[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-WujiangXu--A-mem":3,"similar-WujiangXu--A-mem":82},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":19,"owner_email":20,"owner_twitter":20,"owner_website":21,"owner_url":22,"languages":23,"stars":32,"forks":33,"last_commit_at":34,"license":35,"difficulty_score":36,"env_os":37,"env_gpu":38,"env_ram":38,"env_deps":39,"category_tags":43,"github_topics":20,"view_count":36,"oss_zip_url":20,"oss_zip_packed_at":20,"status":47,"created_at":48,"updated_at":49,"faqs":50,"releases":81},643,"WujiangXu\u002FA-mem","A-mem","The code for NeurIPS 2025 paper \"A-Mem: Agentic Memory for LLM Agents\"","A-mem 是一款专为大语言模型智能体设计的创新记忆系统，致力于解决传统记忆模块组织僵化、无法有效利用历史经验的痛点。它摒弃了静态存储模式，采用“代理式记忆”架构，基于卡片笔记原则实现动态组织。系统能自动生成结构化笔记，通过智能索引与链接构建互联知识网络，并允许智能体自主驱动记忆的持续进化。\n\n这主要适合 AI 研究人员和开发者使用，既可用于复现 NeurIPS 2025 论文的实验结果，也能为构建高阶智能体提供参考。其独特之处在于支持多种推理后端（如 OpenAI、vLLM），并提供无需依赖特定格式的鲁棒评估方案。如果你想探索如何让 AI 像人类一样灵活管理知识脉络，A-mem 是一个非常值得关注的开源选择。","# Agentic Memory 🧠\n\nA novel agentic memory system for LLM agents that can dynamically organize memories in an agentic way.\n\n> **Note:** This repository is specifically designed to reproduce the results presented in our paper. If you want to use the A-Mem system in building your agents, please refer to our official implementation at: [A-mem-sys](https:\u002F\u002Fgithub.com\u002FWujiangXu\u002FA-mem-sys)\n\nFor more details, please refer to our paper: [A-Mem: Agentic Memory for LLM Agents](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2502.12110)\n\n## Introduction 🌟\n\nLarge Language Model (LLM) agents have demonstrated remarkable capabilities in handling complex real-world tasks through external tool usage. However, to effectively leverage historical experiences, they require sophisticated memory systems. Traditional memory systems, while providing basic storage and retrieval functionality, often lack advanced memory organization capabilities.\n\nOur project introduces an innovative **Agentic Memory** system that revolutionizes how LLM agents manage and utilize their memories:\n\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FWujiangXu_A-mem_readme_55cb26dd6d7d.jpg\" alt=\"Traditional Memory System\" width=\"600\"\u002F>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FWujiangXu_A-mem_readme_a60d682e3041.jpg\" alt=\"Our Proposed Agentic Memory\" width=\"600\"\u002F>\n  \u003Cbr>\n  \u003Cem>Comparison between traditional memory system (top) and our proposed agentic memory (bottom). Our system enables dynamic memory operations and flexible agent-memory interactions.\u003C\u002Fem>\n\u003C\u002Fdiv>\n\n## Key Features ✨\n\n- 🔄 Dynamic memory organization based on Zettelkasten principles\n- 🔍 Intelligent indexing and linking of memories\n- 📝 Comprehensive note generation with structured attributes\n- 🌐 Interconnected knowledge networks\n- 🔄 Continuous memory evolution and refinement\n- 🤖 Agent-driven decision making for adaptive memory management\n\n## Framework 🏗️\n\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FWujiangXu_A-mem_readme_e8b5e1ad47da.jpg\" alt=\"Agentic Memory Framework\" width=\"800\"\u002F>\n  \u003Cbr>\n  \u003Cem>The framework of our Agentic Memory system showing the dynamic interaction between LLM agents and memory components.