Cursor Memory 实战:如何终结 AI 助手的“金鱼记忆”

Cursor 0.51 全网首歌新功能深度体验:Generate Memories 让 AI 编程助手拥有“记忆“ 想象一下,如果你的编程助手能够记住你们之前所有的对话内容,记住项目的技术栈、架构设计、编码规范,甚至是你的个人偏好,那该多好?Memories 功能就是为了解决这个痛点而生的。简单来说,Memories 就是一个智能的知识库,它会自动将对话中的重要信息提取出来,形成结构化的文档保存起来。这样,无论你什么时候开始新的对话,AI 都能立即"回忆起"这些关键信息,就像一个真正了解你项目的资深开发者一样。这个概念其实并不新鲜。之前 Cline 就在其中详细介绍过 Memory Bank 的实现方法。 阅读详情

Cursor Memory 实战:如何终结 AI 助手的“金鱼记忆”

目标读者:使用 Cursor/Claude Code 等 AI 辅助开发的工程师,特别是那些厌倦了重复向 AI 解释项目上下文、架构决策和偏好设置的开发者。
核心价值:掌握一套自动化的“记忆捕获”工作流,将临时的会话交互转化为永久的项目知识库。
阅读时间:8 分钟

一句话摘要:通过 Hook 机制与结构化提取,cursor-memory 将 AI 的一次性对话转化为可复用的项目资产,实现真正的“越用越聪明”。

在这里插入图片描述

引言:由于“健忘”,我们正在浪费 90% 的交互价值

你是否经历过这样的场景:上周你花了两个小时,终于让 AI 理解了为什么你的项目必须用 pnpm 而不是 npm,以及那个奇怪的循环依赖是如何通过一个特定配置解决的。

今天,你打开一个新的对话窗口,AI 再次欢快地建议你运行 npm install,并再一次掉进了同一个循环依赖的坑里。

崩溃吗?

我们习惯了 AI 的强大,却也默许了它的“健忘”。每一次 New Chat都是一次彻底的格式化。在这个模式下,AI 的经验值永远停留在 Level 1,而你必须充当那个永远在重复新手教程的 NPC。

如果 AI 能像资深同事一样,不仅解决问题,还能“记住”解决方案,会怎样?

这就是 cursor-memory 试图解决的问题。它不是一个简单的日志记录器,而是一个主动的认知捕获系统。本文将带你深入解构这套系统,从原理到实战,看看它是如何将稍纵即逝的对话,变成永久的数字资产的。

机制解构:不仅是记录,更是“提炼”

大多数人对“记忆”的理解还停留在“保存聊天记录”上。但未经处理的聊天记录是噪音,不是知识。

Cursor Memory 的核心理念在于结构化提炼。它不保存“你说过的话”,而是保存“你做出的决策”、“你纠正的错误”和“你发现的模式”。

整个系统由三个精密咬合的齿轮组成:

  1. 触发器 (The Hook):时刻提醒,防止遗忘。
  2. 大脑 (The Skill):判断价值,决定去留。
  3. 手 (The Command):执行提取,落盘存储。

在这里插入图片描述

让我们深入代码层面,看看这三个部分是如何协同工作的。

1. 触发器:强制性的“认知检查点”

在 hooks/cursor-memory-reminder.sh 中,我们可以看到一个非常巧妙的设计。它并没有直接“自动保存”所有内容(那样会产生大量垃圾数据),而是植入了一个规则。

# hooks/cursor-memory-reminder.sh 核心逻辑
cat > "$RULES_DIR/cursor-memory-reminder.mdc" << 'EOF'
---
alwaysApply: true
description: "Cursor Memory - Automated memory capture reminder"
---
CRITICAL: After completing this request, you MUST evaluate whether
it produced valuable memories worth preserving using the cursor-memory skill.
...
EOF

这个脚本在 .cursor/rules/ 下创建了一个 .mdc 规则文件,并设置 alwaysApply: true。这意味着,在每一次 AI 思考结束前,它都被强制要求进行一次自我反思:

“我刚才做的事情,值得被记住吗?”

这就像是给 AI 安装了一个“元认知”插件。它必须回答以下问题:

  • 这是一个非显而易见的调试吗?
  • 用户是否纠正了我的做法?
  • 我们是否做出了一个能够复用的决策?

