Wenn es etwas gibt, das ich mehr magazine als meinen Morgenkaffee, dann muss es ein cooles neues KI -Werkzeug sein. Ich magazine sie noch mehr, wenn sie frei sind und bei einigen tatsächlichen Aufgaben helfen können, anstatt nur ein Zubehör zu sein. Heute habe ich „OK Pc“ ausprobiert, Kimis neuester Agentenmodus, der alle Ihre Aufgaben erledigt – recherchiert, zusammengestellt und dokumentiert, nur mit einer einzigen Eingabeaufforderung. Das Beste daran? Kimi OK Pc ist klug und tremendous einfach zu bedienen. In diesem Weblog kennenlern wir Kimis neuesten „OK Pc“ besser, testen Sie seine Funktionen, erkunden Sie seine Anwendungen und vieles mehr.

Okay Pc, hier kommen wir!

Was ist „okay Pc“ von Kimi?

„OK Pc“ ist Kimis Agentenmodus. In einer einfachen Sprache ist es der KI -Agent, der Kimis Funktionen mit nur einfachen Aufforderungen in die Ausführung bringt. Dieser KI-Agent wirkt wie Ihr KI-Produkt- und technisches Workforce- alles in einem! Es kann Aufgaben selbst planen, denken und ausführen, um Ihnen endlich das Ergebnis zu geben, das Sie wollen.

Die wichtigsten Funktionen von „OK Pc“ sind:

1. Es kann mehrseitige Web sites, mobilfreundliche Designs sowie bearbeitbare Folien mit einfachen Eingabeaufforderungen erstellen.
2. Es kann quick 1 Million Datenzeilen durchlaufen, um interaktive Dashboards zu erstellen.
3. Es kann von selbst erforschen und Designs schaffen, die besser mit der Aufgabe übereinstimmen.
4. Es wird nativ auf Instruments wie dem Dateisystem, dem Browser und dem Terminal geschult.
5. Es kann mehr Schritte ausführen und mehr Token und Instruments verwenden, die im einfachen Chat -Modus möglich sind.

Dieser Agentenmodus verwendet Kimis K2 Turbo LLM verschiedene Aufgaben ausführen. „OK Google“, „OK Pc“, als Google Assistant von Google Assistant bezeichnet wird, ist ein AI -Agent Das funktioniert auf Eingabeaufforderungen anstelle von Sprachbefehlen.

So greifen Sie auf Kimi „OK Pc“ zu

Zugang zu Kimis Agentenmodus,

1. Gehen Sie zu https://www.kimi.com/
2. Melden Sie sich an/melden Sie sich an Ihrem Konto an
3. Wählen Sie in der in der Mitte des Bildschirms vorhandenen Chatbox „OK Pc“ aus

Sobald Sie fertig sind, geben Sie die Aufgabe ein, die der Agent in der Chatbox ausführen soll.

Testen wir okay Pc!

Um zu sehen, wie intestine der Agentenmodus von Kimi ist, lassen Sie uns „OK Pc“ für drei Aufgaben aufstellen, die beteiligt sind:

1. Erstellen von Excel -Blättern und -Schireien
2. Inhalte der Social -Media -Inhalte auf verschiedenen Plattformen
3. Erforschen und eine Präsentation generieren

Fangen wir an.

Aufgabe 1: Erstellen von Excel -Blättern und -visualisierungen

Immediate: „Finden Sie mir die Aktien, die in den letzten 6 Monaten mehr als 100% zugenommen haben, und diejenigen, die mehr als 100% verloren haben, und ein Excel -Blatt erstellen, um zu verfolgen, wie viele Aktien in diesem Zeitraum gestiegen und gesenkt wurden.“

Ausgabe:

