太长不读上一册Vol.01讲了 agent 为什么要有记忆这一册是它的实操姊妹册——Anthropic 工程师 Kevin Chen 手把手用 CLI console 把「记忆」搭出来。全片收束成一条可组合的三层抽象① session 是一次隔离的运行天生短命② memory store 是挂在 session 上的持久文件系统跨 session 连接信息③ dreaming 是一个异步后台 job随规模增长持续整理这些记忆。每一层都在解决上一层留下的问题。两个最反直觉的设计值得单独记住dreaming 先建index 文件让未来 agent「先读目录再定位」而不是宽 grep 全库在线 agent 该写多不写少——删减是带外批处理的职责。赶时间直接读第 03 节 dreaming 和第 04 节两个反直觉设计。全景框架 · 三层可组合session 短命、store 持久、dreaming 整理逐层接住上一层的遗留问题00为什么值得精读概念篇之后这是「怎么做出来」**Vol.01公众号 80Ravi 讲的是 memory 与 dreaming 的 why 和设计原则这一册 Kevin 讲的是 how——每一步都有对应的 CLI 命令和 console 界面。**两册成对一篇原理一篇实操。▸ 视频截图 [00:16] · 标题页 · 讲者 Kevin ChenMember of Technical Staff, Anthropicworkshop 用一个「对照实验」立论比任何 slogan 都利索不给 memory store先让 agent 在 A 对话里记下一件事再到 B 对话里问它——一无所知。默认每个 session 是隔离的信息活不过一次对话。这个 base case 是全片的锚先让你亲眼看到「没有记忆」有多残废后面每加一层能力都对着它证明。▸ 视频截图 [02:30] · The problem——不挂 memory store信息一个对话之后就消失在原有的 Agent脑/ Environment手/ Session绑定三原语之上这场 workshop 新增了两个Memory store和Dream。▸ 视频截图 [01:19] · Core concepts——三原语之上新增 Memory store 与 Dream 两个原语数据卡 · 三个官方现场口径厂商自报三层原语、约 95% 缓存命中、单批百级 session01材料与方法视频28:24 workshopClaude 官方频道《Agents that remember》讲者Kevin ChenAnthropic, Member of Technical Staff全名取自标题帧精读方式英文字幕去重清洗 逐帧截图考据 console 界面本地存档~/anthropic-talks/transcripts/姊妹册Vol.01《Memory Dreaming》Ravi Trivedi概念篇——本篇是它的实操版不覆盖动手环节repo 克隆 / API key、Vol.01 已讲的记忆设计哲学采信「95% cache hit」「50% 错峰折扣」为官方现场口径按厂商自报采信折扣与预算控制标注为「探索中」。02memory store挂一个文件系统三个参数决定它怎么用**memory store 的产品形态就一句话——把一个持久的、文件系统式的存储直接 mount 成 session 的容器文件系统。**同一个 store 挂到两个 session 上记忆就共享了这就是第 00 节那个「B 对话问不出来」的直接解药。▸ 视频截图 [06:24] · Attach a memory store——同一 store 挂两个 session 即共享记忆为什么是文件系统而不是向量库或专用记忆 APIKevin 给的理由和 Vol.01 一脉相承文件系统对模型是极强的接口——agent 可以 bash 探索、grep 搜关键词、直接读文件这些是模型已经极其擅长的动作。把记忆做成文件系统等于复用了模型在代码任务上练出来的全部肌肉而不是逼它学一套新的检索协议。挂载时有三个参数这三个参数是 memory store 从「存储」变成「产品」的地方1store ID—— 挂哪个 store。边界完全由你定义可以 per org / per user / per workspace 建任意多个平台不预设粒度。2prompt—— steer agent 的读写焦点。比如一个投资 agent用一句 prompt 约束它只记特定领域的信息比事后过滤便宜得多。3access—— 默认read_write可设read_only。只读挂载是「组织级共享知识」的权限原语一个团队沉淀的 store 挂给所有 session 读、但谁都改不了。运维面同样是产品化的文件逐个版本化每次修改生成新版本 配套 endpointsconsole 提供文件系统视图人可以直接编辑 memory 文件——Claude 写错了人工改回来也能手动补记忆不用的 store 可以 retire不影响历史 session。记忆在这里不是黑盒是一个人能审、能改、能回滚的文件目录。