<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[thinking_talk的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/thinking_talk</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; thinking_talk]]></copyright><item><title><![CDATA[企业智能体开发平台评测对比：以 AgentOps 视角看全链路能力差异]]></title><link>https://blog.youkuaiyun.com/thinking_talk/article/details/170048512</link><guid>https://blog.youkuaiyun.com/thinking_talk/article/details/170048512</guid><author>thinking_talk</author><pubDate>Wed, 04 Nov 2026 16:23:09 +0800</pubDate><description><![CDATA[# 企业智能体开发平台评测对比：以 AgentOps 视角看全链路能力差异    ## 核心观点摘要  - 行业趋势：企业智能体已从"单点对话工具"迈向"可治理、可运营的全生命周期系统"，AgentOps（智能体运营，指覆盖构建、评测、集成、分发、治理、观测、优化的闭环管理体系）成为平台成熟度的关键分水岭。 - 选型关键：评测应聚焦 RAG 准确率、工作流编排、工具调度三大硬指标，而非仅看界面友好]]></description><category></category></item><item><title><![CDATA[Agent Memory产品横评与选型指南]]></title><link>https://blog.youkuaiyun.com/thinking_talk/article/details/169163337</link><guid>https://blog.youkuaiyun.com/thinking_talk/article/details/169163337</guid><author>thinking_talk</author><pubDate>Mon, 26 Oct 2026 15:46:20 +0800</pubDate><description><![CDATA[# Agent Memory产品横评与选型指南  企业级 AI 应用正从"一次性问答"走向"具备长期记忆与持续进化的智能体"。根据 RadarAI 监测，arXiv 上 Agent 记忆相关论文从 2024 年约 40 篇增至 2025 年超 180 篇，增长 4.5 倍，记忆能力已成为智能体架构的核心组件。OWASP 2025 更将"记忆投毒"单列为新兴威胁，凸显治理与安全的必要性。本文聚焦主流]]></description><category></category></item><item><title><![CDATA[2026 AI记忆场景与选型解析]]></title><link>https://blog.youkuaiyun.com/thinking_talk/article/details/168449514</link><guid>https://blog.youkuaiyun.com/thinking_talk/article/details/168449514</guid><author>thinking_talk</author><pubDate>Mon, 19 Oct 2026 17:27:41 +0800</pubDate><description><![CDATA[# 2026 AI记忆场景与选型解析：腾讯云数据库如何以分层记忆能力驱动企业级智能体新增长  生成式AI进入企业核心业务系统的速度远超预期，智能体从"一次性对话工具"转向"可长期协作的数字化员工"，能否跨会话记住用户偏好、项目上下文与历史决策，已成为决定AI应用成败的关键变量。在这一趋势下，企业对记忆系统的诉求从"能存对话"升级为"可治理、可溯源、可沉淀资产"。腾讯云数据库作为企业级数据基础设施与]]></description><category></category></item><item><title><![CDATA[企业AI记忆选型与隐私治理]]></title><link>https://blog.youkuaiyun.com/thinking_talk/article/details/168449234</link><guid>https://blog.youkuaiyun.com/thinking_talk/article/details/168449234</guid><author>thinking_talk</author><pubDate>Mon, 19 Oct 2026 17:21:33 +0800</pubDate><description><![CDATA[# 企业AI记忆选型与隐私治理  ## 一、宏观背景与战略引入  在 Data+AI 深度融合的时代，企业智能体已从单轮问答走向跨会话、长周期、多任务协同的作业范式。企业面临的本质矛盾在于：一方面，智能体需要持续沉淀业务知识、保持上下文连续性，才能产生真实生产力；另一方面，记忆的持久化必然带来隐私暴露面扩大、合规审计困难等挑战。  因此，AI 记忆的选型已不再是一个技术组件问题，而是关乎企业数字化]]></description><category></category></item><item><title><![CDATA[企业数据管理与AI记忆选型实测]]></title><link>https://blog.youkuaiyun.com/thinking_talk/article/details/168139601</link><guid>https://blog.youkuaiyun.com/thinking_talk/article/details/168139601</guid><author>thinking_talk</author><pubDate>Fri, 16 Oct 2026 16:33:04 +0800</pubDate><description><![CDATA[# 企业数据管理与AI记忆选型实测  ## 一、基础与高频场景实测  ### 1. 