想自己手搓点账号自用，但信息太碎片化，不知道如何下手，请大佬们多多指教。 1 个帖子 - 1 位参与者 阅读完整话题
最近视频推荐算法总给我推荐学习视频，短视频看多了，我发现讲的都差不多，自己没总结忘了又看看了又忘没什么用。。。 尝试写个帖子总结下~ 首先是建立框架，然后按照知识点填充。对于解题应该思考题目的，和考察的知识点出发，就是需要从本质出发，自己需要梳理脉络，不至于a题会了，考b题同一个知识点就不会了，对于一道题目，可以多想几种解题方法，将零散的知识建立连接。多感官学习，有些需要记忆的学科，比如历史语文，这种他是自己将知识点读一遍，然后吃饭听，走路听，慢慢的都记住了。我自己觉得方法很重要，但是实际上要付出的时间也非常重要。 想要比较好的掌握，还是需要输出，在输出的过程中，建立知识的链接，更深入的理解知识。捕获，整理，输出。 之前总是在第一步和第二步，天天收藏资料，手机内存一直涨，现在都用的1T的内存了，不得不说1T的手机内存，安全感真强。。。。 1 个帖子 - 1 位参与者 阅读完整话题
Huainova公益站里面有一个game板块，抽奖攒够了注册码碎片，因此在这里送一个注册码给各位（实则是不会用LDC交易）。希望各位佬能说一下自己的用途，我看看随机私信给一个人吧。 15 个帖子 - 10 位参与者 阅读完整话题
想知道大家有利用 ai 进行成体系的学习吗？目前感觉用起来还是太碎片化了？大家是如何利用 ai 来辅助学习的？以及最重要的一点，大家觉得效果如何？ 6 个帖子 - 5 位参与者 阅读完整话题
攒了好多天，抽奖碎片终于可以兑换huainova站的注册码了，请问有没有人知道，站点的注册码支不支持邮箱注册呀，如果支持的话我就自用了，不支持的话，LDC出给佬友也可以。 3 个帖子 - 2 位参与者 阅读完整话题
IT之家 5 月 23 日消息，2026 年 5 月 23 日上午 9 时，神舟二十三号载人飞行任务新闻发布会在酒泉卫星发射中心召开，中国载人航天工程新闻发言人、工程办公室综合计划局局长张静波介绍了本次任务的相关情况。 去年底，中国载人航天工程实施了首次应急发射任务，备受国内外关注。对于经历了这次实战检验，主要积累了哪些成果经验，张静波进行了回答。据其介绍，此次任务，在 20 天内稳步高效完成了应急处置工作。主要收获： 一是充分验证了“打一备一”滚动备份策略的科学性有效性。载人航天工程始终保持强烈的风险意识和底线思维，自 2021 年空间站在轨建造启动以来，始终按照“打一备一”方案组织任务实施。面对突发情况，任务总指挥部最快速度调动力量，最大限度统筹资源，迅速制定航天员乘组返回和飞船应急发射方案，按计划实现了航天员安全返回、备份飞船成功对接空间站，在实战中全面检验了滚动备份策略的科学性、完备性和有效性，为空间站长期安全运行积累了宝贵经验， 也为国际航天领域高效应对突发事件提供了成功范例 。 二是更加强化了确保航天员生命安全的发展理念。历次任务，工程全线始终把确保任务安全特别是航天员生命安全作为根本出发点和落脚点，风险评估坚持最坏情况假设、最高标准衡量，通过重大风险考验，进一步强化了载人航天人命关天的意识，进一步锤炼了严慎细实、万无一失的作风。 三是对空间碎片形势和在轨飞行器空间碎片的防护要求有了更加深刻的认识，为后续管控和应对此类风险积累了宝贵的实践经验。 即将发射的神舟二十三号载人飞船舷窗空间碎片防护方面已进行了适应性改进 ，增强了神舟载人飞船防护空间碎片的能力。 据IT之家此前报道， 神舟二十号载人飞船原计划 2025 年 11 月 5 日实施返回任务 ，但疑似遭空间微小碎片的撞击，舷窗出现裂纹。经专家团队综合研判，指挥部作出决策：神舟二十号不再执行原定返回任务，转为留轨继续开展科学试验。 2025 年 11 月 25 日 12 时 11 分，在我国酒泉卫星发射中心， 神舟二十二号飞船顺利升空 ，经过 3.5 小时飞行后，顺利抵达中国空间站。这是中国载人航天工程的首次应急发射。从神舟二十号飞船遇到异常情况，到完成神舟二十二号飞船应急发射，只用了 20 天。
IT之家 5 月 21 日消息，据“中科院之声”公众号，近日，中国科学院上海技术物理研究所领衔的研究团队，利用嫦娥六号任务从月球背面带回的宝贵样本，为月球化学“拼图”补上了关键“碎片”， 成功绘制出迄今为止最精确的月球全球化学成分图 。 IT之家从官方介绍获悉，这项研究为未来的月球探测，特别是对月球背面最大、最古老的“南极-艾特肯盆地”的探索，提供了全新“导航图”。 一、借 AI 破题 如何让月球背面的样本校准覆盖月球全球的遥感数据？科研人员采用了一套巧妙的策略。 不同的化学成分就像不同的“指纹”，会留下独特的光谱痕迹。研究团队首先获取了月球轨道器拍摄的高分辨率 多光谱图像 ，捕捉了月球表面在不同波长的光谱特征。 但光谱“指纹”与精确的化学成分含量（如铁、钛等主量元素氧化物的含量）之间，存在极其复杂的非线性关系，无法通过简单计算直接推导。 为破解这一难题，研究团队引入了残差卷积神经网络这一人工智能深度学习（AI）模型，将包括嫦娥六号样本在内的所有已知月球采样点数据输入模型，通过交叉验证反复检验优化，让 该模型在月球正面与背面样本的共同约束下 ，深度学习光谱特征与化学成分之间的映射关系。 经过“特训”的 AI 模型，如同掌握了全新解题逻辑的“学霸”，对全月球遥感数据进行解析时，就能更精准地“解码”出月表风化层的化学成分，让遥感数据的解读精度实现质的提升。 基于新模型，研究团队绘制出由月球背面样本校正的首幅高分辨率月球主量元素氧化物含量分布图， 铁、钛、铝、镁、钙、硅等关键元素氧化物的分布清晰可见 ，诸多新发现刷新了人类对月球背面的成分认知。 ▲ 新一代月表主要氧化物含量分布填图 二、月背原来是这样的 修正月球背面“高地”成分认知。 