03dreaming一个「exhaustive by design」的多 agent 整理进程**如果说 memory store 解决了「记得住」dreaming 解决的是「记不乱」。**动机很具体agent 会「每个任务都往 store 里 dump」于是记忆无界增长、重复、过期而在此之前没有任何进程负责整理。dreaming 就是那个专职整理工——一个异步后台 job读一批历史 session transcripts把原始记录蒸馏成结构化的、可召回的记忆fact-checking、组织、合并、去重。▸ 视频截图 [14:01] · Step 4 Dreaming——读过往 transcripts把原始历史蒸馏成结构化 recall它的输入面也已经产品化模型可选Opus 4.7 或 Sonnet 4.6按质量 / 成本权衡两个必填输入是目标 memory store 一批 session ID节奏自定每天 dream 10–20 个、可到 100可选 instructions在默认 prompt 之上追加 steering比如「务必 backfill 某领域细节」「按我要的目录结构组织文件」。**架构是一个 orchestrator 每份 session transcript 各派一个 subagent。**设计哲学写在明面上——exhaustive by design给它 100 个 session就要保证每一个都被完整看过宁可多花 token 也不漏信息。这和「随手抽样整理」是两种截然不同的工程取向。▸ 视频截图 [22:12] · How Dreaming works——orchestrator 对每份 transcript 各派一个 subagent这里有一个我认为最该抄的工程决策**dreaming 完全不碰输入 store而是 clone 出一个 output memory store所有编辑落在新 store 上。**于是 console 能展示一份diff——绿色是新增内容——而这正是一个天然的 human-in-the-loop 审阅位人看 diff 检查 dreaming 有没有整理错满意了再切换过去。非破坏 diff 人审等于给「让 AI 改我的记忆」这件高风险的事装了一个回滚闸门。▸ 视频截图 [20:24] · dream 完成后的 memory updates diff——绿色为新增内容人审后再切换还有一个自举细节dream job 本身就是一个 Managed Agents session可以点进去看 orchestrator 的 prompt 和执行过程——诊断问题的观察窗也是「记忆系统自己也是一个可观测 agent」的证据。04两个反直觉设计先读 index写多不写少这一节是全片最值钱的两条工程直觉都反直觉也都能直接搬进自己的系统。**其一dreaming 产物的第一件事是建一个 index 文件——用 slug 引用各个 memory 文件。**论证是未来的 agent「先读 index 快速 grok 该找什么」远比「宽 grep 整个库」高效。demo 里实测过——agent 拿到 dreamed store 后先读 index再直奔目标文件。这条直觉和「先建目录再查资料」是同一个但很多人做 agent 记忆时会跳过它直接让 agent 每次全库搜索。**其二也是更违反本能的一条——在线 agent 该写多不写少。**Kevin 的论证很硬任务进行时你很难预测未来的 session 会需要什么信息——这本质上是一个更难的预测问题。所以正确的做法是当下多记细节把「删减不再需要的东西」这件事交给事后的 dreaming 批处理去做。带外原则换句话说**记忆的删减是带外out-of-band批处理的职责不是在线 agent 的职责。**在线时纠结「这条要不要记」是在解一个更难的预测题不如先记下让离线的 dreaming 用「它看过后面所有 session」的后见之明去删。这条一旦想通很多记忆系统的设计就顺了。关于成本现场 QA 也没回避exhaustive by design 就是预期吃大量 token。缓解有三条——处理是 agentic 的预计~95% cache hit探索中的类 batch API错峰 50% 折扣再加上换更便宜模型、prompt 收窄范围、总 token 预算控制。设计离线批处理时该把 cache 命中率纳入成本模型而不是只盯 token 单价。05五条可复用法则1记忆先做成文件系统—— 文件系统是模型已经极擅长的接口bash / grep / read做记忆等于复用它的代码肌肉别逼它学新检索协议。2先建 index再让 agent 查—— 整理的第一动作是建目录 slug 引用「先读 index 再定位」永远比「宽 grep 全库」省且准。3写多不写少删减交给带外—— 在线预测「未来要什么」是更难的题当下多记让离线批处理用后见之明删减。4改记忆必须非破坏 diff 人审—— clone 出新 store、展示 diff、人看过再切换等于给「AI 改我的记忆」装回滚闸门。5离线批处理按 cache 命中率算账—— exhaustive 的代价靠 ~95% cache hit 错峰折扣 模型降级摊薄成本模型要算命中率不是单价。一句话箴言让 agent 在线时拼命记再派一个会做梦的批处理用后见之明替它整理和删减。