最新

我花了数周时间研究 Cognee、Graphiti 和 Neo4j 的 `agent-memory` 如何构建它们的代理记忆架构。它们都采用了相同的重型知识图谱设计：本体、LLM 提取管道、去重等。 我非常想将它们用于个人用途，但这看起来是一个非常笨重的设置，会增加很多阻碍和孤岛。而且，感觉我的数据被困在他们的服务中，价值却不高。 这就是为什么我的“长期记忆”仍然存在于 Obsidian、Readwise 和 Google Drive 中，而代理的记忆则是每个项目的 LLM Wiki。没有基础设施。我对此很满意。 它们将记忆作为产品提供，在我看来，在个人或小型规模上，这是过度设计了。你可以通过 LLM Wiki 记忆中的普通 `.md` 文件来构建相同的“知识图谱”体验。 但即便如此，图谱仍然很强大，所以我将 Cognee、Graphiti 和 Neo4j `agent-memory` 堆栈的相同架构应用于构建一个数据挖掘工具，只使用了 MongoDB、VoyageAI 和 Gemini Flash。但我将其范围限定在一个非常具体的问题和本体领域，以避免知识图谱的噪音。 另一方面，如果你想在中大型规模上发布产品，那么开始使用 Neo4j、Zep 或 HydraDB 这样的庞然大物是有意义的。 但我很好奇：你的长期记忆设置是什么？Obsidian + LLM Wiki 还是 Cognee/Graphiti/Zep？你实际上使用 Cognee 或 Zep 这样的工具吗？ 如果你好奇 Cognee、Graphiti 和 Neo4j 的 `agent-memory` 在底层是如何工作的，我在这里写了一个完整的分解：https://www.decodingai.com/p/unified-memory-from-scratch-knowledge-graphs

你好 HN， 5 个月前，我发布了一个早期版本的浏览器视频编辑器（<a href="https://news.ycombinator.com/item?id=46959456">https://news.ycombinator.com/item?id=46959456</a>），它不依赖于云后端。我希望找到一个解决方案，不仅能编辑视频，还能将我完整的 Adobe、Ableton、Blender 工作流整合到一个浏览器应用程序中。对我来说重要的是，几乎所有东西都能实时运行，并能高效利用用户系统的 GPU。尽管我必须承认，当你习惯了 16 年的工作方式后，任何

OpenAI 的人们就像“你们喜欢子代理？隆重推出：子代理 2！！”然后就只是同样的东西，完全移除了透明度，所有输出都加密了，这真是太酷了。