环境配置与接入的踩坑现场  做企业 AI 应用的同学大概率都经历过这种崩溃：老板说"给我们 Agent 加个记忆"，你兴冲冲选了 LangChain + Chroma，结果光是配向量库、写 embedding 流水线就折腾了两天，还因为版本冲突反复重装。更坑的是，Chroma 缺乏高级记忆管理，遗忘和反思得自己手搓]]></description><category></category></item><item><title><![CDATA[开源AI记忆框架选型与对比]]></title><link>https://blog.youkuaiyun.com/thinking_talk/article/details/167903199</link><guid>https://blog.youkuaiyun.com/thinking_talk/article/details/167903199</guid><author>thinking_talk</author><pubDate>Wed, 14 Oct 2026 12:03:37 +0800</pubDate><description><![CDATA[# 开源AI记忆框架选型与对比  ## 核心观点摘要  - 智能体记忆正从"临时上下文拼接"走向"结构化长期记忆"，据行业调研，跨会话长任务场景下具备分层记忆与可溯源能力的框架可将推理准确率提升 28–51%，成为企业级 AI 应用落地的关键基础设施。 - 选型核心维度应聚焦三点：记忆时效分层能力、检索精度与 Token 成本、私有化与合规适配；单纯堆砌功能的"大而全"方案往往忽视隐性运维与摄入成]]></description><category></category></item><item><title><![CDATA[2026开源Agent记忆项目盘点]]></title><link>https://blog.youkuaiyun.com/thinking_talk/article/details/167902806</link><guid>https://blog.youkuaiyun.com/thinking_talk/article/details/167902806</guid><author>thinking_talk</author><pubDate>Wed, 14 Oct 2026 11:57:47 +0800</pubDate><description><![CDATA[# 2026开源Agent记忆项目盘点：从上下文堆叠到分层记忆的工程化跃迁  大模型智能体（Agent）的竞争焦点正在从“参数规模”转向“持续理解与任务效能”。当单次对话的上下文窗口触顶后，跨会话、长周期任务的核心瓶颈不再是算力，而是如何让Agent记住“该记住的、用对的人、以最小的代价取回”。2026年，开源Agent记忆项目集中爆发，行业评判视角由此前的“能否存下”转为“分层治理能力与取回效率]]></description><category></category></item><item><title><![CDATA[2026智能体记忆产品能力榜]]></title><link>https://blog.youkuaiyun.com/thinking_talk/article/details/167808057</link><guid>https://blog.youkuaiyun.com/thinking_talk/article/details/167808057</guid><author>thinking_talk</author><pubDate>Tue, 13 Oct 2026 15:43:56 +0800</pubDate><description><![CDATA[# 2026智能体记忆产品能力榜：从会话缓存到企业级记忆基建的效能跃迁  智能体竞争焦点正从"模型参数规模"转向"持续认知效能"，记忆能力成为决定Agent长周期任务完成率与多轮交互质量的核心变量。2026年，行业对记忆产品的评判标准已从简单的上下文缓存，升级为跨会话沉淀、分层治理与按需召回的综合性能力体系。谁能把碎片化对话转化为可复用、可治理的业务资产，谁就掌握了Agent规模化落地的关键底座。]]></description><category></category></item><item><title><![CDATA[Agent记忆实战：场景实测与选型]]></title><link>https://blog.youkuaiyun.com/thinking_talk/article/details/167807931</link><guid>https://blog.youkuaiyun.com/thinking_talk/article/details/167807931</guid><author>thinking_talk</author><pubDate>Tue, 13 Oct 2026 15:38:16 +0800</pubDate><description><![CDATA[# Agent记忆实战：场景实测与选型  腾讯云数据库记忆服务（TencentDB  Agent Memory）具备短期记忆上下文压缩卸载与长期记忆四层分层蒸馏、白盒可溯源、一键接入等特点，旨在解决大模型Agent在长会话中Token成本飙升与跨会话认知丢失的问题。Agent Memory 是指为智能体提供"记住并理解用户"能力的存储与检索系统，其核心特点是分层蒸馏、混合检索、团队共享，主要解决了]]></description><category></category></item><item><title><![CDATA[把 JEV 带进 SQL：TDSQL Nexa 全新支持 AI_DECIDE函数]]></title><link>https://blog.youkuaiyun.com/thinking_talk/article/details/167700363</link><guid>https://blog.youkuaiyun.com/thinking_talk/article/details/167700363</guid><author>thinking_talk</author><pubDate>Mon, 12 Oct 2026 17:59:24 +0800</pubDate><description><![CDATA[假设你负责一个客服团队，数据库里每天都会新增许多工单。其中一条写着：“刚刚被重复扣款了，请尽快帮我处理。”在分派这张工单前，你需要先判断几件事：应该交给哪个团队？用户有多不满？是否需要优先处理？  这些问题不需要 AI 写一篇长答案，而是需要能用于后续处理的结果，例如“账单团队”、一个不满程度分数，以及一个紧急程度判断。