Von hier aus können Sie auf das Dashboard zugreifen: Kimi

Ich bin überwältigt von dem Ergebnis, das dieser Agent produziert hat! Erstens wurde festgestellt, dass es keine Aktien gibt, die mehr als 100percentverloren haben. So änderte es die Frage und fand die Aktien, die in den letzten 6 Monaten wichtige Verlierer an der Börse waren. Um die Bewegung der Aktien und der verschiedenen Developments zu verfolgen, denen sie in den letzten 6 Monaten verfolgt wurden, erstellte OK Pc ein interaktives Dashboard. Dieses Dashboard hatte eine Echtzeitverfolgung von 40 Aktien, interaktive Visualisierungen von Leistungstrends und Analysen über Leistung, Sektoren und Risikokennzahlen. Darüber hinaus lieferte es auch herunterladbare Datensätze in CSV/Excel -Formaten! All diese Arbeiten und es sieht nach weniger als 10 Minuten aus, um all dies zu erstellen.

Aufgabe 2: Erstellung von Inhalten in Social Media in verschiedenen Plattformen

Immediate: „Finden Sie die Themen, die sich auf YouTube im Bereich AI, Gen AI und Information Science befinden. Hear Sie sie auf, erstellen Sie Skripte für jedes dieser Themen und dann ihr Instagram Karussell und LinkedIn -Beiträge.”

Ausgabe:

Von hier aus können Sie auf das Dashboard zugreifen: Kimi

Der Agent nahm sich Zeit, um die Trendthemen zu untersuchen. Es battle kein Kratzer an der Oberfläche der Forschung, sondern eine vollständige Forschung, die über 142 Themen durchgeführt wurde, von denen 5 ausgewählt wurden. Bei all diesen 5 Themen erstellte der Agent dann 15-minütige YouTube-Skripte zu jedem Thema, 10 Slide Instagram Carousel-Inhalt und schließlich 5 professionelle, 400-600-Wörter-Posts für LinkedIn. Das interaktive Dashboard, das der Agent generierte, lieferte detaillierte Einblicke in die Artwork des Engagements, das jedes Thema mit sich bringt, wichtige strategische Erkenntnisse und eine Roadmap. Zusammen mit diesem stellten es herunterladbare Dateien für YouTube -Skripte, Instagram -Karusselle und LinkedIn -Beiträge bereit. All diese Arbeit und alles, was ich gegeben habe, battle nur eine einfache Eingabeaufforderung! OK Pc stellte sich gerade als mehr als nur OK -Agent heraus!

Aufgabe 3: Erforschen und eine Präsentation generieren

Immediate: „Erstellen Sie eine professionelle PowerPoint-Präsentation zur H-1B-Visa-Richtlinie. Die Präsentation sollte enthalten:

• Einführung in das H-1B-Visum
• Was das H-1B-Visum ist, sein Zweck und seine Zulassungskriterien.
• Historische Developments (letzte 10 Jahre)
• Jährliche Zuteilung von H-1B-Visa in den letzten zehn Jahren.
• Demografie von Empfängern (Nationalitäten, Altersgruppen, Geschlecht).
• Fähigkeiten und Branchen am häufigsten mit H-1B-Zulassungen verbunden.

Verwenden Sie klare Diagramme und Diagramme (Zeilendiagramme, Balkendiagramme, Kreisdiagramme), um diese Developments zu präsentieren.

• Neueste H-1B-Richtlinien-Aktualisierungen: Schlüsseländerungen in der neuen Politik, der Regierung oder der regulatorischen Begründung dieser Aktualisierungen, der Auswirkungsanalyse, potenziellen Auswirkungen auf unterschiedliche demografische Daten (nach Nationalität, Geschlecht, Erfahrung), Fähigkeiten und Branchen, die am wahrscheinlichsten betroffen sind, projizierte Zahlen und Verteilung betroffener Gruppen.
• Zusammenfassung der wichtigsten Erkenntnisse.
• Strategische Auswirkungen auf Fachkräfte, Arbeitgeber und politische Entscheidungsträger.

