对应 vt，AGG 对应 cwe 和 fwe，QA 对应 qa_1 和 qa_2。","https:\u002F\u002Fgithub.com\u002FVectorSpaceLab\u002Fgeneral-agentic-memory\u002Fissues\u002F11",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},4613,"无法复现 LLM as a Judge 的评估分数怎么办？","请确保使用项目提供的 prompt 进行评估。有用户反馈使用更严格的评估标准会导致无法复现，建议使用维护者提供的 prompt 和配置。如需帮助，可提供具体的实验配置、复现步骤及错误信息。","https:\u002F\u002Fgithub.com\u002FVectorSpaceLab\u002Fgeneral-agentic-memory\u002Fissues\u002F7",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},4614,"GAM 方法会增加多少延迟？是否有内存检索速度的具体数据？","开销主要取决于上下文长度和任务复杂度。维护者在 HotpotQA 数据集上测量了内存构建和研究响应时间，具体性能数据可参考项目 Issue 中提供的性能图表。","https:\u002F\u002Fgithub.com\u002FVectorSpaceLab\u002Fgeneral-agentic-memory\u002Fissues\u002F5",[]]