\u003C\u002Fem>\n\u003C\u002Fdiv>\n\n## How It Works 🛠️\n\nWhen a new memory is added to the system:\n1. Generates comprehensive notes with structured attributes\n2. Creates contextual descriptions and tags\n3. Analyzes historical memories for relevant connections\n4. Establishes meaningful links based on similarities\n5. Enables dynamic memory evolution and updates\n\n## Results 📊\n\nEmpirical experiments conducted on six foundation models demonstrate superior performance compared to existing SOTA baselines.\n\n## Getting Started 🚀\n\n1. Clone the repository:\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FWujiangXu\u002FAgenticMemory.git\ncd AgenticMemory\n```\n\n2. Install dependencies:\nOption 1: Using venv (Python virtual environment)\n```bash\n# Create and activate virtual environment\npython -m venv a-mem\nsource a-mem\u002Fbin\u002Factivate  # Linux\u002FMac\na-mem\\Scripts\\activate     # Windows\n\n# Install dependencies\npip install -r requirements.txt\n```\n\nOption 2: Using Conda\n```bash\n# Create and activate conda environment\nconda create -n myenv python=3.9\nconda activate myenv\n\n# Install dependencies\npip install -r requirements.txt\n```\n\n3. Run the experiments in LoCoMo dataset:\n\n**Option A — Original evaluation (requires OpenAI JSON schema support):**\n```bash\npython test_advanced.py\n```\n\n**Option B — Robust evaluation (recommended, works with any LLM backend):**\n\nThe robust evaluation (`test_advanced_robust.py`) removes the JSON schema dependency and supports OpenAI API, vLLM, and Ollama backends.\n\n```bash\n# OpenAI models\npython test_advanced_robust.py --backend openai --model gpt-4o-mini \\\n    --dataset data\u002Flocomo10.json --output results_robust_gpt-4o-mini.json\n\n# vLLM-served open-source models (start vLLM server first)\npython -m vllm.entrypoints.openai.api_server \\\n    --model Qwen\u002FQwen2.5-3B-Instruct --port 30000 \\\n    --dtype float16 --enforce-eager --max-model-len 8192\npython test_advanced_robust.py --backend vllm --model Qwen\u002FQwen2.5-3B-Instruct \\\n    --dataset data\u002Flocomo10.json --output results_robust_qwen3b.json \\\n    --sglang_port 30000\n\n# Ollama models\npython test_advanced_robust.py --backend ollama --model qwen2.5:3b \\\n    --dataset data\u002Flocomo10.json --output results_robust_ollama_qwen3b.json\n```\n\nKey arguments:\n- `--retrieve_k`: Number of memories to retrieve per query (default: 10). Tune this per model for best results.\n- `--ratio`: Fraction of dataset to evaluate (e.g., `--ratio 0.1` for 10% quick test).\n- `--backend`: One of `openai`, `vllm`, `ollama`.\n- `--sglang_port`: Port for vLLM\u002FSGLang server (default: 30000).