一线开发者分享:我用 Memoria 开发了一个全栈项目,它能记住什么,不能记住什么

OpenClaw Memoria接入原理:1分钟激活语义记忆中枢 语义记忆是现代AI代理系统的核心能力,其本质是将非结构化文本转化为可检索、可推理的向量知识。Memoria作为OpenClaw内置的记忆引擎,不依赖独立安装,而是通过向量存储就绪性、嵌入模型可用性与心跳驱动链路三重状态验证实现轻量级接入。它基于ChromaDB本地向量库与nomic-embed-text等嵌入模型,支持毫秒级语义搜索与自动记忆固化,广泛应用于个人知识管理、会议纪要索引、技术决策追溯等场景。本文聚焦OpenClaw 1.3.0中Memoria的真实工作机理与CLI级验证方法,揭示‘1分钟上手’ 阅读详情

用 Memoria 做实际项目开发,体验怎么样?

以 store-app 项目为例,记录 Memoria 在实际开发中的使用体验、价值与局限。


背景:store-app 是什么

在这里插入图片描述

store-app 是一个移动端商店模板,前端 React + TypeScript + Vite,后端 Go + Gin,数据库 MatrixOne。支持多业务类型切换(便利店 / 咖啡店),包含首页、分类、商品详情、购物车、订单五个页面,后端五组 RESTful API。项目仓库:https://github.com/daviszhen/store-app。

Memoria 记忆 — 019e2bfd958d7c93bd5690249e09dc37

项目 store-app 位于 /home/pengzhen/Documents/store-app/,是移动端商店模版。前端 React+TS+Vite,后端 Go/Gin,数据库 MatrixOne。包含首页/分类/商品详情/购物车四个页面,后端有店铺/分类/商品/购物车/订单五组 RESTful API。

项目从零开始,经历了 3 次 Git 提交:

提交内容规模
549f521 first空目录初始化1 文件
14b8efe update全栈骨架搭建34 文件,+4586 行
86bdfe7 add coffe业务类型切换功能 + 咖啡店种子数据17 文件,+480 / -73 行

整个开发过程中,Memoria 作为记忆系统在后台持续记录。下面结合具体场景,分析它的实际表现。


Memoria 记录了哪些东西?

1. 项目骨架信息

开发初期,Memoria 自动捕获了项目的核心结构信息——技术栈、页面清单、API 端点、数据库表结构、启动流程。

Memoria 记忆 — 019e2bfd958d7c93bd5690249e09dc37(项目概况)

项目 store-app 位于 /home/pengzhen/Documents/store-app/,是移动端商店模版。前端 React+TS+Vite,后端 Go/Gin,数据库 MatrixOne。包含首页/分类/商品详情/购物车四个页面,后端有店铺/分类/商品/购物车/订单五组 RESTful API。

Memoria 记忆 — 019e2bfdc48f7491873836727c2958a3(数据库结构)

store-app 数据库表结构:store(店铺信息含主题色)、category(商品分类)、product(商品)、cart(购物车)、orders(订单)、order_item(订单明细)。

Memoria 记忆 — 019e2bfde1367673a841a6dc2459673d(API 端点)

store-app 的 API 端点:GET/PUT /api/store 店铺、CRUD /api/categories 分类、CRUD /api/products 商品(支持 category_id 筛选)、CRUD /api/cart 购物车(按 user_id)、POST/GET /api/orders 订单。

Memoria 记忆 — 019e2bfdcb1d77b2aef3bfe4cec86f65(启动方式)

store-app 启动方式:1) 执行 sql/init.sql 初始化 MatrixOne 数据库;2) cd server && ./server 启动后端(端口8080);3) cd frontend && npm run dev 启动前端(端口5173)。

这些信息在后来的对话中反复被引用。当我询问「store-app 的 API 端点」时,Memoria 直接返回了完整列表,不需要重新翻代码。

2. 启动故障的三个坑

这是 Memoria 记录中最有价值的一类内容。后端首次启动遇到了三个具体问题:

Memoria 记忆 — 019e2c0902497323b7562d849054bcb3(启动故障)

store-app 后端启动遇到的三个问题及解决:1) 密码错误 - config.go 默认密码改为 111;2) AutoMigrate 与 init.sql 外键冲突 - 移除 AutoMigrate;3) GORM 默认复数表名 (categories) 与实际表名 (category) 不匹配 - 添加 NamingStrategy{SingularTable: true} 配置。

Memoria 记忆 — 019e2c09074e78439e32d7bda2688805(GORM 配置详情)

store-app 的 GORM 数据库连接配置在 server/internal/database/database.go,使用 schema.NamingStrategy{SingularTable: true} 匹配 init.sql 中单数表名。DSN 格式:user:password@tcp(host:port)/dbname?charset=utf8mb4&parseTime=True&loc=Local。