Stellen Sie sicher, dass die PPT visuell ansprechend, datengetrieben und leicht zu folgen ist, mit konsistentem Design, Infografiken und Zitaten, sofern dies erforderlich ist. “

Ausgabe:

Ich bin seit dem Tag des Begins ein Fan von Kimi -Folien. OK Pc Agent bringt seine Leistung auf die nächste Stufe. Mit seinen Forschungs- und Argumentationsfunktionen verbessert es die ursprünglich mögliche Leistung Kimi gleitet. Der Agent folgt alle Anweisungen richtig und erstellt einen professionellen PPT. Die gesamte Präsentation hat einen begrenzten Textual content und ist visuell ganz einfach und ansprechend. Es hat Diagramme an den richtigen Stellen und schließlich eine Folie, die alle Punkte zusammenfasst. Insgesamt ist diese PPT völlig bearbeitbar und kann so wie es ist und auch in Kind von Bildern geteilt werden.

Ist okay computerfrei?

Jein. Kimi.ai Bietet diesen KI -Agenten in einem Freemium -Plan. Die Verwendung im Rahmen des freien Planes ist begrenzt. Die bezahlten Pläne bieten eine höhere Quote für OK Pc.

• Der freie Plan, auch Adagio genannt, verfügt über eine begrenzte, dennoch nicht spezifizierte Verwendung des Kimi -Agenten.
• Der mittelständische Plan mit dem Namen Moderto kostet 19 US-Greenback und bietet eine höhere Nutzung des Agenten.
• Der oberste Plan namens Vivace kostet rund 199 US-Greenback und wird mit einer ungepflegten Verwendung des Agenten ausgestattet.

OK Pc: Wie ist es?

Meine erste Reaktion mit diesem Mittel battle: Das ist brillant. Aber da ich mit gearbeitet habe Chatgpt Agent Und auch Manus, und beide, ich denke, sind gute Konkurrenten für okay Pc.

Ich bin der Meinung, dass Manus das Beste ist, was es tut – der Agent ist mit seiner Forschung umfassend und auch sehr detailliert mit seinen Ergebnissen. Im Vergleich dazu ist OK -Pc schnell, aber nicht so gründlich oder detailliert. Ich komme jetzt zum Chatgpt -Agenten und denke, dass der Pc, der derzeit auf dem neuesten Stand ist, und an Orten, in denen OpenAIs Agent – insbesondere mit den PPT -Gebäudefunktionen -.

Abschluss

Kimi.ai Ist langsam nach oben, und die Welt erkennt auch ihre Fähigkeiten. Es bringt Funktionen heraus, die den Benutzern tatsächlich helfen, und OK Pc ist eine klare Darstellung davon. Dieser KI -Agent arbeitet proaktiv an Ihren Eingabeaufforderungen und findet Particulars, die Sie möglicherweise verpasst haben. Der Agent erstellt in wenigen Minuten schöne PPTs und Forschungen über verschiedene Kanäle. Darüber hinaus ist es billiger als seine Kollegen, und mit der Geschwindigkeit, mit der Kimi seine Produkte verbessert, wird dieser Agent bald ganz oben auf dem Diagramm stehen. Obwohl Sie vielleicht denken, Sie brauchen keinen solchen Agenten, hoffe ich, dass Sie es testen.

OK Pc lässt Sie sicherlich mehr als nur „OK“ fühlen.

Häufig gestellte Fragen

Ein Staff von Forschern der Stanford College hat veröffentlicht MedagentbenchEine neue Benchmark -Suite zur Bewertung von Wirkstoffen (Langwary Mannequin) in Gesundheitskontexten. Im Gegensatz zu früheren Fragen-Reply-Datensätzen bietet Medagentbench a EHR -Umgebung (Digital Digital Well being File) wobei KI-Systeme mehrstufige klinische Aufgaben interagieren, planen und ausführen müssen. Dies markiert eine signifikante Verschiebung von der Prüfung der statischen Begründung zur Beurteilung der Agentenfunktionen in Dwell-medizinische Workflows mit Toolbasis.

Warum brauchen wir im Gesundheitswesen Agenten -Benchmarks?

Die jüngsten LLMs haben sich über statische Chat-basierte Interaktionen hinweg bewegt Agentenverhalten-Interpretieren von Anweisungen auf hoher Ebene, Aufruf von APIs, Integration von Patientendaten und Automatisierung komplexer Prozesse. In der Medizin könnte diese Entwicklung helfen, sich anzusprechen Personalmangel, Dokumentationsbelastung und administrative Ineffizienzen.

