机器学习

项目介绍 你是否经历过这样的场景？今天你花了一小时向 AI 编程助手解释整个项目的架构、模块职责和最新修改进度。到了第二天，一切归零——助手像是失忆了一般，要求你重新讲述一切。你无奈地再次从头到尾重复昨天的工作，浪费了大量时间和 API 调用费用。 如果你对此深有体会，那么agentmemory 就是为你量身定制的解决方案。 agentmemory 是由开发者 rohitg00 发起的开源项目，近期在 GitHub Trending 上以每日超过 533颗星的速度飙升，累计星标已突破 3700颗。该项目采用 Apache 2.0 许可证，基于 TypeScript 构建，最新版本为 v0.9.5（于 2026 年 5 月 9 日发布）。它的核心定位非常明确：为所有主流 AI 编程助手提供持久的、跨会话的记忆能力。 与传统方案不同，agentmemory 并非一个简单的提示词模板，而是一个完整、自托管的记忆引擎。它通过模拟人脑的四层记忆巩固机制，结合三重流检索技术，真正解决了 AI 编程助手在长期协作中的"遗忘症"问题。 核心功能详解 一、解决的根本痛点 AI 编程助手的每一次对话本质上都是一个独立的会话窗口。当会话关闭后，所有的上下文信息都会消失。这意味着每天每次新会话开始时，开发者都必须花费数十分钟重新说明以下内容： 项目的整体架构和技术栈 最近完成的工作和下一步计划 代码中的关键设计决策及其原因 特定模块的职责边界和接口约定 据实际测试统计，一个活跃开发者每年用于重复解释上下文的 token 消耗量高达 1950万，折合成本约 500美元——这在许多情况下是完全无法承受的。而引入 agentmemory 后，token 用量可直接缩减至约 17万次，降幅达 92%，月度成本降至 10美元左右。如果配合本地嵌入模型（如 all-MiniLM-L6-v2），则可以实现近乎零成本的离线运行。 二、四层记忆巩固机制 agentmemory 的核心创新之一，是借鉴人类大脑的记忆形成过程，设计了四个层级的记忆存储与检索体系： 工作记忆（Working Memory）：当前活跃会话中产生的临时信息，如正在进行的功能开发任务、待解决的 bug 等。这些数据保留在内存中，供即时查询。 情景记忆（Episodic Memory）：记录具有时间戳的交互事件，包括你让助手做了什么、何时做的、产生了什么结果。这种记忆方式让助手能够回答"上周我在做什么？“这类时序性问题。 语义记忆（Semantic Memory）：从大量交互中提取出的结构化知识，如模块之间的关系、函数的用途、项目的业务逻辑等。这部分内容经过聚合处理后，形成对项目整体的深层理解。 程序性记忆（Procedural Memory）：固化下来的模式和习惯。例如，如果你在多个项目中都习惯用同样的方式组织 API 路由文件，agentmemory 会学习并记住这一偏好，在新项目中自动应用。 ...

手动视频分镜的时代结束了 你有一个故事创意——两只猫和一只新来的猫咪之间的搞笑相遇。你想把它做成一个卡通短片。但即使是制作一个简单的动画视频，也需要写剧本、设计分镜、塑造一致的角色、拍摄场景、剪辑画面、添加音频——传统流程需要一支完整的创作团队来完成。 如果只需描述你的创意，就能得到一个精美的成品视频呢？ 这正是 ViMax 能做到的事情。由香港科技大学（HKU）研究人员开发，ViMax 是一个开源的智能体 AI 框架，能够将原始创意、剧本甚至小说章节自动转化为完成的视频——无需分镜师、无需动画师、无需手动场景规划。只需描述、配置，然后让 AI 智能体处理一切。 指标 数值 GitHub 星标 3,600+（趋势中——Python Trending 每日增长 +108 星标） 许可证 MIT 语言 Python 3.12 依赖管理 uv（超轻量化包管理器） 智能体架构 多智能体编排管线 模型支持 Google Gemini、OpenRouter、MiniMax 图像生成 Nanobanana / Google API 视频生成 Veo / Google API 核心贡献者 从启动以来活跃开发，已有 329 次提交 ViMax 是什么？ ViMax 不仅仅是另一个只能生成五秒片段的 AI 视频生成器。它是一个端到端视频创作引擎，建立在多智能体架构之上，处理专业视频制作的每一个阶段： 剧本理解 — 从输入中提取角色、环境、风格意图和场景边界 分镜设计 — 根据目标受众创建电影语言的镜头级分镜 参考图选择 — 智能挑选视觉参考图，确保数百个镜头中的角色一致性 自动化图像生成 — 生成逐帧视觉效果，附带空间定位逻辑 一致性验证 — 使用 MLLM/VLM 模型验证角色和环境的一致性 并行镜头渲染 — 同时处理连续镜头以实现高产出率 音视频绑定 — 将配音和音效与视觉内容同步 把它想象成一个整个电影剧组——导演、编剧、摄影师、剪辑师和音响设计师——根据你的创意方向自主工作。 ...

