一、四强并立 二、BYTEROVER：让 LLM 自己管理记忆 三、MemPalace：verbatim 哲学的极端实践 四、Mastra OM：极简架构反而最高分 五、四系统横向对比 六、benchmark 分数不是选型依据 七、选型建议 八、结语 本文首发地址 https://h89.cn/archives/597.html 2025 年 12 月，Hindsight 发了一篇论文，宣布自己在 LongMemEval 和 LoCoMo 两个 benchmark 上拿下 SOTA（State-of-the-Art）。Virginia Tech 复现了，The Washington Post 也复现了。MIT 开源，SDK 完整，Fortune 500 在用。 五个月后，它的 SOTA 位置已经被三个新系统抢走了。 但这不重要

- 阅读剩余部分 -

一、Agent Memory 的困境：RAG 和 Knowledge Graph 都卡在哪 二、Hindsight 的解法：仿生记忆三层架构 三、LLM 在 Hindsight 里不是只负责"聊天" 四、三个核心操作：Retain、Recall、Reflect Retain：不只是"存"，而是"理解后存" Recall：四路检索 + 融合 + 重排 Reflect：从"回忆"到"学习"的关键 五、实战：5 分钟跑起来 纯嵌入模式（不用跑服务） 给 Claude Code 加记忆 六、性能数据：SOTA 是真的，但竞争在加剧 七、适合谁，不适合谁 八、总结 参考文献 本文首发地址 https://h89.cn/archives/598.html 你的 AI 客服记住了用户上周的问题，但再次遇到类似投诉时，它还是会按标准话术回复，

- 阅读剩余部分 -

一、AI 读不懂 PDF，很多时候不是 AI 的锅 二、PP-OCRv4：快是真快，坑也是真的多 跑起来之后的惊喜 但结果让我哭笑不得 代码写得我头大 三、DeepSeek-OCR-2：让 VLM 来收拾残局 效果确实好了 但速度让我回到了拨号上网时代 同模型换后端：Ollama 四、PaddleOCR-VL-1.5：两手都要抓 架构设计很聪明 体验出奇地好 五、实测数据一图看清 六、优化验证：速度提升后，质量有没有垮？ 优化前后耗时对比 代码改动记录 七、那些让我想摔键盘的坑 PP-OCRv4 的五连坑 DeepSeek-OCR-2 的坑 Ollama 的坑 PaddleOCR-VL-1.5 的坑 八、到底该选谁？ 九、写在最后 本文首发地址 https://h89.cn/archives/596.html 测试设备：NVIDIA RTX

- 阅读剩余部分 -

整体架构 核心模块拆解 1. 多源采集：配置化接入，不硬编码 2. 热点发现：Embedding + DBSCAN 3. LLM 提炼：从 N 篇文章到 1 个结构化事件 4. 热度评分：不只是计数 5. 去重：48 小时滑动窗口 6. 实时推送：SSE 比 WebSocket 简单 踩过的坑 技术启示 参考文献 本文首发地址 https://h89.cn/archives/595.html 这个五一我哪也没去，在家把一个想了很久的项目做完了。 事情是这样的：每天早上刷 Twitter、Hacker News、微博、知乎、36氪……每个平台都有自己的热点，但它们散落各处。更烦的是，算法推荐的"猜你喜欢"往往让真正重要的事件被淹没在信息流里。刷半小时，感觉看了很多东西，但脑子里一团浆糊。 我不是缺新闻，我是缺组织好的信息。 五一假期第一天，我脑子里突然闪过一个念头：

- 阅读剩余部分 -

两张进化网络，还是两张孤岛 EvoMap：让 AI 的经验不再是一次性的 Hermes：每个实例都是一座孤岛 结构性困境：指数打线性，差距只会越来越大 Hermes 补得上这个差距吗 一份技术对比报告 时间线：晚了 5 周以上 三层记忆体系精确对应 12 组术语，一对一替换 10 步主循环，步步对齐 Hermes 的回应 接回去：为什么接入网络等于自曝 一个更大的问题：开源协议在 AI 洗代码面前失效了 后续 Evolver 的一段插曲 参考文献 本文首发地址 https://h89.cn/archives/589.html 你花三小时调通了一个 Python 环境报错，隔壁同事遇到同样的坑，还是得从头踩一遍。 AI Agent 也一样。经验怎么传承？这个问题，EvoMap 和 Nous Research 给出了完全不同的答案。 EvoMap 的 E

- 阅读剩余部分 -

背景 架构：两种完全不同的部署模式 hermes memory setup 向导干了什么 实际配置步骤（local_external 模式） 第一步：起 Hindsight Docker 第二步：让 Hermes 知道连哪个 第三步：验证写入 Memory 使用流程：retain / recall / reflect 是怎么配合的 三个核心工具 记忆是怎么流转的 实际对话示例 怎么查记忆（手动验证） 怎么删/修正错误记忆 bank_id 是干什么的 什么情况下记忆会失效 资源消耗：每次对话都占很多资源正常吗 延迟 retain 和批量写入：当前不支持 Bug #7718：local_embedded 的静默失败 参考 本文首发地址 https://h89.cn/archives/584.html 我

- 阅读剩余部分 -

为什么大项目最后都卡在 Issue 队列上 它不是自动关单，而是一条保守的维护流水线 它到底关什么，放过什么 真正值钱的，不是模型，是并行和审计 模型重要，但还不是最关键的东西 这件事真正打到痛点的地方 最后说透四点 参考文献 本文首发地址 https://h89.cn/archives/582.html 开源项目做到后面，最容易把人拖垮的，往往不是写代码，而是清 Issue。 你以为维护者最怕的是线上事故？很多时候不是。真正磨人的，是早上打开 GitHub，先看到几千个没处理的 issue 和 PR，红点一片，根本不知道该从哪下手。 ClawSweeper 抓人的地方，也不是“AI 一键关 Issue”这种热闹标题，而是它把这件只能靠人硬扛的脏活，做成了一条能审计、能回滚、能长期跑的流水线。 公开仓库里的审计数据显示，Cla

- 阅读剩余部分 -

先说结论 一、ADB：最底层、最可控的方案 二、uiautomator2：Python 圈的自动化神器 三、多模态 Mobile Agent：最接近"自动驾驶"的路 AppAgent（2023.12）— 多模态 Agent 开创性工作 四、最成熟可用的开源方案：mobilerun 五、实际踩坑：为什么你的 AI 手机控制总是翻车 1. 截图质量决定一切 2. 界面动态内容让 LLM 困惑 3. 隐私数据脱敏 4. 国产定制系统的兼容性问题 六、我的判断 参考文献 本文首发地址 https://h89.cn/archives/580.html 上周我把公司项目跑在 AI 手机控制上，结果有点意外——不是惊喜，是意外。 说白了，现在 AI 控制手机这事，概念很火，但真刀真枪跑起来，要么是玩具，要么是半成品。本文把目前所有主流技术路线摸了一遍，从 ADB

- 阅读剩余部分 -