近日，一项名为DeepAgent的研究引发了AI社区的广泛关注。它展示了一种全新的AI智能体形态：不仅能自主思考、动态发现并调用工具，还能在复杂的长期任务中，像人类一样“整理记忆”，避免思路混乱。这究竟是如何实现的？今天，我们就来一起拆解DeepAgent的核心技术，看看它是如何让AI变得更“聪明”的。一、传统智能体的瓶颈当前，大多数AI智能体遵循着预设的固定流程。比如，先规划、再搜索、后执行，就

近日，一项名为DeepAgent的研究引发了AI社区的广泛关注。它展示了一种全新的AI智能体形态：不仅能自主思考、动态发现并调用工具，还能在复杂的长期任务中，像人类一样“整理记忆”，避免思路混乱。这究竟是如何实现的？今天，我们就来一起拆解DeepAgent的核心技术，看看它是如何让AI变得更“聪明”的。一、传统智能体的瓶颈当前，大多数AI智能体遵循着预设的固定流程。比如，先规划、再搜索、后执行，就

当用户创建缓存大小为20GB（写缓存：10GB，读缓存：10GB）时，弹性前缓存占用逻辑空间40GB（写3副本+读1副本），长时间没流量情况下，弹性后缓存占用逻辑空间最小可缩小至6GB（读缓存数据全部淘汰情况下），此时集群超额创建缓存比例可达6.7倍。当用户申请缓存后超过一定时间（默认：1h）未使用（即没有读、写、删流量），底层则会回收部分分配的逻辑存储空间，只保留最低可提供服务的存储空间（即每个

模型微调可以提供全量更新、LoRA、DPO、KTO、GRPO、PPO等训练方式，开发者可以选择适合自己任务场景的训练模式并进行训练，从而实现理想的模型效果。用户需注意，DPO/KTO的数据与其它微调方式有差异，用户在选择DPO/KTO训练方式的时候，需要提前准备好相应的数据。强化学习（Reinforcement Learning, RL）是一种让智能体通过与环境交互学习最优决策策略的机器学习范式。

模型微调可以提供全量更新、LoRA、DPO、KTO、GRPO、PPO等训练方式，开发者可以选择适合自己任务场景的训练模式并进行训练，从而实现理想的模型效果。用户需注意，DPO/KTO的数据与其它微调方式有差异，用户在选择DPO/KTO训练方式的时候，需要提前准备好相应的数据。强化学习（Reinforcement Learning, RL）是一种让智能体通过与环境交互学习最优决策策略的机器学习范式。

Mem0 项目的核心目标是为 AI 助手和代理（Agents）赋予一个智能的、持久的记忆层。它旨在解决当前许多 AI 应用，特别是基于 LLM 的应用所面临的一个根本性问题：状态缺失（Statelessness）。传统的 AI 交互往往是孤立的，无法有效记忆之前的对话内容、用户偏好或已了解的事实。这导致了重复提问、缺乏个性化以及用户体验不连贯等问题。Mem0 通过提供一个专门的记忆组件，让 AI

通常情况下，在做数据分析时按照不同的分析主题使用到的库表会是几张表或者几十张表，因此奇麟数仓DataAgent在使用前需要先基于有权限的库表根据数据分析主题构建一个数据主题，后续的数据分析都将在该数据主题中进行，这样做达到了用户+数据主题的数据权限隔离，该数据主题下的元数据、主题领域知识等向量化存储也是隔离的， 不会相互干扰。系统通过会话窗口级的长期记忆，实现错误恢复、连续对话，保持多轮对话的上下

通常情况下，在做数据分析时按照不同的分析主题使用到的库表会是几张表或者几十张表，因此奇麟数仓DataAgent在使用前需要先基于有权限的库表根据数据分析主题构建一个数据主题，后续的数据分析都将在该数据主题中进行，这样做达到了用户+数据主题的数据权限隔离，该数据主题下的元数据、主题领域知识等向量化存储也是隔离的， 不会相互干扰。系统通过会话窗口级的长期记忆，实现错误恢复、连续对话，保持多轮对话的上下

将任务分解为线性依赖的步骤，前一步的输出作为后一步的输入，形成 “链式传递”。适用于 “步骤顺序固定、后步依赖前步” 的场景。基于 Ollama 实现 “先总结英文文本，再将总结翻译成中文” 的流程。# 1. 初始化Ollama配置（确保本地Ollama服务已启动：ollama serve）"""链式工作流：先总结文本，再翻译总结"""# 步骤1：总结英文文本summary_prompt = f"

将任务分解为线性依赖的步骤，前一步的输出作为后一步的输入，形成 “链式传递”。适用于 “步骤顺序固定、后步依赖前步” 的场景。基于 Ollama 实现 “先总结英文文本，再将总结翻译成中文” 的流程。# 1. 初始化Ollama配置（确保本地Ollama服务已启动：ollama serve）"""链式工作流：先总结文本，再翻译总结"""# 步骤1：总结英文文本summary_prompt = f"