OpenViking x OpenClaw：开箱即用 解决 Agent 的长期记忆困局

长沙 2026-03-10 阅读: 4

文章介绍了OpenViking作为OpenClaw的“外挂记忆体”，通过虚拟文件系统范式解决Agent长期记忆遗忘、检索低效及成本高昂等问题。实验表明，集成后任务完成率提升超40%，输入Token成本降低最高达96%。

AI Agent LLM RAG 向量数据库 OpenClaw
要点:
  • OpenClaw面临长程记忆遗忘与成本激增痛点
  • OpenViking首创虚拟文件系统管理Agent上下文
  • 集成后任务完成率相比原生提升49%
  • Token成本相比LanceDB方案降低最高96%
  • 具备技能经验沉淀能力，避免重复犯错

第5篇：工程化——RAG与Agent的深度融合

卿羽飞 2026-03-03 阅读: 6

本文探讨了RAG与Agent的深度融合，分析了Agent需要RAG来解决长期记忆、领域知识和情景记忆等需求，介绍了Agentic RAG的主动检索机制，并提出了生产级Agent记忆系统的三层架构设计。

LLM LangChain RAG 向量数据库 Agent
要点:
  • Agent面临三类记忆需求
  • Agentic RAG实现主动迭代检索
  • 记忆系统分为三层架构
  • 实战代码展示记忆系统构建

AI Agent 从0到精通（五）：记忆机制与RAG集成，让AI拥有记忆

中国网湖北 2026-03-03 阅读: 6

本文是AI Agent系列教程的第五篇，重点讲解AI Agent的记忆机制及其重要性。文章介绍了记忆的分类（短期记忆和长期记忆），并通过代码示例展示了短期记忆的实现方法，包括基础对话历史和LangChain内置记忆组件的使用。

AI Agent LangChain RAG 向量数据库 记忆机制
要点:
  • AI Agent需要记忆以支持多轮对话
  • 记忆分为短期记忆和长期记忆
  • 短期记忆存储对话历史和上下文
  • 长期记忆使用向量数据库和知识库
  • 提供了LangChain记忆组件的代码示例

AI Agent 从0到精通（一）：什么是AI Agent？一文带你搞懂核心概念

新民晚报 2026-03-03 阅读: 11

本文是AI Agent系列教程的第一篇，系统介绍了AI Agent的核心概念、与传统LLM的区别、四大核心组件（记忆、工具、规划、行动）、工作原理、主流框架对比以及典型应用场景。文章旨在为零基础开发者提供全面的入门指导。

AI Agent LLM LangChain ReAct框架 RAG
要点:
  • AI Agent能自主感知、决策与执行
  • 与传统LLM相比，AI Agent具备主动规划能力
  • 核心组件包括记忆、工具、规划与行动
  • 主流框架有LangChain、AutoGen等
  • 应用场景涵盖个人助手、数据分析等