\n\n4. Run the full k-sweep to find optimal retrieval k per model:\n```bash\nbash run_k_sweep.sh\n```\n\n**Note:** To achieve the optimal performance reported in our paper, please adjust the hyperparameter `k` value accordingly. Memories are cached after the first run, so subsequent k-sweep evaluations only re-run the QA answering step.\n\n**Categories Information:** The LoCoMo dataset contains the following categories:\n* Category 1: Multi-hop\n* Category 2: Temporal\n* Category 3: Open-domain\n* Category 4: Single-hop\n* Category 5: Adversarial\n\nFor more details about the categories, please refer to [this GitHub issue](https:\u002F\u002Fgithub.com\u002Fsnap-research\u002Flocomo\u002Fissues\u002F6). \n\n## Citation 📚\n\nIf you use this code in your research, please cite our work:\n\n```bibtex\n@inproceedings{xu2025amem,\n  title={A-Mem: Agentic memory for llm agents},\n  author={Xu, Wujiang and Liang, Zujie and Mei, Kai and Gao, Hang and Tan, Juntao and Zhang, Yongfeng},\n  booktitle={Advances in Neural Information Processing Systems},\n  year={2025}\n}\n```\n\n## License 📄\n\nThis project is licensed under the MIT License. See LICENSE for details.\n\n\n","# 代理记忆 🧠\n\n一种新颖的代理记忆（Agentic Memory）系统，专为 LLM 代理设计，能够以代理方式动态组织记忆。\n\n> **注意：** 本仓库专门用于复现我们论文中展示的结果。如果您想在构建您的代理时使用 A-Mem 系统，请参考我们的官方实现：[A-mem-sys](https:\u002F\u002Fgithub.com\u002FWujiangXu\u002FA-mem-sys)\n\n更多详情，请参阅我们的论文：[A-Mem: Agentic Memory for LLM Agents](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2502.12110)\n\n## 简介 🌟\n\n大语言模型（LLM）代理在通过外部工具使用处理复杂现实任务方面展示了显著能力。然而，为了有效利用历史经验，它们需要复杂的记忆系统。传统的记忆系统虽然提供了基本的存储和检索功能，但往往缺乏高级的记忆组织能力。\n\n我们的项目引入了一种创新的**代理记忆**系统，彻底改变了 LLM 代理管理和利用记忆的方式：\n\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FWujiangXu_A-mem_readme_55cb26dd6d7d.jpg\" alt=\"传统记忆系统\" width=\"600\"\u002F>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FWujiangXu_A-mem_readme_a60d682e3041.jpg\" alt=\"我们提出的代理记忆\" width=\"600\"\u002F>\n  \u003Cbr>\n  \u003Cem>传统记忆系统（上图）与我们提出的代理记忆（下图）之间的对比。我们的系统实现了动态记忆操作和灵活的代理 - 记忆交互。\u003C\u002Fem>\n\u003C\u002Fdiv>\n\n## 核心特性 ✨\n\n- 🔄 基于卡片盒笔记法（Zettelkasten）原则的动态记忆组织\n- 🔍 记忆的智能化索引与链接\n- 📝 带有结构化属性的综合笔记生成\n- 🌐 互联的知识网络\n- 🔄 持续的记忆演化与优化\n- 🤖 由代理驱动的自适应记忆管理决策\n\n## 框架 🏗️\n\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FWujiangXu_A-mem_readme_e8b5e1ad47da.jpg\" alt=\"代理记忆框架\" width=\"800\"\u002F>\n  \u003Cbr>\n  \u003Cem>我们的代理记忆系统框架图，展示了 LLM 代理与记忆组件之间的动态交互。\u003C\u002Fem>\n\u003C\u002Fdiv>\n\n## 工作原理 🛠️\n\n当新记忆被添加到系统中时：\n1. 生成带有结构化属性的综合笔记\n2. 创建上下文描述和标签\n3. 分析历史记忆以寻找相关连接\n4. 基于相似性建立有意义的链接\n5. 启用动态记忆演化和更新\n\n## 结果 📊\n\n在六个基础模型上进行的实证实验表明，与现有的最先进（SOTA）基线相比，性能更优。\n\n## 入门指南 🚀\n\n1. 克隆仓库：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FWujiangXu\u002FAgenticMemory.git\ncd AgenticMemory\n```\n\n2. 安装依赖项：\n选项 1：使用 venv（Python 虚拟环境）\n```bash\n# 创建并激活虚拟环境\npython -m venv a-mem\nsource a-mem\u002Fbin\u002Factivate  # Linux\u002FMac\na-mem\\Scripts\\activate     # Windows\n\n# 安装依赖项\npip install -r requirements.txt\n```\n\n选项 2：使用 Conda\n```bash\n# 创建并激活 conda 环境\nconda create -n myenv python=3.9\nconda activate myenv\n\n# 安装依赖项\npip install -r requirements.txt\n```\n\n3. 