登录社区云，与社区用户共同成长
邀请您加入社区
本文介绍了为DeepSeek Harness（DSH）设计的记忆增强架构，提出三层记忆系统（working/archival/core）和混合检索方案。核心思路是将索引转化为记忆通道，通过FTS5词法检索和sqlite-vec向量检索的RRF融合实现精准召回，同时利用事件元数据进行零成本标记。系统支持工具结果去重和KV-safe稳定注入，验证表明能有效提升上下文管理效率。该开源方案不依赖LLM元数
摘要：DeepSeek Harness 的中文检索功能存在缺陷，使用 SQLite FTS5 的 unicode61 tokenizer 时，连续汉字会被视为单个 token，导致子串查询（如「Token消耗」「索引优化」）无法命中。解决方案采用 trigram tokenizer 双表 + 1-2 字 LIKE 回退 策略： 问题根源：unicode61 将连续中文视为单个 token，短语查询
当我们提出“统一账本”时，架构师们的第一反应通常是：为什么不选Redis？为什么不选MySQL/PostgreSQL？甚至为什么不选Kafka？这里，我们运用奥卡姆剃刀原则（如无必要，勿增实体）来进行审视：维度RedisKafkaSQLite运维复杂度高（需维护进程、内存淘汰）极高（需DBA、连接池、主从）极高（需ZK/KRaft集群）零（单文件嵌入）状态持久化需配置RDB/AOF，存在丢失窗口强
本文提出了一种为AI助手Codex设计的外挂记忆系统，旨在解决对话式AI在长期项目中的记忆局限问题。该系统通过结合Markdown日志、SQLite知识库和轻量语义检索，实现了项目经验的持久化存储和智能召回。核心创新在于将人类可读的Markdown作为事实源，结构化数据库作为检索底座，使AI既能快速查找历史记录，又能核对原始上下文。系统包含自动工作流技能，促使AI养成先查历史、记录操作、验证结果的