月球背面主要由古老的“高地”构成。新地图显示，这些高地的化学成分与全球平均值相比，呈现出富铝、富钙，低铁、低钛的特征，这与“原始月壳”特征高度契合。同时，研究发现，在月球背面高地上， 镁质斜长岩 、镁质岩套等富镁岩石的出露面积约占月球背面高地面积的 40%，远高于此前认知。这一发现挑战了此前的“高地以铁质斜长岩为主”的观点，为学界理解月球早期岩浆洋演化提供了新证据。 重新勾勒南极-艾特肯盆地边界。 直径超 2500 公里的南极-艾特肯盆地，是月球背面的巨型撞击坑，也被称作太阳系最大的“疤痕”之一，其内部物质或源自月球深部。新地图精确地描绘了该盆地内部不同区域的成分差异：盆地边缘的镁质辉石环带边界，比此前认知的范围更广，意味着当年的巨型撞击，挖掘出了比预想中更多的月球深部甚至月幔物质；而盆地中心富钙、富铁区域的范围则有所缩小，这为科学家准确判断撞击后的火山活动规模提供了精准的成分依据。 ▲ 多尺度月球成分组成与演化解译 三、为继续探月指路 嫦娥六号带回的 1935.3 克月球背面样本，不仅是极具科研价值的月球“土特产”，更是校正全月球遥感数据的“标准色卡”。 这项研究定量揭示了月球背面，尤其是南极-艾特肯盆地这一关键区域的物质组成，为未来寻找月球深部物质、精准选择着陆点、乃至解开月球早期演化之谜，提供了至关重要的科学依据和“导航”指南。 参考 Refined lunar global chemistry mapping using farside ground truth information gathered by Chang’e-6
如图, 空会话输入<think, 看起来像是进入了谁的会话碎片? 原来是幻觉 7 个帖子 - 6 位参与者 阅读完整话题
如图,现在对deepseek发送<think即可获得他人聊天碎片 12 个帖子 - 9 位参与者 阅读完整话题
在碎片化娱乐时代，越来越多用户正在寻找一种无需下载、打开即玩、永久免费的轻量级游戏体验。如果你正在搜索“免费在线小游戏”“无需安装的网页游戏”“休闲益智游戏推荐”“打发时间的手机小游戏”，那么你很可能正在寻找一个真正高质量的游戏平台——Zorqia 小游戏站。 Zorqia 正是这样一个为全球玩家打造的免费在线小游戏平台，集合了海量热门 HTML5 游戏，覆盖益智、动作、策略、IO 、卡牌、文字等多种类型，让你无需注册、无需下载、打开浏览器即可畅玩。 一站式免费小游戏平台，随时随地即点即玩 Zorqia 最大的特点就是：完全免费 + 无需下载 + 即开即玩。无论你是在上班摸鱼、通勤路上，还是晚上放松时，都可以快速进入游戏世界。 平台内包含大量高人气经典游戏与创新玩法，例如： 经典数字合并游戏 2048 系列（含 3D 版、魔方版、迷宫版等） https://www.zorqia.com/series/2048 全球经典逻辑游戏 Minesweeper （扫雷） https://www.zorqia.com/game/e7953979ad835859bb99410853c87167 数字逻辑巅峰 Sudoku （数独） https://www.zorqia.com/series/sudoku 永不过时的街机神作 Tetris （俄罗斯方块） https://www.zorqia.com/series/tetris 轻松上瘾的纸牌合集 Solitaire （接龙系列） https://www.zorqia.com/series/solitaire 经典贪吃蛇玩法 Snake Pro https://www.zorqia.com/series/snake 词汇挑战类热门游戏 Wordle 系列 https://www.zorqia.com/series/wordle 这些游戏全部可在浏览器中直接运行，真正实现“点开即玩”的极致体验。 SEO 热门关键词全覆盖：轻松找到你想玩的游戏 Zorqia 小游戏站天然覆盖大量高流量搜索词，包括但不限于： 免费在线小游戏 无需下载游戏 休闲益智游戏推荐 2048 在线玩 扫雷游戏网页版 数独在线免费 俄罗斯方块在线玩 纸牌接龙游戏 打发时间小游戏 HTML5 网页游戏大全 unblocked games free 无论用户搜索什么类型的小游戏，都可以在 Zorqia 中快速匹配到对应内容，大幅提升“搜索即到达”的效率。 丰富游戏类型，满足所有玩家偏好 Zorqia 不仅仅是一个游戏站，更是一个全品类轻游戏生态： 🧠 益智类游戏 如 2048 Qube( https://www.zorqia.com/game/4b9d79773e7dd00344fd177187984e22)、Minesweeper Classic( https://www.zorqia.com/game/1131b442844256de1ce55e748a20da2c)、Word Search 2025( https://www.zorqia.com/game/dc206b865de3b71e3978999251b46754 ) 强调逻辑、空间推理与思维训练，非常适合提升专注力。 🃏 纸牌与休闲游戏 Spider Solitaire( https://www.zorqia.com/game/1dc7d2f03707db36d2c6ec2bf354cd32)、Free Cell Solitaire( https://www.zorqia.com/game/ab37c6e20f981422527fb66ddb484e63)、Tripeaks Solitaire Classic( https://www.zorqia.com/game/91637ffdc92dbf9dae19a74df70030cc ) 轻松上手，适合碎片时间放松大脑。 