每个问题都记录了根因和解决方案。假如隔两周再遇到同样的错误,看一眼记忆就能定位,不用重新排查。

补充:在后续开发中,又遇到了一个相关 bug——init.sql 中订单表叫 orders(复数),但 GORM 开了 SingularTable 后映射到单数 order(MySQL 保留字),需要用反引号包裹。

Memoria 记忆 — 019e315014af7d82b9cc20893105f3df(订单表名 bug)

修复预存 bug:init.sql 订单表名为 orders(复数),但 GORM 使用 NamingStrategy{SingularTable: true},映射 model.Order → 表名 order。改为 order 反引号包裹(MySQL 保留字)。此 bug 导致创建订单时报 Error 1146 table not found。

3. 端口漂移的轨迹

端口问题经历了三次变化,Memoria 忠实地记录了每一次:

  • 初始:8080
  • 8080 被占用 → 改 8090
  • 后来改回 8080,并将端口从硬编码改为 .env 配置

Memoria 记忆 — 019e2c06527478619e2bafb8d81accf9(端口改为 8090)

store-app 后端运行端口改为 8090(8080 被占用),环境变量 SERVER_PORT=8090 启动。前端 API 地址已同步更新为 http://localhost:8090/api。

Memoria 记忆 — 019e2c0909f57281b60cffa6f6dcdb84(前端 API 配置)

store-app 前端 api/client.ts 中 BASE_URL 是 http://localhost:8090/api,使用泛型 request 封装 fetch,返回 json.data as T。

Memoria 记忆 — 019e3429b5e17813b656338c6e9b0bd9(端口改为配置驱动)

store-app 前后端端口配置方式:后端 SERVER_PORT 环境变量(config.go 中 getEnv 读取,默认 8080)。前端 API 地址通过 .env 中 VITE_API_BASE_URL 配置,client.ts 中 import.meta.env.VITE_API_BASE_URL 读取,默认 http://localhost:8080/api。不再硬编码端口。

当我在一次对话中看到前端报 Failed to fetch 时,Memoria 中的端口记录直接帮我定位了问题:前端 client.ts 的 BASE_URL 指向 8090,但后端实际跑在 8080。

4. 业务类型切换的设计(add coffe 提交的核心)

这是项目中最复杂的一次改动。Memoria 记录了完整的设计思路:

Memoria 记忆 — 019e315011387c30850f613b41f6a6ef(咖啡店开发完成)

咖啡店开发完成:store-app 支持业务类型切换。方案C — 前后端配置文件控制。后端 BUSINESS_TYPE 环境变量(coffee/grocery),前端 VITE_BUSINESS_TYPE。业务类型配置在 server/internal/config/business/ 目录,通过接口+注册表模式实现,新增业务类型只需创建 Loader 实现并 init() 注册。种子数据幂等设计(检查 store 表行数)。咖啡店数据:慢时光咖啡(#6F4E37),4分类20商品。

Memoria 记忆 — 019e315018a5720282cc747ba46f951f(咖啡店种子数据)

咖啡店种子数据:商店"慢时光咖啡"主题色 #6F4E37。4 分类:☕咖啡系列(美式/拿铁/卡布奇诺/摩卡/澳白/浓缩)、🍵茶饮系列(抹茶拿铁/伯爵红茶/茉莉花茶/柠檬茶/热巧克力)、🍰甜品轻食(提拉米苏/芝士蛋糕/牛角包/火腿三明治/马卡龙)、🫘咖啡豆&周边(拼配豆/单品豆/随行杯/手冲壶)。共 20 商品,价格 15-128 元。

Memoria 记忆 — 019e31501b9c7d9097eee58f333a796a(新增业务类型步骤)

新增业务类型步骤:1) 在 server/internal/config/business/ 创建新 loader,实现 Name() 和 Seed();2) init() 中 Register;3) 前端 .env 设 VITE_BUSINESS_TYPE=新类型;4) 后端 BUSINESS_TYPE=新类型 启动。种子数据幂等,无需手动清库。

5. 购物车 UI 的迭代

三次 UI 迭代,Memoria 中的记忆也随之更新:
在这里插入图片描述

迭代改动记忆状态
v1商品卡片右下角加「加入」按钮覆盖旧记忆(首页布局)
v2按钮旁增加数量步进器 [-][1][+]形成新的交互记忆
v3改为购物车驱动:单 + ⇄ 步进器两种状态最终方案被记录

Memoria 记忆 — 019e34299c5e7d90aedf2034f6164828(首页购物车交互——最终版)

store-app 前端首页购物车交互:每个商品卡片右下角默认显示圆形主题色"+"按钮。点击后调用 CartContext.addItem,购物车有该商品后 UI 自动切换为步进器 [−][数量][+]。步进器"−"到 0 时调 removeItem 删除购物车项,UI 恢复为单"+"。购物车数量来自 CartContext(useCart),NavBar 角标自动同步。Home.tsx 不直接调 API,全部走 CartContext 的 addItem/updateQuantity/removeItem 方法。

