Home

1. Mem0 是什么 mem0ai/mem01的官网介绍： Mem0 (“mem-zero”) enhances AI assistants and agents with an intelligent memory layer, enabling personalized AI interactions. It remembers user preferences, adapts to individual needs, and continuously learns over time—ideal for customer support chatbots, AI assistants, and autonomous systems. 现在看，记忆层已是智能体的基础...

上一篇介绍了 Celery 架构，这篇我们实战看看。 1. 例子 文章从基础、重试、ack、周期任务等几个方面说明，完整的运行例子放在了 github 上 1.1. Hello World 入门例子使用非常简洁，分为两步： 启动Worker: 从 Redis 读取任务，执行add方法，将结果写回 Redis run_simple_task -> add.delay: 写入任务，通过app分发到 default 队列(存储到 Redis)，并等待读取结果 1.1.1. 消费者-Worker 先从启动 Worker 开始，定义app/celery_app.py： #!/usr/bin/env python # coding=utf-8 from celer...

1. 定位：Celery 是什么？ Celery 是一个分布式任务队列系统，用于在多个工作进程和机器之间异步执行任务。 异步任务的需求很多，特别是耗时且需要平滑处理的场景。比如文件格式转换、数据统计、调用第三方耗时的 api 等，就需要任务入队，然后逐批出队处理。 有些情况下，异步任务还往往伴随着延迟或者周期处理的需求，例如统计网站使用量、文件个数大小等，Celery 也还支持了周期及延迟任务。 2. 思考：如果自己实现 实现任务队列，基础是链条上参与的三个角色：生产者、队列、消费者 首先是生产者：需要支持用户自定义任务，能够方便的提交到任务队列，队列里存储的应当是任务的元信息。这块需要提供代码框架或者接口实现。 其次是队列：任务不丢的基础是持久化。我的第一个想法是采用消...

1. 工作 工作节奏相比互联网变平缓了。有时也会遇到难题，不过组内氛围很好，大家充分发挥“三个臭皮匠顶个诸葛亮”的精神，一块硬着头皮解决。 不忙的时候，有几次一路蹬着自行车回家，看着主路上车水马龙、辅路上人来人往，川流不息，恍惚间有种刚来北京读书时对这个城市的感觉。 工作内容偏功能性一些，性能、稳定性、辅助系统很少涉及。今年要随着项目开展，多研究些开源项目，多去思考生产落地的实际问题。 2. 读书 2025 读的书不多，AI 相关耗时最久。今年想在此基础上，读更多关于历史的书。 书名 一句话总结 《人工智能工程化：应用落地与中台构建》 第一次一窥其他人眼中 AI 中台的全貌，当...

1. 记忆 大模型是无状态，不会记住任何先前的对话内容。 注意书里介绍的是短期记忆 常见记忆方式有两种： 对话缓冲区 对话摘要 1.1. 对话缓冲区 LangChain 框架使用ConversationBufferMemory ConversationBufferWindowMemory实现，原理上就是将每轮对话的user system都发给大模型，上限则通过对话轮数或者 tokens 个数控制。 1.2. 对话摘要 如果不控制上限，对话缓冲区随着对话内容持续增长，并逐渐逼近模型的词元限制；如果控制上限，又可能丢失较早的对话内容。 对话摘要用来解决这个问题。 即将历史对话转为摘要。提取摘要的过程，依赖 LLM 参与，例如可能的提示词： # 创...