在第一篇文章中, 我描述我如何组织我的本地多代理机构, : Codex执行, Claude 评论, 我还认为,操作记忆不应依赖于单一的对话或与矢量指数相混淆.
当我关闭第一个邮件时,我已经具备了连续性机制:交接、路由规则、仅附加日志、JSONL/YAML中的体验记忆、可重建的矢量收集以及技能。
我的问题不是完全失忆 我仍然无法证明系统找到了什么,当它把巧合与证据混淆时,当它应该承认它没有答案时。
那么,第二部分不是从零开始创造记忆。
它涉及将仍然脆弱的业务连续性转变为可追踪、可检验和可重建的机制。
外部工作记忆的想法并不是新的.
它呼应了布什通过个人档案来增强召回力的旧野心,以及笔记和工具可以成为认知的一部分的延伸的直觉.
第12条 我在这里的说法比较狭隘:只有我能够用出处取回这些痕迹,并审计这些痕迹是如何使用的,当地痕迹才有用.
Spoonful 1:问题不是储存, 我认为,困难的部分是,当有连续的决定、类似的名字、相互矛盾的版本和分布在几个文件中的解释时,收回正确的部分。
为了组织这个"记忆" 在我自己的设置, 我分离了它的操作层: 表1 - 系统内存层 问题回答 有效的执行 Canonical record what happened, what is decided?, , , , , , 和被整理的事件.
检索索引 相关证据在哪里?
带有上下文和操作内存的质子;两者都是衍生出来的.
历史 课程是如何展开的?
所选的 Markdown 交割, 紧凑的上下文事件, 以及操作日志; 完整会话没有原始索引 。
工作环境 我现在需要提供什么样的环境?
技术消耗的MCP(,).
区别很重要。
获取的结果尚不是经过核实的决定 。
这是一条线索,必须保存出处、日期和与来源的联系。
在目前的合同中,当地JSONL/YAML文件是真理的来源;Qdrant是从它们重建而来.
如果索引与当前文件相矛盾,则文件获胜,正确的修补是重新索引或纠正摄入,而不是将矢量近似于最终证据来发布.
实际流量最终是这样的: 图一 ——我多代理设置中可审计内存的业务流量.
注:本地的JSONL/YAML文件是真理的来源;Qdrant和BM25是衍生出检索索引,而不是最终证据.
RAG,没有将其变成"魔法A"语言模型存储了部分在参数训练期间学到的.
这种记忆并不一定包括我昨天在当地一个仓库中决定的内容。
检索-增强生成(Retrival-Augmented Generation),即RAG,增加了一个外部内存:在回答之前,一个检索器搜索相关的段落,并把它们作为上下文提供给基因模型.
在我的执行中,担任取回器:它询问Qdrant,将信号与犬科记录相接,并通过MCP返回候选者.
Codex, Claude,或双子座,然后根据工作流程使用上下文.
因此,我更愿意将此描述为取回-加固剂,而不是“自动RAG”:储存和订购碎片不同于对碎片的推理。
通过意义和文字的搜索,语义搜索将每个片段都转化为向量.
查询采用同一种模式,然后通过同位素相似度进行取向比较:sim(q,d)=∥q∥∥d∥q∥q⋅d.
如果查询和文档指向相似的方向,它们的相似性会增加.
这使得即使句子不完全相同,也有可能找到句子。
语法搜索涵盖互补问题:识别符号、缩写、,