Während allgemeine Benchmarks (z. B. Agentbench, Agentboard, Tau-Bench) vorhanden ist, gibt es. In der Gesundheitsversorgung fehlte ein standardisierter Benchmark Dies erfasst die Komplexität von medizinischen Daten, FHIR -Interoperabilität und Längsschnittpatientenaufzeichnungen. Medagentbench erfüllt diese Lücke, indem er einen reproduzierbaren, klinisch relevanten Bewertungsrahmen anbietet.

Was enthält Medagentbench?

Wie sind die Aufgaben strukturiert?

Medagentbench besteht aus 300 Aufgaben in 10 Kategoriengeschrieben von lizenzierten Ärzten. Zu diesen Aufgaben gehören das Abrufen von Patienteninformationen, das Laborergebnis, die Dokumentation, die Testordnung, die Überweisungen und das Medikamentenmanagement. Aufgaben durchschnittlich 2–3 Schritte und Spiegel -Workflows, die in stationärer und ambulanter Pflege auftreten.

Welche Patientendaten stützen den Benchmark?

Der Benchmark nutzt 100 realistische Patientenprofile Extrahiert aus Stanfords Starr -Datenrepository, das übertrifft 700.000 Aufzeichnungen einschließlich Labors, Vitalen, Diagnosen, Verfahren und Medikamentenaufträgen. Die Daten wurden für die Privatsphäre nicht identifiziert und gleichermaßen geschmückt, während die klinische Gültigkeit beibehalten wurde.

Wie wird die Umgebung gebaut?

Die Umwelt ist Fhir-konformUnterstützung sowohl Abruf (GET) als auch Änderung (Publish) von EHR -Daten. KI -Systeme können realistische klinische Wechselwirkungen simulieren, z. B. das Dokumentieren von Vitalen oder das Festlegen von Medikamentenaufträgen. Dieses Design macht den Benchmark direkt in lebende EHR -Systeme übersetzbar.

Wie werden Modelle bewertet?

• Metrisch: Aufgabenerfolgsrate (SR), gemessen mit strikter Cross@1 reale Sicherheitsanforderungen widerspiegeln.
• Modelle getestet: 12 führende LLMs einschließlich GPT-4O, Claude 3.5 Sonnet, Gemini 2.0, Deepseek-V3, Qwen2.5 und Lama 3.3.
• Agent Orchestrator: Eine Foundation -Orchestrierungs -Setup mit neun FHIR -Funktionen, beschränkt auf Acht Interaktionsrunden professional Aufgabe.

Welche Modelle haben am besten durchgeführt?

• Claude 3.5 Sonett V2: Am besten insgesamt mit 69,67% Erfolgbesonders stark in Abrufaufgaben (85,33%).
• Gpt-4o: 64,0% Erfolg und zeigt ausgewogene Abruf- und Aktionsleistung.
• Deepseek-V3: 62,67% Erfolg, führt zu Open-Gewicht-Modellen.
• Beobachtung: Die meisten Modelle haben sich hervorgetan bei Abfrageaufgaben aber kämpfte mit Aktionsbasierte Aufgaben Erfordernde eine sichere Ausführung von mehrstufigen.

Welche Fehler haben Modelle gemacht?

Es entstanden zwei dominante Versagensmuster:

1. Anweisungseinhaltung Fehler – Ungültige API -Aufrufe oder falsche JSON -Formatierung.
2. Ausgangsfehlanpassung – Bereitstellung vollständiger Sätze, wenn strukturierte numerische Werte erforderlich waren.

Diese Fehler unterstreichen Lücken in Präzision und Zuverlässigkeitbeide kritisch im klinischen Einsatz.

