本文介绍 OpenWiki 如何构建自我修正的记忆系统。传统记忆系统难以发现知识过时，导致记忆漂移和污染。OpenWiki 通过记录 wiki 页面中的事实性声明及其在代码中的支撑证据，并追踪证据版本，在代码变更时将相关声明标记为过时。每次更新前进行确定性的过期检测，由 Agent 在读取页面时重新验证或修正声明，形成自我修正反馈循环。该系统通过 OKF v0.2 格式使声明与溯源信息可移植。评估显示，声明运行时使过时声明从 80 降至 9，幻觉声明从 15 降至 0，且更新成本随代码变更量而非声明总数扩展。
文章介绍如何用 Grok Bot 在云端构建一个持续运行的“第二大脑”，解决每次与 AI 对话都从零开始的痛点。作者借鉴 Andrej Karpathy 的知识库理念，通过 7 步课程指导读者：用已发送邮件生成个人档案与写作风格文件、用 /workspace 文件夹而非聊天记忆存储慢事实、设置云端 routine 自动归档 Gmail 新材料、每天早晨生成一页摘要、将笔记转化为成品、通过规则固化纠正，最后提供一键粘贴的完整搭建方案。强调文件优于聊天记忆、云端机器人可 24 小时工作，引用 Kevin Rose 的实例佐证。
文章针对 AI Agent 开发中记忆缺失、RAG 低信噪比切片、状态冲突与多主体污染三大痛点，测评了 EverOS Cloud（API v2）这一 Agent 记忆操作系统。核心机制包括语义事件切割、记忆整合消解冲突、多主体严格隔离，在 LoCoMo 基准上达 93.05% SOTA，减少 90% 以上 Token 消耗。其自进化技能引擎可将任务执行链路沉淀为 Case 并蒸馏为可复用 Skill，任务成功率最高提升 234.8%。接入仅需两行核心调用，支持记忆治理 API、多模态资料挂载、MCP 协议兼容 Claude Code 等工具，以及云/本地双模部署。作者认为其适合需要跨会话跟踪意图与沉淀业务 SOP 的场景。
文章介绍了 UT Dallas 的新论文 Jev-Mem，提出用 TypeSafe AI 的 Jev 模型替代通用 LLM 来处理 Agent 记忆系统中的小决策（如判断消息类型、记忆关联、检索终止等）。Jev 只返回结构化数值或标签，无需解析文本，通过 System One 轻量控制器与 System Two 生成式 LLM 的分工，显著提升效率。在 LoCoMo 基准上，答案质量相对最强基线提升 11%，构建速度快 6.6 倍，查询延迟降低 36.7%。文章也指出其局限：阈值依赖单一模型与基准、缺乏校准概率、消融实验不足，阈值在不同模型和数据分布下的泛化能力是最大隐患。
文章介绍 Nowledge Mem 团队受 TypeSafe 团队的 Jev 决策模型启发，在记忆系统中将“决策”与“生成”分离的实践。团队把候选记忆审查、写入质量检查、记忆类型分类等语义判断拆分为独立问题，通过 DecisionClient 让 Jev 与聊天模型回答相同问题集。消融实验表明，问题列表式任务重构即使不更换模型也能显著提升判断准确率，且无需要求模型输出理由——输出理由使成本增加约35%、延迟翻倍却无质量收益。作者将 Jev 类模型视为低延迟智能协处理器，可分担系统中的语义决策，如同反射与自主神经系统分担大脑工作。
本文是 Hermes Agent 的常见问题解答合集。作者在首次发布后收集了社区 100 多条回复中最常出现的问题，结合 Reddit、X 和 Discord 上的高频提问，整理成一篇 FAQ。内容涵盖核心概念（session、project、profile、bot）、四大配置文件（SOUL.md、AGENTS.md、MEMORY.md、USER.md）、模型选择与切换、首次使用建议、远程服务器连接、成本优化、记忆机制、本地部署的硬件要求与常见问题（工具调用失效、首条消息慢、上下文窗口过小导致遗忘）以及子代理使用不同模型等高级用法。所有答案均经过官方文档核对，适合新老用户快速上手和排障。
本文提出一套系统性的Agent语义工程蒸馏方法论：从模型API请求终点出发，通过逆向溯源、注入源穷举、工具三层分析（引导、行为包装、结果封装）、多agent协作语义、记忆定义、时间轴动态策略、语言表达分析等维度，深入提取Agent框架的上下文组装与语义设计模式。文章还涵盖框架强相关与通用指导的区分、基于提交历史等证据的开发者意图推断，以及以世界观塑造为首要标准的评价体系，为学习和迭代Agent harness提供全局认知框架。
作者分享了如何借助 AI 进行写作：坚持“用 AI 辅助写作”而非“让 AI 代写”，文字必须出自本人。他用 LLM 加速研究，通过自建的 researcher skill 结合 Exa、Hacker News、内部仓库和 Slack 等工具寻找真实、可引用的案例，并要求来源和引语以抑制幻觉。在草稿阶段，AI 充当文档内搜索和研究伙伴，帮助补充例子、验证事实、发现盲点。他强调写作者应多实验 AI 用法，而非因 AI 垃圾内容而全盘否定。
文章剖析了标准 RAG 在处理新旧事实冲突上的结构性缺陷：向量检索没有时间轴、不理解'取代'关系，只能把矛盾甩给模型猜测。作者提出时序上下文的四个核心机制——有效期标记、取代关系、软删除与遗忘、审计日志与证据链，并以 Graphiti 和 OpenContext 两条开源路线为参照讲解落地方式。OpenContext 提供基于时序上下文图的 remember/recall/improve/forget 四动词 API，在数据层解决事实过期问题；Graphiti 则专注作为可插拔的时序知识图谱记忆引擎。文末用律所预算变更案例演示了完整代码流程。
文章分享了作者使用LLM代理管理和维护个人知识库（Obsidian Vault）的3个月实践经验。通过分离原始资料与生成内容、定义单一知识流向、统一页面模板以及基于情境的文件夹组织，作者成功将维护工作委托给代理，解决了传统第二脑因维护成本高而失效的问题。
OpenWiki 0.2 版本引入了 Google Cloud 提出的 OKF 规范，通过 YAML front matter 为代码库 Wiki 添加结构化元数据。新版本支持生成 index.md 和 logs.md，提升了文档的导航性、检索效率以及编程代理的上下文获取能力，同时兼容开源生态系统工具。
文章以「好记性不如烂笔头」为喻，深入剖析了 AI 助手 WorkBuddy 的三层记忆架构（云端画像、本地长期记忆、工作区日志）。通过对比传统 AI 的「金鱼式」失忆，阐述了长程任务中「读写外部文件」优于单纯依赖上下文窗口的原理。同时，文章探讨了记忆与身份层如何赋予 AI 连续性，并与 OpenClaw 进行了横向对比。
本文介绍了一种为编码 Agent 添加持久记忆的轻量级方案。针对 Agent 上下文窗口有限且容易遗忘历史信息的问题，作者选择了开源项目 EverOS。与传统的黑箱向量数据库不同，EverOS 将记忆存储为本地 Markdown 文件，透明且可编辑。文章详细讲解了从环境准备、安装初始化到验证记忆写入与检索的全过程，帮助开发者在半小时内赋予 Agent 跨会话的长期记忆能力。
