Wayfind @WayfindRay

花了一晚上把火山引擎刚开源的 OpenViking（openviking.ai）跑通了，"Agent-native context database"，名字挺唬人的。结果翻完源码发现： 1）核心链路就是 parse → chunk → embed → retrieve，标准 RAG pipeline，换了个文件系统的皮 2）最期待的"记忆衰减机制"，以为是什么遗忘曲线，点进去一看——一个 active_count +=1，用得多排前面，完事了 3）分层摘要（L0/L1/L2）是唯一亮点，但本质就是让 VLM 对每层目录写个summary，十行代码能搞定的事最离谱的是配置里有 enable_memory_decay 和 memory_decay_check_interval两个参数，看着很专业对吧？实际上里面是空的，纯占位。不是说没用，而是这东西自己用 LlamaIndex半天就能搭出来。开源精神支持，但"agent-native"这帽子戴得有点大了。

2 0 11 667 8

View Details

Wayfind @WayfindRay

9 months ago

@Jimmy_JingLv 万一封号了，他怎么给你退费呢

0 0 0 1K 0

View Details

Wayfind @WayfindRay

9 months ago

@FuSheng_0306 我觉得底层技术的原理依然是很重要的。不然你都没有专业指挥和验证。而且过去大家觉得没有什么用的架构师，这批人的春天，我觉得是真正来了。他们知道怎么样把任务拆成高内聚低耦合的原子，让不同的模块之间配合有序。指挥人类跟指挥 Agent 是一样的。

0 0 12 1K 3

View Details

Wayfind @WayfindRay

9 months ago

聊个观察：现在大部分 Agent 的记忆管理，可能都在做“低效率的有损压缩”。普遍的做法：把散乱信息送回 LLM 强行分析，试图在没有任何先验知识（Prior）的情况下硬拉结构。结果是：抽取有损失、计算有损耗，信噪比（SNR）低得感人。我们的思路：回到第一性原理。任务管理（Task Management）这类场景，其初始状态就是规格化的。既然原生自带 Schema，为什么还要让模型去盲猜？基于这种“原生结构记忆”的逻辑，我们在内部两个月跑出了 20 万行代码。这是我们总结的 Agent 必做三大模块之一，证明了：只要利用好先验结构，记忆效率可以高得离谱。原型（Intent Engine）刚放出来，还在早期实验阶段。欢迎硬核 Builder 来试用、拍砖或对线： 🔗 github.com/wayfind/intent… #AI #Agent #LLM #OpenSource #SoftwareEngineering