Zusammenfassung

Medagentbench stellt den ersten groß angelegten Benchmark für die Bewertung von LLM-Wirkstoffen in realistischen EHR-Umgebungen ein und kombiniert 300 auf klinischherbautete Aufgaben mit einer FHIR-konformen Umgebung und 100 Patientenprofilen. Die Ergebnisse zeigen eine starke potenzielle, aber begrenzte Zuverlässigkeit – Claude 3,5 Sonnet V2 führt bei 69,67% – die Lücke zwischen Abfrageerfolg und sicherer Aktionsausführung. Medagentbench ist zwar durch Einzelinstitutsdaten und EHR-fokussierte Umfang eingeschränkt und bietet einen offenen, reproduzierbaren Rahmen, um die nächste Technology verlässlicher AI-Agenten der Gesundheitsversorgung voranzutreiben

---

Schauen Sie sich das an PAPIER Und Technischer Weblog. Fühlen Sie sich frei, unsere zu überprüfen Github -Seite für Tutorials, Codes und Notizbücher. Fühlen Sie sich auch frei, uns zu folgen Twitter Und vergessen Sie nicht, sich unserer anzuschließen 100k+ ml Subreddit und abonnieren Unser Publication.

Wenn wir über menschliche Intelligenz nachdenken, ist das Gedächtnis eines der ersten Dinge, die uns in den Sinn kommen. Das ermöglicht es uns, aus unseren Erfahrungen zu lernen, sich an neue Situationen anzupassen und im Laufe der Zeit fundiertere Entscheidungen zu treffen. In ähnlicher Weise werden AI -Agenten schlauer mit Erinnerung. Ein Agent kann sich beispielsweise an Ihre früheren Einkäufe, Ihr Funds, Ihre Vorlieben erinnern und Geschenke für Ihre Freunde vorschlagen, die auf dem Lernen aus den vergangenen Gesprächen basieren.

Agenten zerlegen normalerweise Aufgaben in Schritte (Plan → Suche → API → Parse → Schreiben), aber dann können sie vergessen, was in früheren Schritten ohne Speicher passiert ist. Agenten wiederholen Toolaufrufe, holen die gleichen Daten erneut ab oder verpassen einfache Regeln wie „Beziehen Sie sich immer auf den Benutzer mit seinem Namen“. Infolge der Wiederholung des gleichen Kontextes immer wieder können die Agenten mehr Token ausgeben, langsamere Ergebnisse erzielen und inkonsistente Antworten geben. Die Branche hat gemeinsam Milliarden für Vektor -Datenbanken ausgegeben und die Infrastruktur einbettet, um das, was im Kern ein Datenpersistenzproblem für AI -Agenten ist, zu lösen. Diese Lösungen erstellen Black-Field-Systeme, bei denen Entwickler nicht inspizieren, abfragen oder verstehen können, warum bestimmte Erinnerungen abgerufen wurden.

Der Gibsonai Staff gebaut Memori um dieses Downside zu beheben. Memori ist eine Open-Supply-Speicher-Engine, die für alle LLM mit Normal-SQL-Datenbanken (postgresql/mySQL) einen anhaltenden, intelligenten Speicher für alle LLM bietet. In diesem Artikel werden wir untersuchen, wie Memori Gedächtnisherausforderungen angeht und was es bietet.

Die staatenlose Natur der modernen KI: Die verborgenen Kosten

Studien zeigen, dass Benutzer 23-31% ihrer Zeit damit verbringen, einen Kontext zu erhalten, den sie bereits in früheren Gesprächen geteilt haben. Für ein Entwicklungsteam, das AI -Assistenten nutzt, bedeutet dies:

• Einzelentwickler: ~ 2 Stunden/Woche wiederholen Kontext
• 10-Personen-Staff: ~ 20 Stunden/Woche verlorener Produktivität
• Enterprise (1000 Entwickler): ~ 2000 Stunden/Woche oder 4 Millionen US -Greenback/Jahr in redundanter Kommunikation

Über die Produktivität hinaus bricht diese Wiederholung die Phantasm der Intelligenz. Eine KI, die sich nach Hunderten von Gesprächen nicht an Ihren Namen erinnern kann, fühlt sich nicht clever an.