在 LoCoMo 数据集上运行实验：\n\n**选项 A — 原始评估（需要 OpenAI JSON schema 支持）：**\n```bash\npython test_advanced.py\n```\n\n**选项 B — 鲁棒评估（推荐，适用于任何 LLM 后端）：**\n\n鲁棒评估（`test_advanced_robust.py`）移除了 JSON schema 依赖，并支持 OpenAI API、vLLM 和 Ollama 后端。\n\n```bash\n# OpenAI 模型\npython test_advanced_robust.py --backend openai --model gpt-4o-mini \\\n    --dataset data\u002Flocomo10.json --output results_robust_gpt-4o-mini.json\n\n# vLLM 托管的开源模型（请先启动 vLLM 服务器）\npython -m vllm.entrypoints.openai.api_server \\\n    --model Qwen\u002FQwen2.5-3B-Instruct --port 30000 \\\n    --dtype float16 --enforce-eager --max-model-len 8192\npython test_advanced_robust.py --backend vllm --model Qwen\u002FQwen2.5-3B-Instruct \\\n    --dataset data\u002Flocomo10.json --output results_robust_qwen3b.json \\\n    --sglang_port 30000\n\n# Ollama 模型\npython test_advanced_robust.py --backend ollama --model qwen2.5:3b \\\n    --dataset data\u002Flocomo10.json --output results_robust_ollama_qwen3b.json\n```\n\n关键参数：\n- `--retrieve_k`: 每次查询检索的记忆数量（默认值：10）。请根据模型调整此参数以获得最佳结果。\n- `--ratio`: 要评估的数据集比例（例如，`--ratio 0.1` 表示进行 10% 的快速测试）。\n- `--backend`: 可选值为 `openai`、`vllm`、`ollama`。\n- `--sglang_port`: vLLM\u002FSGLang 服务器的端口（默认值：30000）。\n\n4. 运行完整的 k-sweep 以找到每个模型的最佳检索 k 值：\n```bash\nbash run_k_sweep.sh\n```\n\n**注意：** 为了达到我们在论文中报告的最佳性能，请相应地调整超参数 `k` 的值。记忆在第一次运行后会被缓存，因此后续的 k-sweep 评估仅重新运行 QA 回答步骤。\n\n**类别信息：** LoCoMo 数据集包含以下类别：\n* 类别 1：多跳（Multi-hop）\n* 类别 2：时间（Temporal）\n* 类别 3：开放域（Open-domain）\n* 类别 4：单跳（Single-hop）\n* 类别 5：对抗（Adversarial）\n\n有关类别的更多详情，请参阅 [此 GitHub issue](https:\u002F\u002Fgithub.com\u002Fsnap-research\u002Flocomo\u002Fissues\u002F6)。 \n\n## 引用 📚\n\n如果您在研究中使用了此代码，请引用我们的工作：\n\n```bibtex\n@inproceedings{xu2025amem,\n  title={A-Mem: Agentic memory for llm agents},\n  author={Xu, Wujiang and Liang, Zujie and Mei, Kai and Gao, Hang and Tan, Juntao and Zhang, Yongfeng},\n  booktitle={Advances in Neural Information Processing Systems},\n  year={2025}\n}\n```\n\n## 许可证 📄\n\n本项目采用 MIT 许可证授权。详情请参见 LICENSE 文件。","# A-mem 快速上手指南\n\n**A-mem** 是一种新颖的代理记忆系统，专为 LLM Agent 设计，能够以代理方式动态组织记忆。\n\n> **⚠️ 重要提示**：本仓库主要用于复现论文结果。如果您希望在实际构建 Agent 时使用 A-Mem 系统，请参考官方实现：[A-mem-sys](https:\u002F\u002Fgithub.com\u002FWujiangXu\u002FA-mem-sys)。\n\n---\n\n## 环境准备\n\n- **操作系统**：Linux \u002F macOS \u002F Windows\n- **Python 版本**：3.9 及以上\n- **前置工具**：Git\n- **依赖管理**：支持 `venv` 或 `Conda`\n\n---\n\n## 安装步骤\n\n### 1. 克隆仓库\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FWujiangXu\u002FAgenticMemory.git\ncd AgenticMemory\n```\n\n### 2. 创建并激活虚拟环境\n\n**方式一：使用 venv**\n\n```bash\n# 创建虚拟环境\npython -m venv a-mem\nsource a-mem\u002Fbin\u002Factivate  # Linux\u002FMac\na-mem\\Scripts\\activate     # Windows\n\n# 安装依赖\npip install -r requirements.txt\n```\n\n**方式二：使用 Conda**\n\n```bash\n# 创建并激活 conda 环境\nconda create -n myenv python=3.9\nconda activate myenv\n\n# 安装依赖\npip install -r requirements.txt\n```\n\n---\n\n## 基本使用\n\n推荐使用鲁棒性评估脚本 (`test_advanced_robust.py`)，它移除了对 JSON Schema 的依赖，支持多种后端（OpenAI, vLLM, Ollama）。