最新

嗨，HN， 我们正在构建Engram，一个具有持久记忆的AI助手，能够在不同会话之间有效工作。与ChatGPT/Claude不同的是，后者在每次聊天后会忘记一切，而Engram能够自动提取和索引事实、偏好和上下文。 核心问题：大型语言模型（LLMs）在短期记忆方面表现出色，但在长期记忆方面几乎没有保留。如果你在一月份告诉Claude一个项目，它到三月份未必会记得，除非你把整个对话重新粘贴回来。 我们的解决方案： - 使用14个因素的重要性评分算法自动提取记忆（目标/承诺的优先级高于随意事实） - 通过pgvector和OpenAI嵌入进行语义检索 - 认知画像，从写作样本中学习你的沟通风格 - 多供应商路由（例如，免费层使用Llama 3，优质层使用Gemini等） 技术栈：React + Supabase（PostgreSQL + pgvector），全程使用TypeScript。我们构建了一个抽象层，处理供应商故障转移和速率限制。 当前状态：处于测试阶段，约有300名来自宾夕法尼亚大学的用户（我们获得了沃顿创新基金建设奖）。第30天的留存率约为60%，这表明我们的记忆系统确实有用。 试试吧：engramartificial.com 我之所以构建这个，是因为我对我的AI“助手”无法记住我昨天告诉它的事情感到沮丧。希望听到其他人的反馈，看看这是否引起共鸣，或者我是否在解决一个并不存在的问题。

如果我正在编写一个新的轻量级应用程序，需要基于大型语言模型（LLM）的文本补全来实现某个功能，是否有标准的方法可以请求用户的操作系统提供补全？<p>例如，假设我正在编写一个小型的文本用户界面（TUI），允许用户浏览 jsonl 文件，并希望创建一个功能来实现自然语言解析。是否有一种新兴的标准，用于实现与平台无关的“将这个自然查询翻译为 jq {natlang-query}：响应在这里：”？<p>如果我们还没有这样的标准，那么需要什么才能建立并广泛提供这个功能？