只有当答案为“是”时,真正的记忆提取才会开始。这不是被动的记录,而是主动的筛选。

2. 大脑:10 种高价值记忆类型

在 skills/cursor-memory/SKILL.md 中,定义了什么样的信息才配得上“记忆”二字。系统极其挑剔,只有 10 种类型的信息会被捕获。

这里有几个最典型的例子:

  • Decision (决策):不仅仅是结果,更重要的是推理过程和被放弃的选项。
    • 记录“为什么不选 B”,往往比“选择了 A”更有价值。
  • Correction (纠正):这是最高价值的资产。当你说“不,别用这个库”时,这就是 AI 进化的时刻。
  • Insight (洞察):跨会话的发现,比如“这个项目的所有日期处理都必须经过 utils/date.ts”。
  • Pattern Seed (模式种子):那些通过试错发现的隐秘规律。

3. 手:单会话单文件保证

commands/catch-memories.md 揭示了系统最底层的工程实现——如何优雅地存储记忆?

最棘手的问题是:如果我在同一个会话里多次提取记忆,会产生一堆碎片文件吗?

Cursor Memory 给出了一个优雅的 “单会话单文件 (Single Session Single File)” 解决方案。

# 伪代码逻辑演示
date = session_start_time[:10]  # YYYY-MM-DD
time = session_start_time[11:19]  # 锁定会话开始时间
file_path = f"./memories/{date}/{time}-{name}.json"

无论你在下午 2 点 30 分的会话中提取了多少次记忆,系统都会锁定 14-30-00 这个时间戳作为文件名。

  • 第一次提取:创建文件。
  • 第二次提取:读取旧文件 -> 智能去重 -> 合并新记忆 -> 更新原文件。

这种设计保证了单一真相来源 (Single Source of Truth)。你永远不会在文件夹里看到 session-part1.json, session-part2.json 这种混乱的局面。

在这里插入图片描述

实战演练:捕获一次“非显而易见”的调试

纸上得来终觉浅,我们来看一次真实的实战流程。

场景:你正在调试一个 Next.js 项目的 Auth 报错,错误信息显示是 500,但日志里什么都没有。

Step 1: 痛苦的探索

你和 AI 尝试了检查数据库连接(正常)、检查 API 路由(正常)。最后,经过 20 分钟的排查,你们发现是因为 .env 文件中缺少了一个 NEXTAUTH_SECRET,但在开发环境下它默认是不报错的,只有在模拟生产构建时才炸。

Step 2: 触发时刻

问题解决了。如果是以前,你会关掉窗口,下班。
但在安装了 Hook 后,AI 在输出最终解决方案后,会触发 cursor-memory-reminder:

Assistant: …问题已解决,是环境变量缺失导致的。

🛑 Memory Check: 这是一个非显而易见的调试过程(耗时 > 10分钟,错误信息误导)。我应该提取这个记忆。

调用 /catch-memories…

Step 3: 结构化输出

系统生成了一个 JSON 文件。让我们看看它记住了什么:

{
  "type": "learning",
  "title": "NextAuth 生产环境静默失败原因",
  "content": "在生产构建模拟中,缺少 NEXTAUTH_SECRET 会导致 500 错误且无明确日志,而非开发环境下的警告。",
  "source_chunk": "**User:** 还是 500... **Assistant:** 让我们检查一下环境变量...",
  "confidence_score": 95,
  "related_entities": [
    { "type": "file", "raw": ".env" },
    { "type": "technology", "raw": "NextAuth" }
  ]
}

注意那个 confidence_score: 95。系统非常确定这是一个高质量的知识点。

Step 4: 未来的复利

三天后,你的同事(或者未来的你)遇到了同样的 500 错误。
AI 读取了 memories/ 目录,立刻就能检索到这条记录:

AI: “看起来像是 NextAuth 的问题。记得我们上次发现,如果缺少 NEXTAUTH_SECRET,它会静默失败并报 500。请先检查一下 .env 文件。”

这就叫“越用越聪明”。

在这里插入图片描述

深度思考:为什么是 JSON 而不是 Markdown?

你可能会问,为什么不直接把记忆存成 Markdown 文档?那样人类读起来不是更方便吗?