\n\n### 1. 基础测试示例 (OpenAI 模型)\n\n```bash\npython test_advanced_robust.py --backend openai --model gpt-4o-mini \\\n    --dataset data\u002Flocomo10.json --output results_robust_gpt-4o-mini.json\n```\n\n### 2. 其他后端示例\n\n**vLLM 服务开源模型** (需先启动 vLLM 服务器):\n```bash\n# 启动 vLLM 服务\npython -m vllm.entrypoints.openai.api_server \\\n    --model Qwen\u002FQwen2.5-3B-Instruct --port 30000 \\\n    --dtype float16 --enforce-eager --max-model-len 8192\n\n# 运行测试\npython test_advanced_robust.py --backend vllm --model Qwen\u002FQwen2.5-3B-Instruct \\\n    --dataset data\u002Flocomo10.json --output results_robust_qwen3b.json \\\n    --sglang_port 30000\n```\n\n**Ollama 模型**:\n```bash\npython test_advanced_robust.py --backend ollama --model qwen2.5:3b \\\n    --dataset data\u002Flocomo10.json --output results_robust_ollama_qwen3b.json\n```\n\n### 3. 常用参数说明\n\n| 参数 | 说明 |\n| :--- | :--- |\n| `--retrieve_k` | 每次查询检索的记忆数量 (默认：10)，可根据模型调整 |\n| `--ratio` | 评估数据集的比例 (例如 `--ratio 0.1` 为 10% 快速测试) |\n| `--backend` | 后端类型：`openai`, `vllm`, `ollama` |\n| `--sglang_port` | vLLM\u002FSGLang 服务器端口 (默认：30000) |\n\n### 4. 超参数优化 (k-sweep)\n\n为了达到论文中的最佳性能，建议运行完整的 k 值扫描：\n\n```bash\nbash run_k_sweep.sh\n```\n\n*注：首次运行后记忆会被缓存，后续的 k-sweep 评估仅重新运行 QA 回答步骤。*","某科技公司的分析师正在构建一个自主研究 Agent，用于长期追踪全球半导体行业的季度报告变化及市场趋势。\n\n### 没有 A-mem 时\n- 历史对话记录杂乱无章，难以快速定位半年前的关键结论。\n- 每次处理新任务都需重新输入背景信息，无法自动关联过往经验。\n- 知识点孤立存储，Agent 无法发现不同季度报告间的潜在联系。\n- 记忆更新完全依赖人工整理，随着数据量增加维护效率急剧下降。\n\n### 使用 A-mem 后\n- 基于札记卡原则动态组织笔记，自动建立跨季度的深层知识链接。\n- 智能索引让 Agent 能迅速召回相关历史洞察，无需重复冗长上下文。\n- 结构化属性生成使关键数据（如产能、价格）易于提取和横向对比。\n- 记忆网络持续进化，Agent 能主动识别并修正旧有认知偏差。\n\nA-mem 通过构建互联的知识网络，彻底解决了传统记忆系统无法有效利用历史经验的难题。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FWujiangXu_A-mem_11c084cf.png","WujiangXu","Wujiang Xu","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FWujiangXu_3b5f40da.jpg","Intelligence, Agents, Future.","Rutgers University","New York",null,"https:\u002F\u002Fwujiangxu.github.io\u002F","https:\u002F\u002Fgithub.com\u002FWujiangXu",[24,28],{"name":25,"color":26,"percentage":27},"Python","#3572A5",90.4,{"name":29,"color":30,"percentage":31},"Shell","#89e051",9.6,845,78,"2026-04-04T08:22:52","MIT",3,"Linux, macOS, Windows","未说明",{"notes":40,"python":41,"dependencies":42},"支持 OpenAI API、vLLM 和 Ollama 多种模型后端；实验基于 LoCoMo 数据集；首次运行后记忆已缓存，后续 k-sweep 评估仅重跑 QA 步骤；需通过 requirements.txt 安装依赖","3.9",[38],[44,45,46],"Agent","语言模型","开发框架","ready","2026-03-27T02:49:30.150509","2026-04-06T07:14:25.553894",[51,56,61,66,71,76],{"id":52,"question_zh":53,"answer_zh":54,"source_url":55},2650,"LoCoMo 数据集中分类 1 到 5 的正确顺序是什么？为什么我的复现结果与论文差异较大？","正确的分类顺序应为：1. Multi-hop, 2. Temporal, 3. Open-domain, 4. Single-hop, 5. Adversarial。原 LoCoMo 实现存在不一致，已在原始仓库修复（见 https:\u002F\u002Fgithub.com\u002Fsnap-research\u002Flocomo\u002Fissues\u002F6）。此外，小模型可能无法很好地生成 context 和 tags，导致性能与报告结果有显著差异，建议检查生成的内存内容质量。","https:\u002F\u002Fgithub.com\u002FWujiangXu\u002FA-mem\u002Fissues\u002F11",{"id":57,"question_zh":58,"answer_zh":59,"source_url":60},2651,"使用 Ollama 后端时出现 JSON 解析错误（response 非 JSON 格式），如何解决？","建议尝试使用 Ollama 版本再次运行。