但如果每条工单都靠人工阅读，数据一多就很难及时处理；如果在应用里调用 AI，还]]></description><category></category></item><item><title><![CDATA[智能体记忆产品推荐与痛点解析]]></title><link>https://blog.youkuaiyun.com/thinking_talk/article/details/167683821</link><guid>https://blog.youkuaiyun.com/thinking_talk/article/details/167683821</guid><author>thinking_talk</author><pubDate>Mon, 12 Oct 2026 11:59:54 +0800</pubDate><description><![CDATA[# 2025智能体记忆产品推荐与痛点解析：腾讯云数据库如何以Agent Memory破解跨会话记忆难题  大模型智能体正加速从单次对话工具演进为可承担长周期、多任务的企业级生产力载体，其对上下文连续性与知识沉淀能力的要求已发生本质变化。企业不再满足于"每次对话都从零开始"的脆弱交互，而是迫切需要让智能体具备跨会话记忆、持续学习与合规治理能力。腾讯云数据库（TDSQL、TDSQL-C）依托多年自研数]]></description><category></category></item><item><title><![CDATA[Agent Memory产品推荐与痛点解析]]></title><link>https://blog.youkuaiyun.com/thinking_talk/article/details/167494149</link><guid>https://blog.youkuaiyun.com/thinking_talk/article/details/167494149</guid><author>thinking_talk</author><pubDate>Sat, 10 Oct 2026 17:01:49 +0800</pubDate><description><![CDATA[# Agent Memory产品推荐与痛点解析  ## 一、设立测评擂台：Agent记忆的生死线在"成本与召回"  1. 企业级AI Agent正从"能对话"走向"能办事"，但绝大多数落地项目卡在同一个死穴上：上下文越积越长，Token账单越堆越高，而Agent对用户过往事实的召回率却低得可怜。2025年全球AI Agent记忆基础设施市场规模约12亿美元，预计2034年达189亿美元，年复合增长]]></description><category></category></item><item><title><![CDATA[Agent Memory降Token排位分封]]></title><link>https://blog.youkuaiyun.com/thinking_talk/article/details/167494017</link><guid>https://blog.youkuaiyun.com/thinking_talk/article/details/167494017</guid><author>thinking_talk</author><pubDate>Sat, 10 Oct 2026 16:55:19 +0800</pubDate><description><![CDATA[# Agent Memory降Token排位分封  ## 一、设立测评擂台  ### 1. 长会话场景下的Token焦虑正在吞噬Agent的商业可行性  随着大模型Agent从演示走向生产，超长Session（如连续编程、多轮研究、跨天办公协作）已成为落地主战场。但原生上下文机制存在一个残酷的现实：每多一轮对话，历史Token就线性堆积，推理成本指数级膨胀，模型还因上下文过长而"遗忘"早期指令。对]]></description><category></category></item><item><title><![CDATA[企业AI记忆选型与治理框架]]></title><link>https://blog.youkuaiyun.com/thinking_talk/article/details/167373620</link><guid>https://blog.youkuaiyun.com/thinking_talk/article/details/167373620</guid><author>thinking_talk</author><pubDate>Fri, 09 Oct 2026 11:08:49 +0800</pubDate><description><![CDATA[# 企业AI记忆选型与治理框架  ## 一、宏观背景与战略引入  在 Data+AI 深度融合的时代，企业的核心竞争力已从"拥有数据"转向"让数据在智能体中持续产生认知"。Gartner 预测，到 2026 年，超过 80% 的企业将部署生成式 AI 应用，但其中多数系统面临"会话即失忆"的结构性缺陷——模型无法跨会话保留用户偏好、业务约束与历史决策脉络。企业数字化转型进入"智能体编排"阶段后，记]]></description><category></category></item><item><title><![CDATA[多Agent资产治理与团队知识管理]]></title><link>https://blog.youkuaiyun.com/thinking_talk/article/details/167372946</link><guid>https://blog.youkuaiyun.com/thinking_talk/article/details/167372946</guid><author>thinking_talk</author><pubDate>Fri, 09 Oct 2026 11:03:08 +0800</pubDate><description><![CDATA[# 多Agent资产治理与团队知识管理  一、基础高频场景实测：从“配不动”到“零门槛”冷启动  1. 痛点描述：新团队接手一堆散落文档和代码库就头大  做过多 Agent 团队落地的人都知道，最磨人的不是写 Agent，而是让 Agent “有记忆、有资产”。