这是一个深刻的架构决策。

  1. 机器可读性优先:这些记忆的主要消费者是 AI,不是人类。JSON 结构允许精确的字段查询(比如“给我所有关于 NextAuth 的 correction”)。
  2. 置信度过滤:JSON 允许存储 confidence_score。未来的 Agent 可以设定阈值:“只参考置信度 > 80 的记忆”。Markdown 很难携带这种元数据。
  3. 实体链接:通过 related_entities 字段,我们可以建立知识图谱。文件与文件、决策与代码之间的联系被保留了下来。

Markdown 是给眼睛看的,JSON 是给大脑用的。 cursor-memory 选择了一条更硬核、但更具扩展性的道路。

总结

Cursor Memory 代表了 AI 辅助开发的一个重要转折点:从无状态 (Stateless) 到有状态 (Stateful)。

  • 以前,你的 AI 是一个拥有博士学位的临时工,每天下班就失忆。
  • 现在,它是一个带着笔记本的学徒,每天都在积累对你、对你的项目的专属理解。

当你开始使用这套系统,你会发现最神奇的时刻不是它记住了什么,而是当它突然对你说:“等等,上次你不是说这个模块要用单例模式吗?”

那一刻,你会感觉到,屏幕对面不仅有算法,还有了“经验”。

行动建议

  1. 立即安装:把 cursor-memory-reminder.sh 丢进你的 hooks 目录。
  2. 保持挑剔:不要什么都记。垃圾进,垃圾出。只记录那些让你感到“原来如此”的时刻。
  3. 定期回顾:每周扫一眼 memories/ 文件夹,那里面是你项目最真实的“成长日记”。

实现方案

automated-cursor-memory.txt

  • hooks/cursor-memory-reminder.sh: 记忆触发的核心逻辑。
  • skills/cursor-memory/SKILL.md: 记忆类型的定义与评分标准。
  • commands/catch-memories.md: JSON 结构与去重算法的实现细节。
Cursor Memory:AI助手的长期记忆解决方案 在AI助手领域,上下文记忆能力是提升对话连续性的关键技术。通过向量数据库和分层存储架构,系统能够实现短期对话记忆与长期知识保留的平衡。Cursor Memory创新性地采用语义嵌入技术,自动关联项目文件和用户偏好,解决了传统AI助手的'金鱼记忆'问题。这种技术在代码审查、复杂调试等开发场景中表现突出,能保持建议一致性并减少重复解释。开发团队还可通过记忆标签和共享功能实现知识传承,特别适合大型项目协作。 阅读详情

相关推荐

Cursor用户必看:3步移植Cline Memory Bank实现AI持久化记忆(含规则模板)

本文为Cursor用户详细介绍了如何将Cline的Memory Bank功能移植到Cursor中,实现AI的持久化项目记忆。通过三步操作,包括创建适配的.cursorrules规则模板、初始化记忆库文件以及掌握日常使用指令,开发者可以显著提升与AI助手协作的连贯性和效率,让Cursor在跨会话时也能记住项目背景、技术栈和进度。

lambda的博客 736

为什么架构师岗位即将消失?学会使用Cursor的三大神器Rules、Memories、Commands!小白也能写出专家级代码!

文章摘要:本文分享了如何高效使用Cursor AI编程工具的三大核心功能:Rules(规则)、Memories(记忆)和Commands(指令)。通过配置项目规则(.mdc文件)可以规范AI的代码输出风格;利用Memory功能实现持久性项目记忆;Commands指令则能快速完成重构、解释和测试生成等任务。作者结合SpringBoot项目实例,展示了如何通过规则约束让AI自动生成符合规范的后端代码,并预测未来熟练使用AI工具的开发者将替代传统架构师角色。文章强调合理配置这些功能可大幅提升开发效率,使AI成为可

技术Z先生的博客 1923

从IDE到智能体控制台:OpenClaw与Cursor 3构建AI记忆系统实战

在人工智能与软件开发深度融合的当下,智能体(Agent)正成为提升开发效率的关键技术。其核心原理在于通过大语言模型(LLM)赋予机器理解、推理和生成代码的能力。技术的核心价值在于将开发者从繁琐、重复的编码任务中解放出来,转向更高层次的设计、架构和决策工作。为实现这一目标,让智能体具备“长期记忆”至关重要,这使其能从历史交互中持续学习,成为项目的真正协作者,而非仅能处理单次会话的临时工具。记忆系统通常基于检索增强生成(RAG)架构,通过向量数据库对历史对话、代码变更等知识进行语义化存储与检索,从而为LLM提供

weixin_33862993的博客 387

Cursor-memory-cli 自动化记忆提取的完整实现

一个用于安装和配置 Cursor Memory 系统的命令行工具。Cursor Memory 是一个持续学习系统,可以从 Cursor 会话中提取结构化记忆,并将其编码为可查询的 JSON 记录,供跨会话调用。