6. 首页布局的演进

首页经历过从简单列表到小程序风格分类侧边栏的转变:

Memoria 记忆 — 019e2c1064fe7f43afb48e532a314780(首页布局)

store-app 首页布局改为小程序风格:左侧 90px 分类侧边栏(图标+名称,高亮选中态),右侧按分类分组的商品列表,点击左侧分类自动滚动到对应区域。滚动时自动更新选中分类。

Memoria 记忆 — 019e2c1084bf7930b8dff38c796c25f6(导航栏返回按钮)

store-app 导航栏在非首页时显示 ← 返回按钮(调用 navigate(-1)),首页隐藏。使用 react-router 的 useLocation 判断当前路径。


Memoria 好在哪

✅ 上下文保持:跨对话不丢信息

最实用的场景是跨对话的上下文保持。store-app 的开发跨越了多天、多次对话,每次重新开始时,Memoria 自动提供项目背景信息,不需要我重复描述。

具体例子:「list my memoria memories」,立刻拿到了 12 条相关的记忆,包括项目结构、端口配置、API 端点等。然后直接开始改代码,不需要任何热身。

✅ 跨设备恢复:停电也不怕

一个意外的场景验证了 Memoria 的「容灾」价值。周五晚上(5月15日)办公室停电,无法连接到办公室的主机。家里主机上没有 store-app 的代码,也没有打开的 IDE 上下文。

但因为 Memoria 的记忆是服务端持久化的,在家里主机上打开一个新的对话,执行 memory_list 就能立即看到所有 store-app 相关的记忆——项目结构、配置方式、最近做过的改动、甚至咖啡店的种子数据细节。不需要 VPN 回办公室找代码,也不需要凭记忆回忆「上次改到哪了」。

这相当于在代码之外,多了一份「开发的思考过程」备份。Git 仓库可以通过远程托管实现跨设备访问,但「为什么这样设计」「上次遇到什么问题」「端口是多少」这类上下文是 Git 不记录的——而 Memoria 做到了。

✅ 故障记录:精确、可检索

「后端启动的三个坑」是 Memoria 最理想的使用场景。这类信息的特点是:

  • 排查时费力(三个问题互相掩盖)
  • 重现频率低(可能几周后才遇到)
  • 写文档太轻(不值得专门记 wiki)

Memoria 自动捕获这些故障信息,格式简洁、可检索。一个月后再接手这个项目,一条搜索就能回忆起来。

✅ 种子数据:结构化数据也有用

咖啡店的种子数据(20 个商品、价格、描述)也被记了下来。虽然不是代码级别的精准度,但在讨论阶段可以快速获取「这个业务类型有哪些商品、价格范围是多少」,不需要去翻 coffee.go 源码。

✅ 分支隔离:咖啡分支的实验

Memoria 的 branch 功能允许在不污染 main 的情况下试验。coffe 分支被创建用于记录咖啡店相关的实验性记忆。虽然当前该分支为空(记忆都合入了 main),但这种隔离机制在理论上是合理的——类似于 Git 分支对代码的隔离。


Memoria 的限制在哪

❌ 被动记录,需要手动维护

Memoria 不是「自动记一切」。大部分记忆需要我通过 memory_store 工具主动保存。如果我忘了存,关键的信息就会丢失。

具体例子:修复了「NavBar 购物车角标不同步」的问题(Home.tsx 没走 CartContext 而是直接调 API),这个 bug 的根因和修复方式值得记下来。但我确实必须手动调用 memory_store。

❌ 旧记忆不会自动更新

项目在迭代,但旧记忆不会自动同步。例如:

  • 记忆 019e2c06527478619e2bafb8d81accf9 说「端口 8090」,但实际已改为 8080 + .env 配置
  • 记忆 019e2c0909f57281b60cffa6f6dcdb84 说「BASE_URL 是 http://localhost:8090/api」,但已是历史

虽然有 memory_correct 可以修正,但「发现过时 → 修正」这个循环需要人去驱动。在一个快速迭代的项目中,旧记忆积累得很快,容易产生「记忆噪音」。

❌ 没有代码级精确度

Memoria 记录的是语义摘要,不是代码。比如「修复 GORM bug」只记录了根因和解决方案,但没有记录具体的代码片段(NamingStrategy{SingularTable: true} 这个配置的确切写法和位置)。如果代码丢失了,仅靠记忆无法完全恢复。

❌ 跨分支的记忆迁移不直观

创建 coffe 分支时,我在 main 上先做了咖啡店开发,然后才创建分支。此时 main 上已经有了咖啡店的记忆,而 coffe 分支是空的。如果需要把记忆迁移到新分支,并没有一键迁移的工具。