🔢 数字与策略游戏 2048 Cube Merge( https://www.zorqia.com/game/4b9d79773e7dd00344fd177187984e22)、2048 Snake( https://www.zorqia.com/game/325cc547726e0a3ab26857e2f2608151 ) 将经典玩法进行创新融合，带来更高挑战性与策略深度。 🎮 动作与反应类游戏 Typing Fighter( https://www.zorqia.com/game/87736a675ca1a4842a1638eb55325a5e)、99 Balls Evo( https://www.zorqia.com/game/ba62599979d5b239adefab686a3fd0db ) 将操作、反应与趣味结合，适合喜欢快节奏体验的玩家。 为什么越来越多玩家选择 Zorqia ？ 在众多小游戏平台中，Zorqia 之所以脱颖而出，核心原因在于： 1. 完全免费，无广告干扰（或极少干扰体验） 用户无需付费即可畅玩全部游戏内容。 2. 即开即玩，无需安装 节省手机/电脑空间，打开网页即可进入游戏。 3. 游戏更新快，内容丰富 持续新增热门小游戏与系列版本，例如 2048 扩展玩法、纸牌合集等。 4. 适配移动端与 PC 端 无论手机还是电脑，都能流畅运行。 5. 覆盖全球热门小游戏趋势 紧跟“休闲游戏”“益智游戏”“轻竞技游戏”搜索趋势。 适合所有人群的免费娱乐平台 无论你是学生、上班族还是游戏爱好者，都能在 Zorqia 找到适合自己的游戏： 想放松 → 选择纸牌与休闲类游戏 想挑战 → 选择数独、扫雷、2048 想快速娱乐 → 选择 IO 或动作小游戏 想练脑力 → 选择逻辑与词汇类游戏 结语：免费小游戏的最佳选择 如果你正在寻找一个真正免费、无需下载、游戏丰富、体验流畅的小游戏网站，那么 Zorqia 小游戏站无疑是一个非常值得收藏的平台。 从经典的 2048 到策略扫雷，从轻松纸牌到快节奏动作挑战，这里几乎覆盖了所有热门网页小游戏类型。 👉 立即访问 Zorqia 开启你的免费在线小游戏之旅。
大家好，开源一个自己折腾的桌面端 AI Agent 项目： Magi 。 GitHub Repo： Github 。 为什么要做 Magi ？ 开发这个项目的念头，起因于去年尝试做的一款日记应用。当时期望通过对日记进行行为与情感分析，让 AI 刻画出用户画像，从而提供更有温度的交互。推进过程中遇到了明显的瓶颈：大部分用户根本不会主动表达日常操作习惯。日记能留存生活中的“大事”，对“稀松平常的小事”无能为力。 今天又加班到了凌晨 1 点，其实完全没我啥事，就硬等前端把接口调完。不过靠我精湛的摸鱼技巧，在公司爽看了 3 集 MyGO ，还听了好久周杰伦的新专。 这段平凡的经历，几个月后你或许还记得当晚的加班。至于期间看了什么剧、听了什么歌、当时的情绪状态，往往会彻底遗忘。 Magi 的核心目标正是解决这一痛点。它作为一个桌面 Agent ，通过接入浏览器记录、媒体播放、照片库、日历、Git 提交等外部传感器数据，将这些被动产生的操作痕迹，汇聚成用户个人的长期记忆时间线。 长期记忆能力 为什么不能直接使用向量库？ 很多系统所谓的长期记忆，最后都变成了“把记录切块丢进向量库”。在桌面端高频传感器场景下，这种做法会带来灾难性的后果。 以一个中度使用的开发者为例，每天的 API 对话、终端操作、网页浏览记录、媒体访问记录可达 3000 条。如果全量存入并做索引： 原始记录体积预估：22GB - 66GB / 年 带来后果：本地存储成本爆炸，且在回答“我现在住在哪里”等问题时，极易召回 AI 自己曾经的错误推测（回音室污染）。 五层生命周期的本地记忆架构 要支撑海量被动数据的摄入并保持检索的可用性，Magi 在本地构建了一个五层（ L0-L4 ）生命周期的记忆架构。 L0 工作记忆：维持当前对话和任务的临时状态。 L1 事件记忆：将对话、终端命令、日历、Git 提交等碎片信息，规范化为带有来源和时间戳的底层事实证据。 L2 知识记忆：从 L1 中提取出实体、状态和关系。系统严格区分用户明确表达的事实与 AI 推测的结果，避免相互污染。 L3 摘要反思记忆：按天/周对海量碎片进行降采样和总结压缩。 L4 技能记忆：记录工具调用的成功率与报错特征，具备错误路径熔断机制，让 Agent 积累做事经验。 目前这套记忆检索链路在 LongMemEval 评测集上跑到了 87.2% 的准确率。关于整个记忆的构建思路，我也写了一篇文字这博客里。 赋予 Agent 真实的“生命感” 在这个记忆底座之上，为了让 Magi 真正像一个“伴侣”运作，交互层创新性实现了两个机制： 1. 告别机械对答的自然节奏回复 传统大模型的回复是严格的 1 对 1 同步模式。Magi 增加了一个后置的切片链路，会将长段的回复拆解，模拟真人的输入停顿，按多段、有延迟的异步方式发送给用户，大幅降低“机器感”。 2. 动态人格跃迁及深层人格 Agent 的人格设定支持深度自定义，并与记忆系统的 L2 状态层打通。当底层观察到用户处于高压或焦虑状态时，即使是偏向“搞笑”的人设，也会自动平滑跃迁至温和安抚状态。随着互动时间的拉长和特定里程碑的触发，还会解锁深层的人格维度。 产品状态与相关链接 在产品形态上，Magi 提供了一个开箱即用的桌面客户端。所有应用数据和记忆数据库默认保存在本地。除了正常的 LLM API 调用，系统没有任何外部数据上报逻辑。 项目目前处于 Beta 阶段，核心的记忆分层链路和基础传感器均已完整跑通，提供开箱即用的 macOS 安装包。由于系统的复杂性，实际运行中可能会遇到一些预料之外的 Bug 。如果你在体验中发现任何问题，欢迎随时在 GitHub 提交 Issue ，我会第一时间跟进修复。 对 Agent 底层逻辑或记忆架构感兴趣的 V 友，欢迎下载体验并查阅源码。期待各位的 Issue 和 PR 。 相关链接 Github Repo： Github 。 Github Release: Github Releases 。 记忆系统详细架构： 记忆架构