💻 Code:TypeScript / Engineering 🤖 AI:Prompt Optimization / Context Memory / Coding Agents 1541

为AI编程助手构建持久化记忆系统:agentmemory实战指南

在AI编程助手日益普及的今天,如何让它们记住项目上下文、避免重复解释,成为提升开发效率的关键。这涉及到**记忆系统**和**上下文管理**两大核心技术领域。记忆系统通过持久化存储和智能检索,将AI助手从“金鱼记忆”升级为经验丰富的伙伴。其核心原理在于对会话中产生的观察、决策和代码模式进行结构化捕获、分层整合与高效检索。agentmemory作为一款轻量级、无框架绑定的**MCP服务器**和记忆引擎,通过混合检索策略(BM25+向量+知识图谱)实现了高达95.2%的召回率,并提供了12个自动钩子实现零配置记忆

weixin_42523907的博客 449

MATLAB多项式计算

MATLAB多项式计算 在MATLAB中,n次多项式用一个长度为n+1的行向量表示(因为是n个幂次项系数加上一个常数项),缺少的幂次项系数为0。 例如 n次多项式: P(x)=anxn+an-1xn-1+an-2xn-2+…+a1x+a0 表示为: [an,an-1,an-2,…,a1,a0] 目录MATLAB多项式计算1.多项式的加减运算2.多项式的乘法运算3.多项式的除法运算4.多项式的导函数5.代数多项式求值6.矩阵多项式求值7.多项式求根 1.多项式的加减运算 事实上,多项式的加减运算就是其所对应的

路遥芝麻的博客 1万+

cursor-memory-bank:AI 助手的记忆增强工具

cursor-memory-bank:AI 助手的记忆增强工具 项目介绍 Cursor Memory Bank 是一款强大的功能,旨在通过维护会话间的完美文档记录,提升 AI 助理的能力。它通过创建一个结构化的文档系统,解决了 AI 在会话记忆方面的局限性,使其成为一个持久的记忆存储。 项目技术分析 Cursor Memory Bank 的核心是一个基于规则的文档系统。它通过在项目目录中创建 .c...

gitblog_00977的博客 751

逆变器技术解析:DDSRF双解耦在正负序分离中的关键作用

本文深入解析了DDSRF双解耦技术在逆变器正负序分离中的关键作用。通过建立正反旋转坐标系并利用交叉反馈解耦网络,DDSRF能快速、精准地分离电网电压中的正负序分量,从而显著提升锁相环在电网不平衡条件下的精度与系统稳定性,是现代高性能并网逆变器的核心算法之一。

m3n5b7v8c9x的博客 413

Cursor Memory Bank 项目启动与配置教程

Cursor Memory Bank 项目启动与配置教程 1. 项目目录结构及介绍 Cursor Memory Bank 项目的主要目录结构如下: cursor-memory-bank/ ├── .cursor/ # 存储规则和配置的目录 │ └── rules/ # 规则文件存放处 ├── .github/ # GitHub...

gitblog_00902的博客 540

视频动作识别、行为识别、时空动作检测数据集整理(持续更新)

动作、行为、事件 在计算机视觉的相关研究中,人体的动作、行为识别是一个基础研究问题。但目前识别、检测人类的动作/行为仍然是一个巨大的挑战。这里整理下当前相关的细分任务、数据集和开源代码(持续更新中)。

人工智能算法与工程实践 4万+

三相Vienna整流器过零点电流畸变?试试这个SVPWM调制波补偿技巧

本文针对三相Vienna整流器在电流过零点附近出现的电流畸变问题,提出了一种基于SVPWM调制波补偿的有效解决方案。该方法通过注入零序分量重构占空比,巧妙解决因拓扑约束导致的调制矛盾,在基本不增加计算复杂度的前提下,显著平滑电流波形,降低THD。

weixin_29212867的博客 115

Cursor Memory 实战:用 Hook 与 JSON 终结 AI 助手的“金鱼记忆”

