一、RAG 的真相：48% 的失败率被藏起来了 二、Context Window 革命：1M 已成标配 三、Wiki 模式：不是复古，是重新对齐 四、六维度拆解：RAG 和 Wiki 到底差在哪 五、决策框架：什么时候选什么 六、收束：误区、行动建议、一句话结论 本文首发地址 https://h89.cn/archives/620.html 2024 年，每个做 AI 知识库的人都在说 RAG。检索增强生成，Retrieval-Augmented Generation，这串字母组合几乎成了企业知识管理的唯一答案。搭一个向量数据库，把文档切成块，灌进 Embedding 模型，再套个重排器——恭喜你，拥有了一个"AI 驱动"的知识库。 但 2026 年 4 月，OpenAI 联合创始人 Andrej Karpathy 发了一条 X 帖子，描述自己怎么用一组

- 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 -

记忆的 1.0 时代：手动贴便签 (Agents.md) 记忆的 2.0 时代：从手动注入到持久化管理 技术深挖：应用层记忆，不等于模型层“有状态” Memory 常见是怎么实现的？ 这对开发者意味着什么？ 总结 本文首发地址 https://h89.cn/archives/534.html 最近在使用 Trae.ai 的时候，很多开发者可能都注意到了 Agent 侧边栏那个 Memories 图标。 如果你曾经为了让 AI 记住项目规范，不得不在每个对话框里重复“请使用 Compose 开发”“注意内存对齐”，那你大概会直观地感受到：记忆能力一旦做得好，交互成本会明显下降。 今天我们就来聊聊：AI 的记忆机制，是怎么从“手动补上下文”演进到“可复用的记忆管理”的？ 记忆的 1.0 时代：手动贴便签 (Agents.md) 在 Trae、Cursor、Claud

- 阅读剩余部分 -