大家好，开源一个自己折腾的桌面端 AI Agent 项目： Magi 。 GitHub Repo： Github 。 为什么要做 Magi ？ 开发这个项目的念头，起因于去年尝试做的一款日记应用。当时期望通过对日记进行行为与情感分析，让 AI 刻画出用户画像，从而提供更有温度的交互。推进过程中遇到了明显的瓶颈：大部分用户根本不会主动表达日常操作习惯。日记能留存生活中的“大事”，对“稀松平常的小事”无能为力。 今天又加班到了凌晨 1 点，其实完全没我啥事，就硬等前端把接口调完。不过靠我精湛的摸鱼技巧，在公司爽看了 3 集 MyGO ，还听了好久周杰伦的新专。 这段平凡的经历，几个月后你或许还记得当晚的加班。至于期间看了什么剧、听了什么歌、当时的情绪状态，往往会彻底遗忘。 Magi 的核心目标正是解决这一痛点。它作为一个桌面 Agent ，通过接入浏览器记录、媒体播放、照片库、日历、Git 提交等外部传感器数据，将这些被动产生的操作痕迹，汇聚成用户个人的长期记忆时间线。 长期记忆能力 为什么不能直接使用向量库？ 很多系统所谓的长期记忆，最后都变成了“把记录切块丢进向量库”。在桌面端高频传感器场景下，这种做法会带来灾难性的后果。 以一个中度使用的开发者为例，每天的 API 对话、终端操作、网页浏览记录、媒体访问记录可达 3000 条。如果全量存入并做索引： 原始记录体积预估：22GB - 66GB / 年 带来后果：本地存储成本爆炸，且在回答“我现在住在哪里”等问题时，极易召回 AI 自己曾经的错误推测（回音室污染）。 五层生命周期的本地记忆架构 要支撑海量被动数据的摄入并保持检索的可用性，Magi 在本地构建了一个五层（ L0-L4 ）生命周期的记忆架构。 L0 工作记忆：维持当前对话和任务的临时状态。 L1 事件记忆：将对话、终端命令、日历、Git 提交等碎片信息，规范化为带有来源和时间戳的底层事实证据。 L2 知识记忆：从 L1 中提取出实体、状态和关系。系统严格区分用户明确表达的事实与 AI 推测的结果，避免相互污染。 L3 摘要反思记忆：按天/周对海量碎片进行降采样和总结压缩。 L4 技能记忆：记录工具调用的成功率与报错特征，具备错误路径熔断机制，让 Agent 积累做事经验。 目前这套记忆检索链路在 LongMemEval 评测集上跑到了 87.2% 的准确率。关于整个记忆的构建思路，我也写了一篇文字这博客里。 赋予 Agent 真实的“生命感” 在这个记忆底座之上，为了让 Magi 真正像一个“伴侣”运作，交互层创新性实现了两个机制： 1. 告别机械对答的自然节奏回复 传统大模型的回复是严格的 1 对 1 同步模式。Magi 增加了一个后置的切片链路，会将长段的回复拆解，模拟真人的输入停顿，按多段、有延迟的异步方式发送给用户，大幅降低“机器感”。 2. 动态人格跃迁及深层人格 Agent 的人格设定支持深度自定义，并与记忆系统的 L2 状态层打通。当底层观察到用户处于高压或焦虑状态时，即使是偏向“搞笑”的人设，也会自动平滑跃迁至温和安抚状态。随着互动时间的拉长和特定里程碑的触发，还会解锁深层的人格维度。 产品状态与相关链接 在产品形态上，Magi 提供了一个开箱即用的桌面客户端。所有应用数据和记忆数据库默认保存在本地。除了正常的 LLM API 调用，系统没有任何外部数据上报逻辑。 项目目前处于 Beta 阶段，核心的记忆分层链路和基础传感器均已完整跑通，提供开箱即用的 macOS 安装包。由于系统的复杂性，实际运行中可能会遇到一些预料之外的 Bug 。如果你在体验中发现任何问题，欢迎随时在 GitHub 提交 Issue ，我会第一时间跟进修复。 对 Agent 底层逻辑或记忆架构感兴趣的 V 友，欢迎下载体验并查阅源码。期待各位的 Issue 和 PR 。 相关链接 Github Repo： Github 。 Github Release: Github Releases 。 记忆系统详细架构： 记忆架构
大家好，开源一个自己折腾的桌面端 AI Agent 项目： Magi 。 GitHub Repo： Github 。 为什么要做 Magi ？ 开发这个项目的念头，起因于去年尝试做的一款日记应用。当时期望通过对日记进行行为与情感分析，让 AI 刻画出用户画像，从而提供更有温度的交互。推进过程中遇到了明显的瓶颈：大部分用户根本不会主动表达日常操作习惯。日记能留存生活中的“大事”，对“稀松平常的小事”无能为力。 今天又加班到了凌晨 1 点，其实完全没我啥事，就硬等前端把接口调完。不过靠我精湛的摸鱼技巧，在公司爽看了 3 集 MyGO ，还听了好久周杰伦的新专。 这段平凡的经历，几个月后你或许还记得当晚的加班。至于期间看了什么剧、听了什么歌、当时的情绪状态，往往会彻底遗忘。 Magi 的核心目标正是解决这一痛点。它作为一个桌面 Agent ，通过接入浏览器记录、媒体播放、照片库、日历、Git 提交等外部传感器数据，将这些被动产生的操作痕迹，汇聚成用户个人的长期记忆时间线。 长期记忆能力 为什么不能直接使用向量库？ 很多系统所谓的长期记忆，最后都变成了“把记录切块丢进向量库”。在桌面端高频传感器场景下，这种做法会带来灾难性的后果。 