❌ 仍然是「我一个人的记忆」

Memoria 目前是私有的,团队协作中无法共享。如果另一个开发者接手 store-app,他看不到我的记忆。和 Git commit message 不同,Git 是团队可共享的,Memoria 的记忆目前不是。


可以做得更好的地方

基于实际使用体验,提出一些可以提升的方向。

🔮 批量导出记忆,支持分享

目前的记忆是私有的、单机的。如果能将某个项目相关的记忆批量导出,就可以:

  • 团队交接:新的开发者接手 store-app 时,导入一份记忆包,立刻获得项目背景、已知陷阱、设计决策等上下文
  • 离线归档:项目完结后将记忆导出为文档,作为项目知识库的一部分

导出的格式可以是 Markdown(便于阅读和版本管理)、JSON(便于程序化处理)、或在 Agent 对话中以列表形式展示。本质上,这就是把 Memoria 从一个「私人备忘工具」升级为「知识库」。

🏷️ 记忆的 type 和 tier:目前只用于过滤,可以更丰富

Memoria 的记忆有两个重要的元数据字段:

字段当前值(store-app 中出现的)当前用途
typesemantic(大部分)、procedural(2 条)仅用于 memory_list 的过滤条件
tierT1(本文中保存的)、T3(早期自动保存的)仅影响 governance 清理策略

当前的问题:这两个字段的潜力远未被利用。

例如 type 可以扩展为一个更细粒度的分类体系:

建议的类型适合记录的内容
semantic设计决策、架构权衡
procedural启动步骤、操作流程
bug_fix故障排查与修复记录
seed_data种子数据、配置清单
ui_specUI 交互规范
config_note配置说明、环境变量

用户在 Agent 端保存记忆时,如果能选择记忆类型(而不是全部默认 semantic),就可以在检索时精准过滤。例如:「只显示 bug_fix 类型的记忆」,就只看到启动故障、订单表名等问题记录。

tier 也是如此。当前 T1 表示「用户明确确认的事实」,T3 表示「AI 推断的摘要」。如果用户在保存记忆时能主动标记可信度——例如修正一条旧记忆时明确提升它的 tier——那么 governance 清理时就能更精准地保留高价值信息,淘汰推测性内容。

用户侧可以做的动作:

  • 保存记忆时指定 type(memory_store 工具支持 memory_type 参数)
  • 对重要记忆手动提升 tier 到 T1
  • 定期用 memory_correct 修正过时记忆,避免 T1 信息变成噪音

💡 从被动到主动:IDE 式的记忆联想提示

这是目前 Memoria 与「理想形态」之间最大的差距。

当前的交互模式:用户主动memory_store保存记忆。主动调用 memory_list 或 memory_search 来检索记忆。记忆在后台静默存在,不会主动跳出来。这是一种 「用户拉取」模式。

期望的交互模式:类似 IDE 的代码补全。当用户在 Agent 中输入几句描述时,Memoria 在后台自动检索相关记忆,在用户输入框旁主动弹出提示:

用户输入:「store-app 的后端端口现在是多少?」

Memoria 主动提示:
  🔍 相关记忆(3条):
  · 端口改为配置驱动:SERVER_PORT env 默认 8080(T1)
  · 端口曾改为 8090(已过时)(T3)
  · 前端 VITE_API_BASE_URL 配置(T1)

这种体验类似于:

  • VS Code 的 IntelliSense:敲几个字符,下拉框弹出补全建议
  • Google 的搜索建议:输入时实时联想相关内容
  • Notion 的反向链接:打开页面时自动提示「哪些页面引用了这里」

在实际开发中,常常忘记某条记忆已经存在,于是重复描述、重复排查。如果 Memoria 能在我输入时主动提醒「你上周已经解决过这个 GORM 表名问题了,当时的原因是……」,这种「刚好在需要时出现」的体验,会让 Memoria 从「偶尔查一下的备忘本」变成「不可或缺的开发伙伴」。

Memoria 不能只是一个被动的存储箱,它应该像 IDE 的代码提示一样,在用户最需要的时候,主动地给出最相关的上下文。

🧬 记忆增加代码维度:关联 diff、commit、branch

当前的记忆是「纯文本」的——它记录的是语义描述,与代码之间没有结构化的关联。这是它和 Git 最本质的分裂点。

实际场景:有一条记忆记录了「咖啡店种子数据:慢时光咖啡,#6F4E37,4 分类 20 商品」。但想看看具体是哪个文件、哪几行代码实现了它,只能去翻 Git log。如果记忆能直接关联到:

  • Git diff:这条记忆对应的代码变更(coffee.go 中 Seed() 方法的具体内容)
  • commit ID:86bdfe7 add coffe——点一下就能跳到 GitHub 的 commit 页面
  • branch:属于哪个功能分支(add-coffe)
  • 具体文件与行号:server/internal/config/business/coffee.go:15-65

那么记忆就从一个「语言描述」变成了「代码入口」。

更深层的价值:后续 Agent 在检索记忆时,不只是返回一段文字,而是可以用代码 diff 来补充和验证记忆。比如我问「咖啡店是怎么加到 store-app 里的?」,Agent 不只回答语义摘要,还能同时展示关键 diff:

+// server/internal/config/business/coffee.go
+type CoffeeLoader struct{}
+
+func (l *CoffeeLoader) Name() string {
+    return "coffee"
+}
+
+func (l *CoffeeLoader) Seed(db *gorm.DB) error {
+    // 4 categories, 20 products
+    store := model.Store{Name: "慢时光咖啡", ThemeColor: "#6F4E37"}
+    ...
+}

对现有流程的改进:这需要 memory_store 保存记忆时,支持附加结构化元数据,例如:

memory_store
  content: "咖啡店种子数据..."
  code_refs:
    - type: diff
      value: 86bdfe7..HEAD -- server/internal/config/business/coffee.go
    - type: commit
      value: 86bdfe7
    - type: branch
      value: main

这样一来,记忆和代码不再是两套独立的系统,而是互相指向、互相佐证。Git 回答「改了什么」,记忆回答「为什么」,而代码引用把两者缝合在了一起。


记忆 vs Git:互补而非替代

实际开发中,Memoria 和 Git 记录的是不同层次的信息:

维度GitMemoria
记录粒度代码行级别的 diff语义级别的摘要
结构有向无环图(DAG)扁平列表 + 分支
检索方式文件名 / commit message语义搜索
自动记录✅(commit 主动)半自动(需手动 store)
跨设备✅(远程仓库)✅(服务端持久化)
适合记录「改了什么代码」「为什么这样改」「遇到过什么问题」

Memoria 的优势在于记录 Git commit message 写不下的东西:问题的排查过程、多种方案的权衡、失败尝试的记录。

举例:Git commit 86bdfe7 的 message 只有「add coffe」两个词。而 Memoria 中关于这个提交的记忆包含了:

Memoria 记忆 — 019e315011387c30850f613b41f6a6ef

方案C — 前后端配置文件控制。后端 BUSINESS_TYPE 环境变量(coffee/grocery),前端 VITE_BUSINESS_TYPE。业务类型配置在 server/internal/config/business/ 目录,通过接口+注册表模式实现……种子数据幂等设计(检查 store 表行数)。咖啡店数据:慢时光咖啡(#6F4E37),4分类20商品。

这些信息在 Git log 中完全不存在。


总结

Memoria 在实际项目中的定位:一个「开发者的私人备忘系统」。

适合的场景:

  • 跨对话保持上下文
  • 跨设备恢复开发状态(停电/换机器)
  • 记录排查过的问题和解决方案
  • 记录设计决策和权衡
  • 记录种子数据等结构化信息

不适合的场景:

  • 替代 Git(不记录代码 diff)
  • 替代文档(粒度太细,缺乏结构性)
  • 团队协作(当前为私有)
  • 自动化 CI/CD(无集成能力)

整体体验:在 store-app 的 3 次提交、多次对话中,Memoria 确实减少了重复描述项目背景的时间,并在故障排查中提供了快速定位的线索。跨设备恢复能力是一个意料之外的亮点。

但它仍处于「被动工具」阶段——需要使用者有意识地维护记忆,记忆不会主动提醒你它的存在。未来的方向是清晰的:批量导出分享能力让记忆从私人备忘变成可传递的知识,type/tier 的丰富化让检索更精准,IDE 式主动联想让记忆在需要时恰好出现,代码维度关联让记忆与 diff、commit、branch 缝合——用代码佐证记忆,用记忆导航代码。到那时,Memoria 就不只是一个「备忘本」,而是真正的「开发伴侣」。

把它当作「增强版的 Git commit message + issue tracker」,定位就准确了。但它可以走得更远。


本文基于 store-app 项目的实际开发过程撰写。项目仓库:https://github.com/daviszhen/store-app,Memoria 记忆见 main,coffe 分支。

Memoria:为AI智能体打造Git式版本控制记忆系统 在AI应用开发中,向量数据库(Vector DB)和检索增强生成(RAG)技术是构建智能体长期记忆的基础方案,它们通过将非结构化数据转换为向量嵌入实现语义检索。然而,传统方案存在记忆静态化、难以追溯修改历史、无法隔离实验性操作等痛点。Memoria创新性地引入Git式版本控制理念,基于MatrixOne数据库的写时复制引擎,为AI记忆提供快照、分支、合并与回滚能力,实现了记忆的动态工作流管理。这种设计让AI智能体能够像管理代码一样管理记忆演变,在对话式AI、创意协作、项目管理等场景中,显著提升了记忆的可追溯 阅读详情