06映射与行动对照我的自建系统把这套官方实操逐条比到自己手里的记忆系统上有验证、有差距、也有能直接抄的index slug先读 index 再定位↔ 我的~/.claudememory 用 MEMORY.md 做索引、wiki 用 index.md 做目录 →同构已验证官方把「建索引」列为整理的第一动作说明这个直觉是对的。prompt 参数 steer 读写焦点↔ 我的 agent-memory-kit 没有这个参数 → 可以补挂载记忆层时带一句「记什么」的 steering prompt比事后过滤便宜。access read_onlyorg 共享只读挂载↔ 我的 wiki稳定层事实上只读、memory 读写 → 分层直觉和官方 scope 设计一致但我靠纪律、没有强制权限。dream 输入 store session 列表↔ 我的 wiki-autoupdate 每 6h 吃 daily 流水 → 同形但官方「每 session 一 subagent」的 exhaustive 设计比我的单 haiku 过一遍强。非破坏 clone diff 人审↔ 我的 autoevolve「分数不涨就回退」 → 官方用「输出新 store」实现回滚位我用「分数门槛」可以给 wiki-autoupdate 补一个 diff 审阅位。行动① 给 agent-memory-kit 挂载接口补一个 steering prompt 参数② 给 wiki-autoupdate 补「非破坏 clone diff 人审」位别让 haiku 直接改稳定层③ 待追dreaming 默认 prompt 全文、output store 有没有自动 verify、错峰折扣何时上线。07结语四册连起来是一部「harness 退位史」**把 Vol.01–04 摞在一起看方向是一致的模型每强一代你自己写的那层就该薄一层最后剩下的是你的数据、你的工具、你给 agent 组装的上下文。**Vol.02 讲业务逻辑退出 system prompt 进 skillVol.03 讲 loop / 扩缩 / 沙箱整体退给平台Vol.01 讲记忆退化成文件由 agent 自管——而这一册补上了最后一块*连「整理记忆」这件带外的脏活也被收编成 dreaming 这个平台原语。*三层可组合抽象就是这部退位史落在记忆这条线上的最终形态。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
太长不读上一册Vol.01讲了 agent 为什么要有记忆这一册是它的实操姊妹册——Anthropic 工程师 Kevin Chen 手把手用 CLI console 把「记忆」搭出来。全片收束成一条可组合的三层抽象① session 是一次隔离的运行天生短命② memory store 是挂在 session 上的持久文件系统跨 session 连接信息③ dreaming 是一个异步后台 job随规模增长持续整理这些记忆。每一层都在解决上一层留下的问题。两个最反直觉的设计值得单独记住dreaming 先建index 文件让未来 agent「先读目录再定位」而不是宽 grep 全库在线 agent 该写多不写少——删减是带外批处理的职责。赶时间直接读第 03 节 dreaming 和第 04 节两个反直觉设计。全景框架 · 三层可组合session 短命、store 持久、dreaming 整理逐层接住上一层的遗留问题00为什么值得精读概念篇之后这是「怎么做出来」**Vol.01公众号 80Ravi 讲的是 memory 与 dreaming 的 why 和设计原则这一册 Kevin 讲的是 how——每一步都有对应的 CLI 命令和 console 界面。**两册成对一篇原理一篇实操。▸ 视频截图 [00:16] · 标题页 · 讲者 Kevin ChenMember of Technical Staff, Anthropicworkshop 用一个「对照实验」立论比任何 slogan 都利索不给 memory store先让 agent 在 A 对话里记下一件事再到 B 对话里问它——一无所知。默认每个 session 是隔离的信息活不过一次对话。这个 base case 是全片的锚先让你亲眼看到「没有记忆」有多残废后面每加一层能力都对着它证明。▸ 视频截图 [02:30] · The problem——不挂 memory store信息一个对话之后就消失在原有的 Agent脑/ Environment手/ Session绑定三原语之上这场 workshop 新增了两个Memory store和Dream。▸ 视频截图 [01:19] · Core concepts——三原语之上新增 Memory store 与 Dream 两个原语数据卡 · 三个官方现场口径厂商自报三层原语、约 95% 缓存命中、单批百级 session01材料与方法视频28:24 workshopClaude 官方频道《Agents that remember》讲者Kevin ChenAnthropic, Member of Technical Staff全名取自标题帧精读方式英文字幕去重清洗 逐帧截图考据 console 界面本地存档~/anthropic-talks/transcripts/姊妹册Vol.01《Memory Dreaming》Ravi Trivedi概念篇——本篇是它的实操版不覆盖动手环节repo 克隆 / API key、Vol.01 已讲的记忆设计哲学采信「95% cache hit」「50% 错峰折扣」为官方现场口径按厂商自报采信折扣与预算控制标注为「探索中」。