以一个中度使用的开发者为例，每天的 API 对话、终端操作、网页浏览记录、媒体访问记录可达 3000 条。如果全量存入并做索引： 原始记录体积预估：22GB - 66GB / 年 带来后果：本地存储成本爆炸，且在回答“我现在住在哪里”等问题时，极易召回 AI 自己曾经的错误推测（回音室污染）。 五层生命周期的本地记忆架构 要支撑海量被动数据的摄入并保持检索的可用性，Magi 在本地构建了一个五层（ L0-L4 ）生命周期的记忆架构。 L0 工作记忆：维持当前对话和任务的临时状态。 L1 事件记忆：将对话、终端命令、日历、Git 提交等碎片信息，规范化为带有来源和时间戳的底层事实证据。 L2 知识记忆：从 L1 中提取出实体、状态和关系。系统严格区分用户明确表达的事实与 AI 推测的结果，避免相互污染。 L3 摘要反思记忆：按天/周对海量碎片进行降采样和总结压缩。 L4 技能记忆：记录工具调用的成功率与报错特征，具备错误路径熔断机制，让 Agent 积累做事经验。 目前这套记忆检索链路在 LongMemEval 评测集上跑到了 87.2% 的准确率。关于整个记忆的构建思路，我也写了一篇文字这博客里。 赋予 Agent 真实的“生命感” 在这个记忆底座之上，为了让 Magi 真正像一个“伴侣”运作，交互层创新性实现了两个机制： 1. 告别机械对答的自然节奏回复 传统大模型的回复是严格的 1 对 1 同步模式。Magi 增加了一个后置的切片链路，会将长段的回复拆解，模拟真人的输入停顿，按多段、有延迟的异步方式发送给用户，大幅降低“机器感”。 2. 动态人格跃迁及深层人格 Agent 的人格设定支持深度自定义，并与记忆系统的 L2 状态层打通。当底层观察到用户处于高压或焦虑状态时，即使是偏向“搞笑”的人设，也会自动平滑跃迁至温和安抚状态。随着互动时间的拉长和特定里程碑的触发，还会解锁深层的人格维度。 产品状态与相关链接 在产品形态上，Magi 提供了一个开箱即用的桌面客户端。所有应用数据和记忆数据库默认保存在本地。除了正常的 LLM API 调用，系统没有任何外部数据上报逻辑。 项目目前处于 Beta 阶段，核心的记忆分层链路和基础传感器均已完整跑通，提供开箱即用的 macOS 安装包。由于系统的复杂性，实际运行中可能会遇到一些预料之外的 Bug 。如果你在体验中发现任何问题，欢迎随时在 GitHub 提交 Issue ，我会第一时间跟进修复。 对 Agent 底层逻辑或记忆架构感兴趣的 V 友，欢迎下载体验并查阅源码。期待各位的 Issue 和 PR 。 相关链接 Github Repo： Github 。 Github Release: Github Releases 。 记忆系统详细架构： 记忆架构
大家好，开源一个自己折腾的桌面端 AI Agent 项目： Magi 。 GitHub Repo： Github 。 为什么要做 Magi ？ 开发这个项目的念头，起因于去年尝试做的一款日记应用。当时期望通过对日记进行行为与情感分析，让 AI 刻画出用户画像，从而提供更有温度的交互。推进过程中遇到了明显的瓶颈：大部分用户根本不会主动表达日常操作习惯。日记能留存生活中的“大事”，对“稀松平常的小事”无能为力。 今天又加班到了凌晨 1 点，其实完全没我啥事，就硬等前端把接口调完。不过靠我精湛的摸鱼技巧，在公司爽看了 3 集 MyGO ，还听了好久周杰伦的新专。 这段平凡的经历，几个月后你或许还记得当晚的加班。至于期间看了什么剧、听了什么歌、当时的情绪状态，往往会彻底遗忘。 Magi 的核心目标正是解决这一痛点。它作为一个桌面 Agent ，通过接入浏览器记录、媒体播放、照片库、日历、Git 提交等外部传感器数据，将这些被动产生的操作痕迹，汇聚成用户个人的长期记忆时间线。 长期记忆能力 为什么不能直接使用向量库？ 很多系统所谓的长期记忆，最后都变成了“把记录切块丢进向量库”。在桌面端高频传感器场景下，这种做法会带来灾难性的后果。 以一个中度使用的开发者为例，每天的 API 对话、终端操作、网页浏览记录、媒体访问记录可达 3000 条。如果全量存入并做索引： 原始记录体积预估：22GB - 66GB / 年 带来后果：本地存储成本爆炸，且在回答“我现在住在哪里”等问题时，极易召回 AI 自己曾经的错误推测（回音室污染）。 五层生命周期的本地记忆架构 要支撑海量被动数据的摄入并保持检索的可用性，Magi 在本地构建了一个五层（ L0-L4 ）生命周期的记忆架构。 L0 工作记忆：维持当前对话和任务的临时状态。 L1 事件记忆：将对话、终端命令、日历、Git 提交等碎片信息，规范化为带有来源和时间戳的底层事实证据。 L2 知识记忆：从 L1 中提取出实体、状态和关系。系统严格区分用户明确表达的事实与 AI 推测的结果，避免相互污染。 L3 摘要反思记忆：按天/周对海量碎片进行降采样和总结压缩。 L4 技能记忆：记录工具调用的成功率与报错特征，具备错误路径熔断机制，让 Agent 积累做事经验。 目前这套记忆检索链路在 LongMemEval 评测集上跑到了 87.2% 的准确率。关于整个记忆的构建思路，我也写了一篇文字这博客里。 赋予 Agent 真实的“生命感” 在这个记忆底座之上，为了让 Magi 真正像一个“伴侣”运作，交互层创新性实现了两个机制： 1. 告别机械对答的自然节奏回复 传统大模型的回复是严格的 1 对 1 同步模式。Magi 增加了一个后置的切片链路，会将长段的回复拆解，模拟真人的输入停顿，按多段、有延迟的异步方式发送给用户，大幅降低“机器感”。 2. 动态人格跃迁及深层人格 Agent 的人格设定支持深度自定义，并与记忆系统的 L2 状态层打通。