相关推荐

深度学习基于Resnet18的图像多分类--训练自己的数据集(超详细 含源码)

深度学习基于Resnet18的图像多分类--训练自己的数据集(超详细 含源码)

她是不会无条件的!! 2万+

Memoria开源项目使用教程

Memoria开源项目使用教程 1. 项目介绍 Memoria是一款开源项目,旨在重新编写Final Fantasy IX的游戏引擎,增加新功能、修复错误以及扩展模组可能性。该项目包含了内置的改进(如:生活品质、相机、帧率、音频、控制器、UI、选项、作弊码、着色器等),错误修复,一个模组管理器/下载器以及一个模型查看器。 2. 项目快速启动 安装步骤(Windows) 下载并运行Memoria....

gitblog_00745的博客 824

CNN卷积神经网络手写数字识别实例及代码详解

本文的代码来自githup的Deep Learning的toolbox,是用Matlab实现的。感谢该toolbox的作者付出和分享。 我在应该该代码进行训练时,出现一些报错,如expand函数应用不对,flipall函数未定义等问题,对这些问题进行了修正,完成网络训练和验证。 本文mnist_uint8.mat的获取可以参照我的另一篇博客:MNIST数据库处理--matlab生成mnist_

VivienFu的专栏 6万+

Memoria:开源FFIX引擎增强与扩展

Memoria:开源FFIX引擎增强与扩展 项目介绍 Memoria是一款开源项目,它是对经典游戏《最终幻想IX》(Final Fantasy IX)引擎的社区重写。项目的目标是通过添加新功能、修复漏洞以及扩展模组(mod)的可能性,来提升游戏体验。Memoria引擎不仅包含了一系列内置改进,如质量-of-life(生活质量)提升、相机控制系统、帧率优化、音频增强、控制器支持、用户界面和选项设置,...

gitblog_01069的博客 390

Linux V4L2驱动开发实战:手把手教你用I2C摄像头Sensor注册一个v4l2_subdev

本文详细解析了Linux V4L2驱动开发中I2C摄像头Sensor注册v4l2_subdev的全流程,包括初始化、操作集填充、异步匹配等关键环节。通过实战案例和代码示例,帮助开发者掌握V4L2子系统下的摄像头驱动开发技巧,提升嵌入式Linux系统开发能力。

weixin_30328063的博客 420

Python实战:3分钟搞定A股K线数据抓取(附东方财富/腾讯API完整代码)

本文为量化交易初学者提供了一份快速获取A股K线数据的实战指南。通过对比东方财富与腾讯财经两大免费API的优劣,并附上可直接运行的完整Python代码,帮助读者在3分钟内搭建起自己的数据抓取管道,为构建量化交易系统奠定坚实的数据基础。

weixin_29062255的博客 2920

一分钟快速连接Memoria与OpenClaw,为AI应用添加长期记忆

在AI应用开发中,长期记忆存储与检索是实现智能体状态持久化和个性化交互的核心技术。其原理通常基于向量数据库,将对话历史、文档知识等非结构化数据转换为向量嵌入并建立索引,从而实现高效的语义检索。这项技术的价值在于突破了传统对话模型有限的上下文窗口,使AI应用能够跨会话记住用户信息、历史对话和领域知识,显著提升了交互的连贯性和智能水平。在应用场景上,它广泛用于构建个性化聊天机器人、智能客服、知识库问答系统以及需要维护复杂状态的自动化工作流。本文聚焦于Memoria记忆系统与OpenClaw开发框架的快速集成,通

weixin_30613343的博客 629

STM32解析航模遥控器的PPM信号

使用STM32对航模遥控器的PPM信号进行解析

qq_44343584的博客 9734

Memoria开源项目安装与配置指南

Memoria开源项目安装与配置指南 1. 项目基础介绍 Memoria是一个开源项目,它是对经典游戏《最终幻想IX》引擎的社区重写。该项目旨在增加新功能,修复错误,并扩展修改可能性。Memoria引擎包括内置的改进(如质量-of-life提升、相机和帧率调整、音频和控制器支持、用户界面和选项增强、作弊码等),同时还具备一个模组管理器下载器和模型查看器。 主要编程语言:C# 2. 关键技术和框架 ...

gitblog_00277的博客 647

DRV8711驱动器的各寄存器的介绍

drv8711驱动器

PCLintelligence的博客 1636

【ESP32设备通信】-两个ESP32间UART通信

在本文中,我们将使用 Arduino IDE 的 UART 硬件库在两个 ESP32 板之间执行 UART 或串行通信。 要使用 USB 端口调试和编程 ESP32,需要使用称为通用异步接收器/发送器 (UART) 通信的串行端口。 对于大多数传感器和系统,主要的通信方法被认为是 UART。 为了共享工作负载、信息和执行不同的任务,有时需要在两个 ESP32 开发板之间进行通信。