AI-Trader：这款免费开源平台如何让任何AI代理利用群体智能交易加密货币、股票和预测市场 2026年4月下旬，HKUDS/AI-Trader 以超过 15,200颗星标 的速度登上了GitHub热门趋势榜——不是因为它又是一个花哨的交易看板，而是因为它解决了一个从未被回答的问题：当每个AI编码代理都拥有自己的交易身份时，会发生什么？ 与传统在隔离状态下运行的交易机器人不同，AI-Trader 创建了一个共享的公开市场，人类和AI代理都可以在此发布策略、参与辩论、复制顶级表现者的操作，并在实时市场压力下共同完善他们的方法。它由 香港大学数据科学实验室（HKUDS） 的研究人员构建，并部署在 ai4trade.ai 的生产环境中。 本文对AI-Trader进行了深度技术分析：其独特的架构、任何AI代理如何通过一条消息接入、使其与其他平台从根本上区别的集体智能机制、逐步设置指南、真实应用场景以及与替代方案的比较。 AI-Trader的独特之处 核心洞察：交易不仅仅是盈亏图表 大多数交易平台仅以利润和亏损图表来衡量成功。AI-Trader颠覆了这种范式，它认识到 信念在公开环境下才会进化得最好。每一条策略帖、每一个辩论线程、每一次跟单决策和每一次纠正都成为了共享的市场记忆的一部分。 可以把它想象成交易的社交层： 代理在执行交易之前先公开发布推理过程 其他代理和人类通过回复和反策略挑战这些理论 成功的判断通过跟单循环和通知推送产生复利效应 失败的论点更快地暴露出来，对所有参与者施加进化压力 这不是一个排行榜。静态记分牌告诉你谁赢了。AI-Trader向你展示的是 如何 赢——导致更好决策的论证、反驳和纠错过程。 关键指标一览 指标 数值 GitHub星标 15,200+ Fork数量 2,500+ 开放问题 43 最新提交 积极维护中（数天内） 在线网站 ai4trade.ai 许可证 MIT 后端 FastAPI (Python) 前端 React 支持的代理 Claude Code、Cursor、Codex、OpenClaw、NanoBot、自定义 架构概览 AI-Trader遵循清晰、模块化的设计，在API服务、后台工作进程和前端之间划分关注点： AI-Trader（开源仓库） ├── skills/ # 不同工作流的代理技能定义 │ ├── ai4trade/SKILL.md # 主要注册和交易技能 │ ├── copytrade/SKILL.md # 跟单交易（关注者视角） │ └── tradesync/SKILL.md # 交易同步（提供者视角） ├── docs/ # 文档和API规范 │ ├── api/openapi.yaml # 完整OpenAPI规范 │ ├── api/copytrade.yaml # 跟单交易API规范 │ └── README_AGENT.md # 代理集成指南 ├── service/ # 生产后端和前端 │ ├── server/ # FastAPI REST API服务器 │ └── frontend/ # 带有交易看板的React单页应用 └── assets/ # Logo和视觉资源 后端：FastAPI分离 2026年4月更新中的一个关键架构决策是将 FastAPI Web服务 与 后台工作进程 分离。这意味着： ...