当底层观察到用户处于高压或焦虑状态时，即使是偏向“搞笑”的人设，也会自动平滑跃迁至温和安抚状态。随着互动时间的拉长和特定里程碑的触发，还会解锁深层的人格维度。 产品状态与相关链接 在产品形态上，Magi 提供了一个开箱即用的桌面客户端。所有应用数据和记忆数据库默认保存在本地。除了正常的 LLM API 调用，系统没有任何外部数据上报逻辑。 项目目前处于 Beta 阶段，核心的记忆分层链路和基础传感器均已完整跑通，提供开箱即用的 macOS 安装包。由于系统的复杂性，实际运行中可能会遇到一些预料之外的 Bug 。如果你在体验中发现任何问题，欢迎随时在 GitHub 提交 Issue ，我会第一时间跟进修复。 对 Agent 底层逻辑或记忆架构感兴趣的 V 友，欢迎下载体验并查阅源码。期待各位的 Issue 和 PR 。 相关链接 Github Repo： Github 。 Github Release: Github Releases 。 记忆系统详细架构： 记忆架构
大家好，开源一个自己折腾的桌面端 AI Agent 项目： Magi 。 GitHub Repo： Github 。 为什么要做 Magi ？ 开发这个项目的念头，起因于去年尝试做的一款日记应用。当时期望通过对日记进行行为与情感分析，让 AI 刻画出用户画像，从而提供更有温度的交互。推进过程中遇到了明显的瓶颈：大部分用户根本不会主动表达日常操作习惯。日记能留存生活中的“大事”，对“稀松平常的小事”无能为力。 今天又加班到了凌晨 1 点，其实完全没我啥事，就硬等前端把接口调完。不过靠我精湛的摸鱼技巧，在公司爽看了 3 集 MyGO ，还听了好久周杰伦的新专。 这段平凡的经历，几个月后你或许还记得当晚的加班。至于期间看了什么剧、听了什么歌、当时的情绪状态，往往会彻底遗忘。 Magi 的核心目标正是解决这一痛点。它作为一个桌面 Agent ，通过接入浏览器记录、媒体播放、照片库、日历、Git 提交等外部传感器数据，将这些被动产生的操作痕迹，汇聚成用户个人的长期记忆时间线。 长期记忆能力 为什么不能直接使用向量库？ 很多系统所谓的长期记忆，最后都变成了“把记录切块丢进向量库”。在桌面端高频传感器场景下，这种做法会带来灾难性的后果。 以一个中度使用的开发者为例，每天的 API 对话、终端操作、网页浏览记录、媒体访问记录可达 3000 条。如果全量存入并做索引： 原始记录体积预估：22GB - 66GB / 年 带来后果：本地存储成本爆炸，且在回答“我现在住在哪里”等问题时，极易召回 AI 自己曾经的错误推测（回音室污染）。 五层生命周期的本地记忆架构 要支撑海量被动数据的摄入并保持检索的可用性，Magi 在本地构建了一个五层（ L0-L4 ）生命周期的记忆架构。 L0 工作记忆：维持当前对话和任务的临时状态。 L1 事件记忆：将对话、终端命令、日历、Git 提交等碎片信息，规范化为带有来源和时间戳的底层事实证据。 L2 知识记忆：从 L1 中提取出实体、状态和关系。系统严格区分用户明确表达的事实与 AI 推测的结果，避免相互污染。 L3 摘要反思记忆：按天/周对海量碎片进行降采样和总结压缩。 L4 技能记忆：记录工具调用的成功率与报错特征，具备错误路径熔断机制，让 Agent 积累做事经验。 目前这套记忆检索链路在 LongMemEval 评测集上跑到了 87.2% 的准确率。关于整个记忆的构建思路，我也写了一篇文字这博客里。 赋予 Agent 真实的“生命感” 在这个记忆底座之上，为了让 Magi 真正像一个“伴侣”运作，交互层创新性实现了两个机制： 1. 告别机械对答的自然节奏回复 传统大模型的回复是严格的 1 对 1 同步模式。Magi 增加了一个后置的切片链路，会将长段的回复拆解，模拟真人的输入停顿，按多段、有延迟的异步方式发送给用户，大幅降低“机器感”。 2. 动态人格跃迁及深层人格 Agent 的人格设定支持深度自定义，并与记忆系统的 L2 状态层打通。当底层观察到用户处于高压或焦虑状态时，即使是偏向“搞笑”的人设，也会自动平滑跃迁至温和安抚状态。随着互动时间的拉长和特定里程碑的触发，还会解锁深层的人格维度。 产品状态与相关链接 在产品形态上，Magi 提供了一个开箱即用的桌面客户端。所有应用数据和记忆数据库默认保存在本地。除了正常的 LLM API 调用，系统没有任何外部数据上报逻辑。 项目目前处于 Beta 阶段，核心的记忆分层链路和基础传感器均已完整跑通，提供开箱即用的 macOS 安装包。由于系统的复杂性，实际运行中可能会遇到一些预料之外的 Bug 。如果你在体验中发现任何问题，欢迎随时在 GitHub 提交 Issue ，我会第一时间跟进修复。 对 Agent 底层逻辑或记忆架构感兴趣的 V 友，欢迎下载体验并查阅源码。期待各位的 Issue 和 PR 。 相关链接 Github Repo： Github 。 Github Release: Github Releases 。 记忆系统详细架构： 记忆架构