02memory store挂一个文件系统三个参数决定它怎么用**memory store 的产品形态就一句话——把一个持久的、文件系统式的存储直接 mount 成 session 的容器文件系统。**同一个 store 挂到两个 session 上记忆就共享了这就是第 00 节那个「B 对话问不出来」的直接解药。▸ 视频截图 [06:24] · Attach a memory store——同一 store 挂两个 session 即共享记忆为什么是文件系统而不是向量库或专用记忆 APIKevin 给的理由和 Vol.01 一脉相承文件系统对模型是极强的接口——agent 可以 bash 探索、grep 搜关键词、直接读文件这些是模型已经极其擅长的动作。把记忆做成文件系统等于复用了模型在代码任务上练出来的全部肌肉而不是逼它学一套新的检索协议。挂载时有三个参数这三个参数是 memory store 从「存储」变成「产品」的地方1store ID—— 挂哪个 store。边界完全由你定义可以 per org / per user / per workspace 建任意多个平台不预设粒度。2prompt—— steer agent 的读写焦点。比如一个投资 agent用一句 prompt 约束它只记特定领域的信息比事后过滤便宜得多。3access—— 默认read_write可设read_only。只读挂载是「组织级共享知识」的权限原语一个团队沉淀的 store 挂给所有 session 读、但谁都改不了。运维面同样是产品化的文件逐个版本化每次修改生成新版本 配套 endpointsconsole 提供文件系统视图人可以直接编辑 memory 文件——Claude 写错了人工改回来也能手动补记忆不用的 store 可以 retire不影响历史 session。记忆在这里不是黑盒是一个人能审、能改、能回滚的文件目录。03dreaming一个「exhaustive by design」的多 agent 整理进程**如果说 memory store 解决了「记得住」dreaming 解决的是「记不乱」。**动机很具体agent 会「每个任务都往 store 里 dump」于是记忆无界增长、重复、过期而在此之前没有任何进程负责整理。dreaming 就是那个专职整理工——一个异步后台 job读一批历史 session transcripts把原始记录蒸馏成结构化的、可召回的记忆fact-checking、组织、合并、去重。▸ 视频截图 [14:01] · Step 4 Dreaming——读过往 transcripts把原始历史蒸馏成结构化 recall它的输入面也已经产品化模型可选Opus 4.7 或 Sonnet 4.6按质量 / 成本权衡两个必填输入是目标 memory store 一批 session ID节奏自定每天 dream 10–20 个、可到 100可选 instructions在默认 prompt 之上追加 steering比如「务必 backfill 某领域细节」「按我要的目录结构组织文件」。**架构是一个 orchestrator 每份 session transcript 各派一个 subagent。**设计哲学写在明面上——exhaustive by design给它 100 个 session就要保证每一个都被完整看过宁可多花 token 也不漏信息。这和「随手抽样整理」是两种截然不同的工程取向。▸ 视频截图 [22:12] · How Dreaming works——orchestrator 对每份 transcript 各派一个 subagent这里有一个我认为最该抄的工程决策**dreaming 完全不碰输入 store而是 clone 出一个 output memory store所有编辑落在新 store 上。**于是 console 能展示一份diff——绿色是新增内容——而这正是一个天然的 human-in-the-loop 审阅位人看 diff 检查 dreaming 有没有整理错满意了再切换过去。非破坏 diff 人审等于给「让 AI 改我的记忆」这件高风险的事装了一个回滚闸门。▸ 视频截图 [20:24] · dream 完成后的 memory updates diff——绿色为新增内容人审后再切换还有一个自举细节dream job 本身就是一个 Managed Agents session可以点进去看 orchestrator 的 prompt 和执行过程——诊断问题的观察窗也是「记忆系统自己也是一个可观测 agent」的证据。04两个反直觉设计先读 index写多不写少这一节是全片最值钱的两条工程直觉都反直觉也都能直接搬进自己的系统。