视觉与物联智能 2997

1分钟快速上手:将你的编程智能体接入Memoria

1 分钟快速实现 Cursor、Claude Code 等编程智能体接入 Memoria,为智能体添加跨会话、跨工具的持久化记忆,解决长任务中断、重复说明上下文的核心痛点,附详细安装配置与验证步骤。

MatrixOrigin的博客 594

AI漫剧全套万能提示词合集

今天给大家整理一套已经跑通爆款漫剧的万能提示词库!覆盖:豆包剧本人设词 + 分镜生成词 + 即梦绘图词 + 动态优化词 + 防翻车固定词直接复制粘贴,新手也能做出稳定、高清、统一、有质感的AI漫剧!你是资深短视频漫剧编剧,擅长制作60秒竖屏爆款AI漫剧,请为我创作一集完整漫剧内容。要求:开头3秒高能抓眼,中段有冲突转折,结尾留强悬念钩子,节奏紧凑、适合短视频流量。首先生成固定统一人物人设:包含脸型、五官、发色、发型、穿搭、身材、气质、画风、光影细节,要求足够精细,保证全程角色不变脸。

欢迎来到鸾姝淡月博客,专为程序员和编程爱好者打造的技术博客。我们分享编程语言趋势、开发工具、编程哲学、职业发展等,助你掌握新技术,优化技能,激发编程热情。 1973

OpenClaw Memoria:1分钟上手的智能体语义记忆系统

语义记忆是智能体实现长期上下文理解与知识复用的核心能力,其本质是将非结构化交互数据转化为可检索、可演化、可推理的向量化知识表征。技术原理上依赖分层架构——词法匹配保障响应速度,语义嵌入支撑概念关联,持久固化模拟人类记忆巩固机制。该能力显著提升Agent在RAG增强、多轮对话一致性、跨任务知识迁移等场景中的工程可用性。Memoria作为OpenClaw生态内置的记忆模块,以零配置默认策略(SQLite+all-MiniLM-L6-v2)、CLI原生集成和Dreaming自动巩固机制,大幅降低语义记忆落地门槛,

weixin_33726318的博客 433

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

GTC 2026发布:Memoria 开源项目——业内首个“Git for Memory” Agent可信记忆框架

Memoria开源AI记忆框架:为Agent打造可回溯的"Git式"记忆系统 矩阵起源在NVIDIA GTC大会上开源了Memoria项目,这是一个专为AI Agent设计的记忆管理系统。Memoria创新性地将Git的版本控制理念引入AI记忆管理,支持快照、分支、合并等操作,解决了当前AI Agent普遍存在的"无状态"问题。通过底层MatrixOne数据库的Copy-on-Write技术,Memoria不仅能存储记忆,还能实现记忆回溯和管理,显著提升AI协作的连续

MatrixOrigin的博客 738

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

1 分钟上手:将 Memoria 接入 OpenClaw

1 分钟快速将 Memoria 智能记忆系统接入 OpenClaw,通过按需语义检索替代全量加载,Token 用量直降 70%+,解决默认记忆全量加载、静默截断、检索退化、上下文损毁四大问题,无需自建数据库,一条命令完成配置,让 AI Agent 记忆更精准、更省成本。

MatrixOrigin的博客 418

AI Agent 记忆方案横评:Memoria vs OpenClaw vs MCP,让Agent记住你的3种方式

MCP 记忆服务器的最大优势是可定制化// 自定义记忆 schema 示例tools: {input: {ttl: { type: "number", default: 86400 * 7 }, // 7天过期},input: {我用的是社区版 MCP 记忆服务器,配合 SQLite 后端,总代码量不到 200 行。回到最开始的那个测试:三种方案都记住了数据库连接字符串和 API 配置(基础事实 85%+),但在隐含规则上表现出明显差异。选哪一种,取决于你的核心诉求。对于大多数独立开发者,

weixin_50937681的博客 299

Memoria向量数据库与OpenClaw自动化平台的一分钟集成实战

向量数据库作为AI时代存储和检索高维向量数据(如文本嵌入)的核心基础设施,其核心原理是通过高效的相似性搜索算法(如HNSW、IVF)快速找到与查询向量最接近的数据点。这项技术为AI应用赋予了“记忆”和“上下文理解”能力,具有极高的技术价值,是实现个性化推荐、智能对话和语义搜索的关键。在实际工程中,如何将向量数据库的能力无缝集成到自动化工作流里,是提升开发效率、构建智能应用的关键环节。本文以Memoria向量数据库和OpenClaw自动化平台为例,深入探讨了通过Docker容器化部署、标准化API调用和预置模

weixin_30732487的博客 722

Memoria - 图库v0.6.1.4 [专业] [最新]