大家好，开源一个自己折腾的桌面端 AI Agent 项目： Magi 。 GitHub Repo： Github 。 为什么要做 Magi ？ 开发这个项目的念头，起因于去年尝试做的一款日记应用。当时期望通过对日记进行行为与情感分析，让 AI 刻画出用户画像，从而提供更有温度的交互。推进过程中遇到了明显的瓶颈：大部分用户根本不会主动表达日常操作习惯。日记能留存生活中的“大事”，对“稀松平常的小事”无能为力。 今天又加班到了凌晨 1 点，其实完全没我啥事，就硬等前端把接口调完。不过靠我精湛的摸鱼技巧，在公司爽看了 3 集 MyGO ，还听了好久周杰伦的新专。 这段平凡的经历，几个月后你或许还记得当晚的加班。至于期间看了什么剧、听了什么歌、当时的情绪状态，往往会彻底遗忘。 Magi 的核心目标正是解决这一痛点。它作为一个桌面 Agent ，通过接入浏览器记录、媒体播放、照片库、日历、Git 提交等外部传感器数据，将这些被动产生的操作痕迹，汇聚成用户个人的长期记忆时间线。 长期记忆能力 为什么不能直接使用向量库？ 很多系统所谓的长期记忆，最后都变成了“把记录切块丢进向量库”。在桌面端高频传感器场景下，这种做法会带来灾难性的后果。 以一个中度使用的开发者为例，每天的 API 对话、终端操作、网页浏览记录、媒体访问记录可达 3000 条。如果全量存入并做索引： 原始记录体积预估：22GB - 66GB / 年 带来后果：本地存储成本爆炸，且在回答“我现在住在哪里”等问题时，极易召回 AI 自己曾经的错误推测（回音室污染）。 五层生命周期的本地记忆架构 要支撑海量被动数据的摄入并保持检索的可用性，Magi 在本地构建了一个五层（ L0-L4 ）生命周期的记忆架构。 L0 工作记忆：维持当前对话和任务的临时状态。 L1 事件记忆：将对话、终端命令、日历、Git 提交等碎片信息，规范化为带有来源和时间戳的底层事实证据。 L2 知识记忆：从 L1 中提取出实体、状态和关系。系统严格区分用户明确表达的事实与 AI 推测的结果，避免相互污染。 L3 摘要反思记忆：按天/周对海量碎片进行降采样和总结压缩。 L4 技能记忆：记录工具调用的成功率与报错特征，具备错误路径熔断机制，让 Agent 积累做事经验。 目前这套记忆检索链路在 LongMemEval 评测集上跑到了 87.2% 的准确率。关于整个记忆的构建思路，我也写了一篇文字这博客里。 赋予 Agent 真实的“生命感” 在这个记忆底座之上，为了让 Magi 真正像一个“伴侣”运作，交互层创新性实现了两个机制： 1. 告别机械对答的自然节奏回复 传统大模型的回复是严格的 1 对 1 同步模式。Magi 增加了一个后置的切片链路，会将长段的回复拆解，模拟真人的输入停顿，按多段、有延迟的异步方式发送给用户，大幅降低“机器感”。 2. 动态人格跃迁及深层人格 Agent 的人格设定支持深度自定义，并与记忆系统的 L2 状态层打通。当底层观察到用户处于高压或焦虑状态时，即使是偏向“搞笑”的人设，也会自动平滑跃迁至温和安抚状态。随着互动时间的拉长和特定里程碑的触发，还会解锁深层的人格维度。 产品状态与相关链接 在产品形态上，Magi 提供了一个开箱即用的桌面客户端。所有应用数据和记忆数据库默认保存在本地。除了正常的 LLM API 调用，系统没有任何外部数据上报逻辑。 项目目前处于 Beta 阶段，核心的记忆分层链路和基础传感器均已完整跑通，提供开箱即用的 macOS 安装包。由于系统的复杂性，实际运行中可能会遇到一些预料之外的 Bug 。如果你在体验中发现任何问题，欢迎随时在 GitHub 提交 Issue ，我会第一时间跟进修复。 对 Agent 底层逻辑或记忆架构感兴趣的 V 友，欢迎下载体验并查阅源码。期待各位的 Issue 和 PR 。 相关链接 Github Repo： Github 。 Github Release: Github Releases 。 记忆系统详细架构： 记忆架构
大家好，开源一个自己折腾的桌面端 AI Agent 项目： Magi 。 GitHub Repo： Github 。 为什么要做 Magi ？ 开发这个项目的念头，起因于去年尝试做的一款日记应用。当时期望通过对日记进行行为与情感分析，让 AI 刻画出用户画像，从而提供更有温度的交互。推进过程中遇到了明显的瓶颈：大部分用户根本不会主动表达日常操作习惯。日记能留存生活中的“大事”，对“稀松平常的小事”无能为力。 今天又加班到了凌晨 1 点，其实完全没我啥事，就硬等前端把接口调完。不过靠我精湛的摸鱼技巧，在公司爽看了 3 集 MyGO ，还听了好久周杰伦的新专。 这段平凡的经历，几个月后你或许还记得当晚的加班。至于期间看了什么剧、听了什么歌、当时的情绪状态，往往会彻底遗忘。 Magi 的核心目标正是解决这一痛点。它作为一个桌面 Agent ，通过接入浏览器记录、媒体播放、照片库、日历、Git 提交等外部传感器数据，将这些被动产生的操作痕迹，汇聚成用户个人的长期记忆时间线。 长期记忆能力 为什么不能直接使用向量库？ 很多系统所谓的长期记忆，最后都变成了“把记录切块丢进向量库”。在桌面端高频传感器场景下，这种做法会带来灾难性的后果。 以一个中度使用的开发者为例，每天的 API 对话、终端操作、网页浏览记录、媒体访问记录可达 3000 条。如果全量存入并做索引： 原始记录体积预估：22GB - 66GB / 年 带来后果：本地存储成本爆炸，且在回答“我现在住在哪里”等问题时，极易召回 AI 自己曾经的错误推测（回音室污染）。 五层生命周期的本地记忆架构 要支撑海量被动数据的摄入并保持检索的可用性，Magi 在本地构建了一个五层（ L0-L4 ）生命周期的记忆架构。 L0 工作记忆：维持当前对话和任务的临时状态。 L1 事件记忆：将对话、终端命令、日历、Git 提交等碎片信息，规范化为带有来源和时间戳的底层事实证据。 L2 知识记忆：从 L1 中提取出实体、状态和关系。系统严格区分用户明确表达的事实与 AI 推测的结果，避免相互污染。 L3 摘要反思记忆：按天/周对海量碎片进行降采样和总结压缩。 L4 技能记忆：记录工具调用的成功率与报错特征，具备错误路径熔断机制，让 Agent 积累做事经验。 目前这套记忆检索链路在 LongMemEval 评测集上跑到了 87.2% 的准确率。关于整个记忆的构建思路，我也写了一篇文字这博客里。 