**其一dreaming 产物的第一件事是建一个 index 文件——用 slug 引用各个 memory 文件。**论证是未来的 agent「先读 index 快速 grok 该找什么」远比「宽 grep 整个库」高效。demo 里实测过——agent 拿到 dreamed store 后先读 index再直奔目标文件。这条直觉和「先建目录再查资料」是同一个但很多人做 agent 记忆时会跳过它直接让 agent 每次全库搜索。**其二也是更违反本能的一条——在线 agent 该写多不写少。**Kevin 的论证很硬任务进行时你很难预测未来的 session 会需要什么信息——这本质上是一个更难的预测问题。所以正确的做法是当下多记细节把「删减不再需要的东西」这件事交给事后的 dreaming 批处理去做。带外原则换句话说**记忆的删减是带外out-of-band批处理的职责不是在线 agent 的职责。**在线时纠结「这条要不要记」是在解一个更难的预测题不如先记下让离线的 dreaming 用「它看过后面所有 session」的后见之明去删。这条一旦想通很多记忆系统的设计就顺了。关于成本现场 QA 也没回避exhaustive by design 就是预期吃大量 token。缓解有三条——处理是 agentic 的预计~95% cache hit探索中的类 batch API错峰 50% 折扣再加上换更便宜模型、prompt 收窄范围、总 token 预算控制。设计离线批处理时该把 cache 命中率纳入成本模型而不是只盯 token 单价。05五条可复用法则1记忆先做成文件系统—— 文件系统是模型已经极擅长的接口bash / grep / read做记忆等于复用它的代码肌肉别逼它学新检索协议。2先建 index再让 agent 查—— 整理的第一动作是建目录 slug 引用「先读 index 再定位」永远比「宽 grep 全库」省且准。3写多不写少删减交给带外—— 在线预测「未来要什么」是更难的题当下多记让离线批处理用后见之明删减。4改记忆必须非破坏 diff 人审—— clone 出新 store、展示 diff、人看过再切换等于给「AI 改我的记忆」装回滚闸门。5离线批处理按 cache 命中率算账—— exhaustive 的代价靠 ~95% cache hit 错峰折扣 模型降级摊薄成本模型要算命中率不是单价。一句话箴言让 agent 在线时拼命记再派一个会做梦的批处理用后见之明替它整理和删减。06映射与行动对照我的自建系统把这套官方实操逐条比到自己手里的记忆系统上有验证、有差距、也有能直接抄的index slug先读 index 再定位↔ 我的~/.claudememory 用 MEMORY.md 做索引、wiki 用 index.md 做目录 →同构已验证官方把「建索引」列为整理的第一动作说明这个直觉是对的。prompt 参数 steer 读写焦点↔ 我的 agent-memory-kit 没有这个参数 → 可以补挂载记忆层时带一句「记什么」的 steering prompt比事后过滤便宜。access read_onlyorg 共享只读挂载↔ 我的 wiki稳定层事实上只读、memory 读写 → 分层直觉和官方 scope 设计一致但我靠纪律、没有强制权限。dream 输入 store session 列表↔ 我的 wiki-autoupdate 每 6h 吃 daily 流水 → 同形但官方「每 session 一 subagent」的 exhaustive 设计比我的单 haiku 过一遍强。非破坏 clone diff 人审↔ 我的 autoevolve「分数不涨就回退」 → 官方用「输出新 store」实现回滚位我用「分数门槛」可以给 wiki-autoupdate 补一个 diff 审阅位。行动① 给 agent-memory-kit 挂载接口补一个 steering prompt 参数② 给 wiki-autoupdate 补「非破坏 clone diff 人审」位别让 haiku 直接改稳定层③ 待追dreaming 默认 prompt 全文、output store 有没有自动 verify、错峰折扣何时上线。07结语四册连起来是一部「harness 退位史」**把 Vol.01–04 摞在一起看方向是一致的模型每强一代你自己写的那层就该薄一层最后剩下的是你的数据、你的工具、你给 agent 组装的上下文。**Vol.02 讲业务逻辑退出 system prompt 进 skillVol.03 讲 loop / 扩缩 / 沙箱整体退给平台Vol.01 讲记忆退化成文件由 agent 自管——而这一册补上了最后一块*连「整理记忆」这件带外的脏活也被收编成 dreaming 这个平台原语。*三层可组合抽象就是这部退位史落在记忆这条线上的最终形态。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
![[C++]内存管理：串顺序存储的内存回收](http://pic.xiahunao.cn/yaotu/[C++]内存管理：串顺序存储的内存回收)