Aktuelle Einschränkungen von staatenlosen LLMs

1. Kein Lernen aus Interaktionen: Jeder Fehler wird wiederholt, jede Präferenz muss angepasst werden
2. Kaputte Workflows: Multi-Session-Projekte erfordern einen ständigen Kontext, der wieder aufgebaut ist
3. Keine Personalisierung: Die KI kann sich nicht an einzelne Benutzer oder Groups anpassen
4. Erkenntnisse verloren: Wertvolle Muster in Gesprächen werden niemals erfasst
5. Compliance -Herausforderungen: Keine Prüfspur von KI-Entscheidungsfindung

Die Notwendigkeit eines anhaltenden, abfragbaren Speichers

Was KI wirklich braucht, ist anhaltend, nachgefrierbarer Speicher Genau wie jede Anwendung basiert auf einer Datenbank. Sie können jedoch nicht einfach Ihre vorhandene App -Datenbank als KI -Speicher verwenden, da sie nicht für die Kontextauswahl, das Relevanzranking oder das Einbringen von Wissen in den Workflow eines Agenten zurückzuführen ist. Deshalb haben wir eine Speicherschicht erstellt, die für KI und Agenten unerlässlich ist, um sich wirklich clever zu fühlen.

Warum SQL für den KI -Speicher wichtig ist

SQL -Datenbanken gibt es seit mehr als 50 Jahren. Sie sind das Rückgrat quick jeder Anwendung, die wir heute verwenden, von Financial institution -Apps bis hin zu sozialen Netzwerken. Warum? Weil SQL einfach, zuverlässig und universell ist.

• Jeder Entwickler kennt SQL. Sie müssen keine neue Abfragesprache lernen.
• Schlacht getestete Zuverlässigkeit. SQL leitet seit Jahrzehnten die weltweit kritischsten Systeme.
• Kraftvolle Fragen. Sie können Daten mit Leichtigkeit filtern, verbinden und aggregieren.
• Starke Garantien. Säure -Transaktionen stellen sicher, dass Ihre Daten konsistent und sicher bleiben.
• Riesiger Ökosystem. Werkzeuge für Migration, Backups, Dashboards und Überwachung sind überall.

Wenn Sie auf SQL aufbauen, stehen Sie auf Jahrzehnten der bewährten Technologie und erfinden das Rad nicht neu.

Die Nachteile von Vektordatenbanken

Die meisten konkurrierenden KI -Speichersysteme sind heute aufgebaut Vektordatenbanken. Auf dem Papier klingen sie fortgeschritten: Sie lassen Sie Einbettungen und Suche nach Ähnlichkeit aufbewahren. Aber in der Praxis haben sie versteckte Kosten und Komplexität:

• Mehrere bewegliche Teile. Ein typisches Setup benötigt einen Vektor -DB, einen Cache und einen SQL -DB, um zu funktionieren.
• Verkäufersperrung. Ihre Daten leben oft in einem proprietären System, sodass es schwierig ist, sich zu bewegen oder zu prüfen.
• Black-Field-Abruf. Sie können nicht leicht sehen Warum Eine bestimmte Erinnerung wurde gezogen.
• Teuer. Infrastruktur- und Nutzungskosten summieren sich schnell, insbesondere im Maßstab.
• Schwer zu debuggen. Einbettungen sind nicht menschlich lesbar, sodass Sie nicht einfach mit SQL abfragen und die Ergebnisse überprüfen können.

So vergleicht es sich mit MemoriSQL-First Design:

Aspekt	Vektordatenbank / Rag -Lösungen	Memoris Ansatz
Dienstleistungen erforderlich	3–5 (Vektor DB + Cache + SQL)	1 (nur SQL)
Datenbanken	Vektor + Cache + SQL	Nur SQL
Abfragesprache	Proprietäre API	Normal SQL
Debuggen	Black Field -Einbettung	Lesbare SQL -Abfragen
Backup	Komplexe Orchestrierung	cp reminiscence.db backup.db oder pg_baseBackupup
Datenverarbeitung	Einbettungen: ~ $ 0,0001 / 1k Tokens (OpenAI) → Billig im Voraus	Entitätsextraktion: GPT-4O bei ~ ~ $ 0,005 / 1k Tokens → höherer Vorab
Lagerkosten	$ 0.10–0,50 / gb / Monat (Vektor DBS)	~ $ 0.01–0,05 / GB / Monat (SQL)
Abfragekosten	~ $ 0.0004 / 1k Vektoren durchsucht	Nahe Null (Normal -SQL -Abfragen)
Infrastruktur	Mehrere bewegliche Teile, höhere Wartung	Einzeldatenbank, einfach zu verwalten