Cursor Memory 实战:用 Hook 脚本与 JSON 文件让 Cursor 跨会话记住项目上下文。本文提供可复制的 cursor-memory-reminder.sh、规则文件与记忆 JSON 结构,并演示重启会话后验证记忆生效的完整流程。接入 TaoToken 官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 即可打通模型调用。

weixin_33419305的博客 83

MIKE 21 教程 1.5 基于卫星影像绘制河道边界

上一节讲解了如何输入高程数据与绘制网格本节讲解如何根据卫星影像绘制河道边界。在实际项目中,经常遇到河道图纸缺少的情况,此时可以根据卫星影像进行勾勒绘制。常用的地理信息软件均可完成此功能,这里使用大家较为熟悉的ArcGis进行教学(本文默认大家有基础ArcGis操作知识,如有不懂可留言)。

Hello Word 3283

Cursor Memory 实战:用 JSON 与 Hook 终结 AI 助手的“金鱼记忆”

用 JSON 记忆文件加 Hook 脚本给 Cursor 补上跨会话记忆:先建 .cursor/hooks 与 memories 目录,再抄一份带 confidence_score 的记忆结构,会话结束自动提取、开始自动注入。文中含 TaoToken 统一 Key 与通道配置及 401、proxy failed 等报错排查,官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 。

weixin_35757191的博客 5

YOLOv11的元学习(MAML)few-shot适配-(5样本内快速适应新类别)

本文提出了一种基于元学习和YOLOv11的少样本目标检测方法。首先介绍了元学习的核心概念和MAML算法原理,分析了YOLOv11的架构改进及其在少样本检测中的适用性。针对少样本检测面临的过拟合、特征混淆和定位困难等挑战,提出了基于MAML的解决方案。在实现方面,详细阐述了环境配置、数据预处理和任务采样策略,构建了支持N-way K-shot任务的数据加载器。实验表明,该方法相比传统微调策略可显著提升小样本场景下的检测性能。

本博客聚焦 YOLOv11 全流程落地,涵盖架构优化、数据集处理、训练技巧与多场景部署,兼及国产数据库、Java 开发与 AI 模型应用,内容兼顾理论与工程实践,为开发者提供系统干货,助力高效提升技术能力。 606

NTC热敏电阻选型快速指南

NTC(Negative Temperature Coefficient Thermistor)负温度系数热敏电阻器,是由锰Mn,镍Ni,铜Cu,一氧化碳Co等烧结而成的氧化物。其电阻值随温度的升高而减小,即具有复温度系数,故被称为负温度系数热敏电阻。本文对热敏电阻的应用场景,结构特点和选型参数进行总结。

fydar的博客 1298

OMEGA-Memory:为AI编程助手构建本地优先的持久化记忆系统

在AI编程助手日益普及的背景下,如何让AI记住项目上下文和决策成为提升开发效率的关键。传统AI助手采用无状态设计,每次会话都需重复解释项目背景,导致协作效率低下。其技术原理在于通过语义向量化和向量数据库技术,实现基于意图理解的记忆存储与检索,而非简单的关键词匹配。这一技术方案的核心价值在于打破AI助手的“金鱼记忆”,建立长期、可积累的协作关系。应用场景广泛覆盖技术决策记录、经验教训总结、任务断点续传等软件开发全流程。本文介绍的OMEGA-Memory系统,正是基于Model Context Protocol

weixin_30314813的博客 312

100天精通Python(爬虫篇)——第118天:selenium自动化操作浏览器基础大总结

一、Selenium框架环境搭建 1. 下载模块 2. 安装浏览器驱动WebDriver 二、基础操作 1. 打开浏览器 2. 无界面模式 3. 元素定位 4. 元素操作 5. 前进后退 6. 执行js 7.页面等待 隐式等待(常用) 显式等待(了解) 三、进阶操作 1. 使用代理ip 2. 修改请求头 3. 隐藏指纹特征.....................