欢迎来到Memoria,这是Google Play商店中最个性化的照片库。 Memoria以华丽的Material Design创建,可以快速,流畅,有条理地浏览所有您喜欢的照片,主要目的是提供完美无暇的用户体验。快速。安全。美丽。个性化。 一个地方为你所有的回忆! 美丽 体验美丽而时尚的材料设计 快速 查看所有媒体,在整个应用程序中获得流畅,快速的导航体验 自定义 选择各种主要和强调颜色,基本主...

weixin_44208333的博客 381

一分钟搞定OpenClaw智能记忆:Memoria云引擎接入实战

在AI助手应用中,上下文管理是核心挑战之一。传统基于文件的记忆系统采用全量加载机制,导致Token成本高昂、检索效率低下,且存在容量限制与静默失败风险。其根本原因在于缺乏动态的语义理解与精准的按需检索能力。Memoria作为一种云原生的语义记忆引擎,通过引入向量化存储与智能索引,实现了从“全量加载”到“按需检索”的范式转变。它利用先进的语义模型将记忆转化为高维向量,构建动态语义图谱,从而在查询时能精准理解用户意图,仅召回最相关的记忆片段注入上下文。这项技术的核心价值在于大幅降低计算成本、提升回忆准确性,并彻

weixin_30274627的博客 329

Memoria-智能影记创新实训博客(七):大模型在当前项目中的应用总结

当前 Memoria 对大模型的使用,已经覆盖“理解照片、搜索照片、推荐照片、组织故事、生成相册、辅助发布”这一整条链路。但它的核心并不是堆模型,而是分工明确:MobileCLIP2 提供视觉语义底座,DeepSeek 负责结构化理解和语言创作,端侧 VLM 负责本地 caption,业务层负责可靠性和产品闭环。这也是当前项目最重要的大模型应用经验:不要把大模型当成一个不可控的黑盒生成器,而是把它拆成可验证、可替换、可兜底的能力模块,让它真正嵌入产品流程,而不是悬浮在功能之外。

story 457

Memoria 全新功能上线:借助记忆分支与协作空间,像协作代码一样协作 Agent 记忆

Memoria 的记忆分支和协作空间功能现已正式上线。从现在起,团队可以像协作代码一样协作 Agent 记忆:每位成员在自己的分支中工作,捕获有价值的上下文,再将经过验证的知识合并回共享的主分支。协作空间包含在 Memoria Pro 方案中,目前限时免费开放。相比免费版,Pro 提供更大的记忆容量、更多的分支数、快照数、记忆空间和检索次数,更适合需要持续构建和共享 Agent 记忆的团队。软件团队花了几十年,才把「代码协作」这件事做对。

MatrixOrigin的博客 458

GP2 FORENSE: ANÁLISIS DE MEMORIA Forense: Análisis de Memoria

网络安全作业

giaogiao123的博客 584

Memoria 备份与恢复功能上线:你的智能体终于有了存档点

摘要: Memoria推出智能体记忆备份与恢复功能,解决因渐进性记忆偏移导致的问题。用户可随时创建记忆快照(免费版支持2个),在测试新功能或风格后一键还原至理想状态,避免手动排查海量记忆的困扰。该功能尤其适合长期打磨的智能体,支持大胆实验而无后顾之忧。操作简单:创建命名快照→实验→发现问题→选择恢复。现可前往GitHub体验,为AI记忆加装"保险"。 (字数:149)

MatrixOrigin的博客 434

智能相册重构:Memoria 项目策划、技术选型与 Figma 高保真设计实践

创新实训-智能影记 第一周的个人博客,主要记录了我们想做什么样的软件、本周的工作内容和个人感悟

MoreSome_9256的博客 373

Memoria 项目实训日志 #3 | 端侧感知起步:多维特征打标与自然语言检索 MVP 落地

项目进展:智能影记 - Memoria 完成视觉感知攻坚 团队Mnemosyne在第三周实训中取得三大突破:1)建立"AI视觉+OCR文本"双标签体系,实现相册智能分类;2)完成自然语言搜图MVP验证,通过云端LLM扩展标签+本地Isar数据库匹配;3)MobileCLIP模型端侧转换工具链通过精度校验。当前方案存在语义匹配局限性和云端依赖问题,下周将转向端侧向量检索方案,通过MobileCLIP实现真正的语义搜图能力。

MoreSome_9256的博客 453
上一篇: 什么是AI Native的组织,它该具备什么样的特点
下一篇: 向量索引入核,驾驭亿级向量数据:MatrixOne × NVIDIA cuVS GPU 加速实践
MatrixOrigin
博客等级 码龄5年 708粉丝 230原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值