Warum funktioniert es?

Wenn Sie der Meinung sind, dass SQL im Maßstab den Speicher nicht bewältigen kann, denken Sie noch einmal darüber nach. SqliteEine der einfachsten SQL -Datenbanken ist die am weitesten verbreitete Datenbank der Welt:

• Über 4 Milliarden Bereitstellungen
• Läuft auf jedem iPhone, Android -Gerät und Webbrowser
• Ausgeführt Billionen jeden Tag Anfragen

Wenn SQLite diese large Arbeitsbelastung problemlos bewältigen kann, warum sollten Sie den KI -Speicher auf teuren, verteilten Vektorclustern erstellen?

Memori -Lösung Übersicht

Memori Verwendet strukturierte Entitätsextraktion, Beziehungszuordnung und SQL-basierte Abruf, um transparente, tragbare und abfragbare KI-Speicher zu erstellen. Memomi verwendet mehrere Agenten, die zusammenarbeiten, um wesentliche langfristige Erinnerungen für eine kurzfristige Speicherung für eine schnellere Kontextinjektion zu fördern.

Mit einer einzelnen Codezeile memori.allow() Jeder LLM erlangt die Fähigkeit, sich an Gespräche zu erinnern, aus Interaktionen zu lernen und den Kontext über die Sitzungen hinweg aufrechtzuerhalten. Das gesamte Speichersystem wird in einer Normal -SQLite -Datenbank (oder PostgreSQL/MySQL für Enterprise -Bereitstellungen) gespeichert, wodurch es vollständig tragbar, prüfbar und im Besitz des Benutzers ist.

Wichtige Unterscheidungsmerkmale

1. Radikale Einfachheit: Eine Zeile, um Speicher für jedes LLM -Framework zu aktivieren (OpenAI, Anthropic, Litellm, Langchain)
2. Wahre Datenbesitz: Speicher, der in Normal -SQL -Datenbanken gespeichert ist, die Benutzer vollständig steuern
3. Vollständige Transparenz: Jede Speicherentscheidung ist mit SQL und vollständig erklärbar abfragen
4. Null-Anbieter-Lock-In: Exportieren Sie Ihren gesamten Speicher als SQLite -Datei und bewegen Sie sich überall
5. Kosteneffizienz: 80-90% billiger als Vector-Datenbanklösungen im Maßstab
6. Compliance bereit: SQL-basierter Speicher ermöglicht Prüfungsspuren, Datenresidenz und regulatorische Einhaltung

Memori -Anwendungsfälle

• Intelligentes Einkaufserlebnis mit einem KI -Agenten, der sich an die Kundenpräferenzen und das Einkaufsverhalten erinnert.
• Persönliche AI ​​-Assistenten, die sich an Benutzerpräferenzen und Kontext erinnern
• Kundendienstbots, die nie zweimal dieselbe Frage stellen
• Bildungsleiter, die sich an den Fortschritt der Schüler anpassen
• Staff -Wissensmanagementsysteme mit gemeinsamem Speicher
• Compliance-fokussierte Anwendungen, die vollständige Prüfungswege erfordern

Geschäftseffektmetriken

Basierend auf frühen Implementierungen unserer Neighborhood -Nutzer haben wir das identifiziert Memori hilft bei Folgendem:

• Entwicklungszeit: 90% Reduzierung der Implementierung des Speichersystems (Stunden vs. Wochen)
• Infrastrukturkosten: 80-90% Reduktion im Vergleich zu Vektor-Datenbanklösungen
• Abfrageleistung: 10-50 ms Reaktionszeit (2-4x schneller als die Vektor-Ähnlichkeitssuche)
• Speichertretbarkeit: 100% der Speicherdaten tragbar (gegenüber 0% mit Cloud -Vektor -Datenbanken)
• Compliance -Bereitschaft: Vollständige SQL -Prüfungsfähigkeit vom ersten Tag an
• Wartungsaufwand: Einzeldatenbank im Vergleich zu verteilten Vektorsystemen

Technische Innovation

Memori führt drei Kerninnovationen ein:

1. Twin-Mode-Speichersystem: Kombinieren des „bewussten“ Arbeitsgedächtnisse
2. Universelle Integrationsschicht: Automatische Speicherinjektion für einen LLM ohne Framework-spezifischen Code
3. Multi-Agent-Architektur: Mehrere spezialisierte KI -Agenten, die zusammen für intelligentes Gedächtnis arbeiten

Bestehende Lösungen auf dem Markt

Es gibt bereits mehrere Ansätze, um KI-Agenten irgendeine Kind des Gedächtnisses zu verleihen, jeweils eigene Stärken und Kompromisse:

1. Mem0 → Eine Funktionslösung, die Redis, Vektordatenbanken und Orchestrierungsebenen kombiniert, um den Speicher in einem verteilten Setup zu verwalten.
2. Langchain -Erinnerung → Bietet bequeme Abstraktionen für Entwickler, die im Langchain -Framework bauen.
3. Vektordatenbanken (Pnecone, Weaviate, Chroma) → Aussuche auf semantische Ähnlichkeitssuche unter Verwendung von Einbettungen, die für spezielle Anwendungsfälle ausgelegt sind.
4. Benutzerdefinierte Lösungen → Inhouse-Designs, die auf bestimmte Geschäftsanforderungen zugeschnitten sind und Flexibilität bieten, jedoch erhebliche Wartung erfordern.

Diese Lösungen zeigen die verschiedenen Richtungen, die die Branche einnimmt, um das Speicherproblem zu lösen. Memori tritt mit einer anderen Philosophie in die Landschaft ein und bringt Erinnerung in a SQL-native, Open-Supply-Kind Das ist einfach, clear und produktionsbereit.

Memori basiert auf einer starken Datenbankinfrastruktur

Darüber hinaus benötigen KI -Agenten nicht nur Speicher, sondern auch ein Datenbank -Rückgrat, um diesen Speicher verwendbar und skalierbar zu machen. Denken Sie an AI -Agenten, die Abfragen in einer isolierten Datenbank -Sandbox sicher ausführen können, Abfragen im Laufe der Zeit optimieren und autoscale On Demand, z. B. eine neue Datenbank für einen Benutzer, um seine relevanten Daten getrennt zu halten.

Eine robuste Datenbankinfrastruktur von Gibsonai Backs Memori. Dies macht den Gedächtnis zuverlässig und produktionsbereit mit:

• Sofortige Bereitstellung
• Autoscale on Demand
• Datenbank Verzweigung
• Datenbankversioning
• Abfrageoptimierung
• Erholungspunkt

Strategische Imaginative and prescient

Während die Wettbewerber Komplexität mit verteilten Vektorlösungen und proprietären Einbettungen verfolgen, Memori Umarmt die nachgewiesene Zuverlässigkeit von SQL -Datenbanken, die seit Jahrzehnten Anwendungen betrieben.

Ziel ist es nicht, das anspruchsvollste Speichersystem, sondern das praktischste aufzubauen. Durch das Speichern von KI -Speicher in denselben Datenbanken, die bereits die Anwendungen der Welt ausführen, Memori Ermöglicht eine Zukunft, in der der KI -Speicher so tragbar, fragwürdig und verwaltbar ist wie alle anderen Anwendungsdaten.

---

Schauen Sie sich das an Github -Seite hier. Vielen Dank an das Gibsonai -Staff für die Vordenker Führung/Ressourcen und die Unterstützung dieses Artikels.