努力让自己发光,对的人才能迎着光而来 10万+

为AI编程助手构建持久化记忆系统:agent-memory项目详解

在AI编程助手日益普及的今天,如何让它们记住跨会话的上下文信息,成为提升开发效率的关键。这涉及到**持久化存储**与**上下文管理**两大核心技术。通过本地数据库(如SQLite)存储结构化事实、交互偏好和日志,可以实现信息的长期保留。其技术价值在于打破了传统AI助手“金鱼记忆”的局限,实现了“一次告知,处处可用”的智能协作体验。在应用场景上,该方案尤其适用于需要与多个AI工具(如Claude Code、Cursor、Aline)进行深度、连续交互的开发者。本文介绍的`agent-memory`项目,正是基

weixin_30784501的博客 505

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

Ship of Harkinian 时之笛重制版完整上手指南:ROM 校验到 MOD 换装一步到位

Ship of Harkinian 是基于 libultraship 的时之笛重制版,支持 4K、宽屏与 60 帧。本文带你完成 ROM 校验、三平台安装、键位与图形设置、MOD 换装,新手和老玩家都能照着跑通。 SOH 的引擎底座是 libultraship: [![Ship of Harkinian 时之笛重制版由 libultraship 库驱动](https://raw.gitcode

gitblog_00675的博客 869

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

AI 需要「忘记」的能力吗?Hy-Memory 用选择性记忆回答了这个问题

你有没有被 AI 气到过? 上周刚跟它说"我不吃香菜",这周点菜它又给你推荐香菜拌牛肉;上午让它帮你改了一个 bug,下午换个窗口再问,它一脸茫然,仿佛失忆。反过来,你要是告诉它你正在减肥,它能把这句话记上三年,每次聊天都劝你少吃,比亲妈还絮叨。 **要么金鱼记忆,要么叨叨不停——这就是今天大多数 AI 助手的两难处境。** 而最近腾讯混元开源的一个叫 Hy-Memory 的项目,偏偏提出了

gitblog_00608的博客 6

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

AI编程助手的记忆功能:原理、实现与应用

AI编程助手的记忆功能通过向量数据库和上下文管理实现持久化记忆,显著提升代码建议的准确率。其核心技术包括向量数据库的上下文缓存、项目知识图谱构建和开发者习惯学习模型。这些技术不仅解决了AI工具“金鱼记忆”的痛点,还能根据项目结构和开发者偏好提供个性化建议。在实际应用中,记忆功能可大幅提升开发效率,特别是在大型项目中。通过合理配置和优化,如增量更新和敏感文件排除,可以平衡性能与安全。记忆功能正从个人开发助手向团队知识库演进,成为下一代AI协作开发的重要工具。

weixin_34199405的博客 304

MCP 记忆服务实战:给 Cursor 和 Claude Code 接入五层时序记忆

在 AI 辅助编程中,模型上下文的管理至关重要。长期项目里,AI 助手常因会话隔离和工具切换而丢失关键决策,导致重复劳动与代码风格漂移。MCP(模型上下文协议)是一种将外部记忆、工具与数据源统一接入模型的标准化方式,它让 AI 客户端可以从统一的服务中读写项目记忆。基于 MCP 的轻量级记忆服务,通过分层存储、时间戳与冲突提示等机制,可有效维持跨会话、跨工具的工程上下文。这类服务适用于 Cursor、Claude Code 等主流 AI 编程工具,帮助团队在一套记忆源上协作,减少重复解释与决策追溯成本。围绕

weixin_29053383的博客 101

想打造自己的排名列表?基于 best-of-digital-gardens 方法论创建 best-of 列表的完整指南

**best-of 排名列表**是什么?简单来说:一份按客观质量评分自动排名的精选资源清单。[best-of-digital-gardens](https://link.gitcode.com/i/ecc1291e92e811f49813ca9f8beb9c89) 就是一个典型范例——它收录了 100 个以 git 仓库公开内容的数字花园(digital garden / second brain

gitblog_00811的博客 64

Cursor-memory-cli 自动化记忆提取:把 settings 改到 TaoToken 的完整实现

用 cursor-memory-cli 的 beforeSubmitPrompt 钩子做自动化记忆提取时,把 Cursor settings 的 Base URL 改为 https://taotoken.net/api 并验证一次 JSON 提取请求即可跑通。摘要含 TaoToken 官网链接,覆盖 401、local proxy failed、reading choices 等常见报错排查。

weixin_42577735的博客 6
上一篇: 打通任督二脉:让你的 GitHub Copilot 瞬间学会 Claude Code 的所有绝招
下一篇: Cursor-memory-cli 自动化记忆提取的完整实现
王师傅炼丹中
博客等级 码龄8年 205粉丝 192原创
评论 1
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

打赏作者

王师傅炼丹中

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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