虽然实验中使用 Ollama，但 sglang 的实现更稳定，复现结果可能会有所不同。如果遇到此类 bug，可以尝试使用 Ollama 进行多次运行以获得接近论文的性能。此外，需检查是否是上下文长度限制导致生成中途停止。","https:\u002F\u002Fgithub.com\u002FWujiangXu\u002FA-mem\u002Fissues\u002F19",{"id":62,"question_zh":63,"answer_zh":64,"source_url":65},2652,"运行 test_advanced.py 后所有评估指标均为零，是什么原因？","建议使用 GPT 模型进行复现。如果必须使用本地模型，可尝试 Ollama 版本并多次运行以规避潜在 bug。sglang 实现比 Ollama 更稳定，但若追求与论文一致的性能，建议配合 Ollama 多次运行处理异常情况。","https:\u002F\u002Fgithub.com\u002FWujiangXu\u002FA-mem\u002Fissues\u002F24",{"id":67,"question_zh":68,"answer_zh":69,"source_url":70},2653,"使用 vllm 后端运行 locotest 时报错 `TypeError: string indices must be integers` 怎么办？","这是因为代码版本过旧，缺少最新的 SGlang 支持。维护者已上传包含 SGlang 更新的新版代码，请重新拉取最新代码库尝试。此前未上传最新版本导致了此兼容性问题。","https:\u002F\u002Fgithub.com\u002FWujiangXu\u002FA-mem\u002Fissues\u002F14",{"id":72,"question_zh":73,"answer_zh":74,"source_url":75},2654,"论文中'Average Ranking'指标的定义及答案正确性判定逻辑是什么？","评估指标包括 F1, BLEU, BertScore 等，具体定义请查阅论文附录部分。关于答案正确性判定，QA prompt 构造遵循 LoCoMo 设置：随机决定是否将'Not mentioned in the conversation'作为选项 a 或 b，另一半为正确答案（即随机交换位置）。具体逻辑参考 gpt_utils.py 中的随机化代码片段。","https:\u002F\u002Fgithub.com\u002FWujiangXu\u002FA-mem\u002Fissues\u002F15",{"id":77,"question_zh":78,"answer_zh":79,"source_url":80},2655,"实验中 MemGPT 在 LoCoMo 数据集上的具体实现方式是怎样的？短程记忆是否被使用？","采用两阶段流程：(1) 提示 LLM 生成信息摘要存入记忆；(2) 利用存储信息回答后续问题。由于 LoCoMo 将对话和 QA 分为两部分，测试 MemGPT 时无法利用其短程记忆，仅使用长程记忆组件来存储对话，并在评估时仅在长程记忆中进行检索。","https:\u002F\u002Fgithub.com\u002FWujiangXu\u002FA-mem\u002Fissues\u002F12",[],[83,92,101,109,117,130],{"id":84,"name":85,"github_repo":86,"description_zh":87,"stars":88,"difficulty_score":36,"last_commit_at":89,"category_tags":90,"status":47},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,"2026-04-05T11:01:52",[46,91,44],"图像",{"id":93,"name":94,"github_repo":95,"description_zh":96,"stars":97,"difficulty_score":98,"last_commit_at":99,"category_tags":100,"status":47},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",138956,2,"2026-04-05T11:33:21",[46,44,45],{"id":102,"name":103,"github_repo":104,"description_zh":105,"stars":106,"difficulty_score":98,"last_commit_at":107,"category_tags":108,"status":47},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",[46,91,44],{"id":110,"name":111,"github_repo":112,"description_zh":113,"stars":114,"difficulty_score":98,"last_commit_at":115,"category_tags":116,"status":47},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",[46,45],{"id":118,"name":119,"github_repo":120,"description_zh":121,"stars":122,"difficulty_score":98,"last_commit_at":123,"category_tags":124,"status":47},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",[91,125,126,127,44,128,45,46,129],"数据工具","视频","插件","其他","音频",{"id":131,"name":132,"github_repo":133,"description_zh":134,"stars":135,"difficulty_score":36,"last_commit_at":136,"category_tags":137,"status":47},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",[44,91,46,45,128]]