赋予 Agent 真实的“生命感” 在这个记忆底座之上，为了让 Magi 真正像一个“伴侣”运作，交互层创新性实现了两个机制： 1. 告别机械对答的自然节奏回复 传统大模型的回复是严格的 1 对 1 同步模式。Magi 增加了一个后置的切片链路，会将长段的回复拆解，模拟真人的输入停顿，按多段、有延迟的异步方式发送给用户，大幅降低“机器感”。 2. 动态人格跃迁及深层人格 Agent 的人格设定支持深度自定义，并与记忆系统的 L2 状态层打通。当底层观察到用户处于高压或焦虑状态时，即使是偏向“搞笑”的人设，也会自动平滑跃迁至温和安抚状态。随着互动时间的拉长和特定里程碑的触发，还会解锁深层的人格维度。 产品状态与相关链接 在产品形态上，Magi 提供了一个开箱即用的桌面客户端。所有应用数据和记忆数据库默认保存在本地。除了正常的 LLM API 调用，系统没有任何外部数据上报逻辑。 项目目前处于 Beta 阶段，核心的记忆分层链路和基础传感器均已完整跑通，提供开箱即用的 macOS 安装包。由于系统的复杂性，实际运行中可能会遇到一些预料之外的 Bug 。如果你在体验中发现任何问题，欢迎随时在 GitHub 提交 Issue ，我会第一时间跟进修复。 对 Agent 底层逻辑或记忆架构感兴趣的 V 友，欢迎下载体验并查阅源码。期待各位的 Issue 和 PR 。 相关链接 Github Repo： Github 。 Github Release: Github Releases 。 记忆系统详细架构： 记忆架构
大家好，开源一个自己折腾的桌面端 AI Agent 项目： Magi 。 GitHub Repo： Github 。 为什么要做 Magi ？ 开发这个项目的念头，起因于去年尝试做的一款日记应用。当时期望通过对日记进行行为与情感分析，让 AI 刻画出用户画像，从而提供更有温度的交互。推进过程中遇到了明显的瓶颈：大部分用户根本不会主动表达日常操作习惯。日记能留存生活中的“大事”，对“稀松平常的小事”无能为力。 今天又加班到了凌晨 1 点，其实完全没我啥事，就硬等前端把接口调完。不过靠我精湛的摸鱼技巧，在公司爽看了 3 集 MyGO ，还听了好久周杰伦的新专。 这段平凡的经历，几个月后你或许还记得当晚的加班。至于期间看了什么剧、听了什么歌、当时的情绪状态，往往会彻底遗忘。 Magi 的核心目标正是解决这一痛点。它作为一个桌面 Agent ，通过接入浏览器记录、媒体播放、照片库、日历、Git 提交等外部传感器数据，将这些被动产生的操作痕迹，汇聚成用户个人的长期记忆时间线。 长期记忆能力 为什么不能直接使用向量库？ 很多系统所谓的长期记忆，最后都变成了“把记录切块丢进向量库”。在桌面端高频传感器场景下，这种做法会带来灾难性的后果。 以一个中度使用的开发者为例，每天的 API 对话、终端操作、网页浏览记录、媒体访问记录可达 3000 条。如果全量存入并做索引： 原始记录体积预估：22GB - 66GB / 年 带来后果：本地存储成本爆炸，且在回答“我现在住在哪里”等问题时，极易召回 AI 自己曾经的错误推测（回音室污染）。 五层生命周期的本地记忆架构 要支撑海量被动数据的摄入并保持检索的可用性，Magi 在本地构建了一个五层（ L0-L4 ）生命周期的记忆架构。 L0 工作记忆：维持当前对话和任务的临时状态。 L1 事件记忆：将对话、终端命令、日历、Git 提交等碎片信息，规范化为带有来源和时间戳的底层事实证据。 L2 知识记忆：从 L1 中提取出实体、状态和关系。系统严格区分用户明确表达的事实与 AI 推测的结果，避免相互污染。 L3 摘要反思记忆：按天/周对海量碎片进行降采样和总结压缩。 L4 技能记忆：记录工具调用的成功率与报错特征，具备错误路径熔断机制，让 Agent 积累做事经验。 目前这套记忆检索链路在 LongMemEval 评测集上跑到了 87.2% 的准确率。关于整个记忆的构建思路，我也写了一篇文字这博客里。 赋予 Agent 真实的“生命感” 在这个记忆底座之上，为了让 Magi 真正像一个“伴侣”运作，交互层创新性实现了两个机制： 1. 告别机械对答的自然节奏回复 传统大模型的回复是严格的 1 对 1 同步模式。Magi 增加了一个后置的切片链路，会将长段的回复拆解，模拟真人的输入停顿，按多段、有延迟的异步方式发送给用户，大幅降低“机器感”。 2. 动态人格跃迁及深层人格 Agent 的人格设定支持深度自定义，并与记忆系统的 L2 状态层打通。当底层观察到用户处于高压或焦虑状态时，即使是偏向“搞笑”的人设，也会自动平滑跃迁至温和安抚状态。随着互动时间的拉长和特定里程碑的触发，还会解锁深层的人格维度。 产品状态与相关链接 在产品形态上，Magi 提供了一个开箱即用的桌面客户端。所有应用数据和记忆数据库默认保存在本地。除了正常的 LLM API 调用，系统没有任何外部数据上报逻辑。 项目目前处于 Beta 阶段，核心的记忆分层链路和基础传感器均已完整跑通，提供开箱即用的 macOS 安装包。由于系统的复杂性，实际运行中可能会遇到一些预料之外的 Bug 。如果你在体验中发现任何问题，欢迎随时在 GitHub 提交 Issue ，我会第一时间跟进修复。 对 Agent 底层逻辑或记忆架构感兴趣的 V 友，欢迎下载体验并查阅源码。期待各位的 Issue 和 PR 。 相关链接 Github Repo： Github 。 Github Release: Github Releases 。 记忆系统详细架构： 记忆架构
二天了bug还在 18 个帖子 - 16 位参与者 阅读完整话题
工作中的碎片时间，比如说10-20min，大家都在做些啥呢？除了刷短视频和娱乐，大家会做些什么提升自己吗？ 17 个帖子 - 17 位参与者 阅读完整话题