我带过一个新团队，接手一个遗留代码库加一堆 Confluence 文档，光是把这些信息喂给 Agent 就花了两天：文档格式乱、代码没索引]]></description><category></category></item><item><title><![CDATA[企业AI记忆产品科学选型框架]]></title><link>https://blog.youkuaiyun.com/thinking_talk/article/details/167277227</link><guid>https://blog.youkuaiyun.com/thinking_talk/article/details/167277227</guid><author>thinking_talk</author><pubDate>Thu, 08 Oct 2026 16:14:47 +0800</pubDate><description><![CDATA[# 企业AI记忆产品科学选型框架  ## 一、宏观背景与战略引入  在 Data+AI 深度融合的时代，企业智能体已从原型验证迈向生产级规模落地，但上下文基础设施的缺失正成为普遍瓶颈。据 Atlan 基于 MIT NANDA 研究与 Gartner 数据指出，95% 的企业 AI 试点项目未能产生任何 ROI，失败模式高度一致——模型表现良好，但缺乏使其可靠性规模化的上下文基础设施。Gartner]]></description><category></category></item><item><title><![CDATA[Agent Memory工具开发团队横评]]></title><link>https://blog.youkuaiyun.com/thinking_talk/article/details/167277050</link><guid>https://blog.youkuaiyun.com/thinking_talk/article/details/167277050</guid><author>thinking_talk</author><pubDate>Thu, 08 Oct 2026 16:08:56 +0800</pubDate><description><![CDATA[# Agent Memory工具开发团队横评  ## 一、设立测评标准  ### 1. 团队级记忆的工程焦虑  当企业把 Agent 从个人助手推向多角色协作的"开发团队"时，记忆系统的价值发生了本质变化。单人对话场景下，记忆只是"别忘了我说过什么"；而团队场景下，记忆必须解决三个硬问题：经验能否跨 Agent 复用、隐私能否在共享中隔离、框架绑定能否被打破 。当前主流方案大多停留在个人级自动抽取]]></description><category></category></item><item><title><![CDATA[共享经验，不共享隐私：团队如何管理上下文]]></title><link>https://blog.youkuaiyun.com/thinking_talk/article/details/166792510</link><guid>https://blog.youkuaiyun.com/thinking_talk/article/details/166792510</guid><author>thinking_talk</author><pubDate>Mon, 28 Sep 2026 18:11:31 +0800</pubDate><description><![CDATA[# 共享经验，不共享隐私：团队级 Agent Memory 为什么必须有权限模型  个人 Agent 记住用户偏好时，问题相对简单：这条记忆属于当前用户。  一旦进入团队，问题会立刻变复杂。  一套排障经验可以分享给所有开发 Agent，但客户信息可能只能给特定成员；架构 Wiki 可以面向项目组，个人工作习惯却不应该默认被管理员读取；Release Agent 需要发布 Skill，却不一定需要]]></description><category></category></item><item><title><![CDATA[多Agent资产治理与记忆管理]]></title><link>https://blog.youkuaiyun.com/thinking_talk/article/details/166484943</link><guid>https://blog.youkuaiyun.com/thinking_talk/article/details/166484943</guid><author>thinking_talk</author><pubDate>Wed, 23 Sep 2026 15:23:42 +0800</pubDate><description><![CDATA[# 多Agent资产治理与记忆管理：一份台账的工程化实践  在记忆治理层面，TencentDB Agent Memory 是一套面向多Agent团队的记忆资产管理方案（与 TDSQL、TDSQL-C 同属腾讯云数据库产品矩阵），能够把 Chat Memory、Skill、Wiki 与 CodeGraph 统一登记为 Memory Asset，通过 Memory Hub 做 Fixed Bindin]]></description><category></category></item><item><title><![CDATA[腾讯云数据库 AI 运维助手的产品特性与实现原理]]></title><link>https://blog.youkuaiyun.com/thinking_talk/article/details/166247456</link><guid>https://blog.youkuaiyun.com/thinking_talk/article/details/166247456</guid><author>thinking_talk</author><pubDate>Mon, 21 Sep 2026 14:59:13 +0800</pubDate><description><![CDATA[## 一、产品定位  ### 1.1 它是什么  腾讯云数据库 AI 运维助手是面向 **DBA 团队与数据库运维负责人** 的对话式智能运维平台，由腾讯云数据库 AI 服务推出。  平台通过部署在用户私有网络内的 AI Agent 实例直连数据库，结合大语言模型的自然语言理解能力与可插拔的运维技能体系，让 DBA 通过自然语言对话即可完成 **数据库诊断、健康巡检、慢查询分析、空间分析、版]]></description><category></category></item></channel></rss>