摘要： Oxigraph（图数据库）管精确关系，Qdrant（向量数据库）管模糊语义——两者互补，成就AI Agent的“全能记忆体”。 数据存储：所有任务、Skill、记忆块写入 Oxigraph（RDF图库），同时为核心节点生成向量存入 Qdrant，并双向关联（Oxigraph节点保存Qdrant point_id） 查询路由：精确查询（如“找出某Skill的所有依赖”）→ Oxigraph + SPARQL；模糊查询（如“类似JWT的Rust项目”）→ Qdrant语义搜索 → 返回ID后回Oxigraph反查完整节点 核心收益： 模式识别：新任务自动匹配最相似的历史任务，注入经验，Agent不再从零开始 Skill智能发现：基于功能描述而非标签发现所需Skill 记忆模糊唤醒：Agent可像人类一样“我记得好像讨论过……”并召回精确上下文 关键词：Oxigraph、Qdrant、图数据库、向量数据库、AI Agent、语义搜索、双通道检索、RAG、记忆系统 阅读全文

摘要： 为AI Agent装上统一的大脑：Oxigraph图数据库 + JSON-LD语义总线。选择Rust原生库 Oxigraph，实现了三大质变： 零摩擦集成：JSON-LD直接展开为RDF三元组存入Oxigraph，无需转换层 统一地址总线：所有数据（Skill、记忆、任务）拥有唯一IRI，支持按需加载，LLM上下文Token消耗从O(n)→O(1) 多Agent共享：内存模式作L2黑板，配合MESI一致性协议，无冲突协作 图查询威力：递归查询依赖（skill:requiresDirect*），关系型数据库难以做到 记忆分层：L1摘要+IRI引用（LLM上下文）→ L2 Oxigraph内存（工作区）→ L3 SPARQL投影 → L0 Oxigraph持久化。Agent永不“失忆”。 项目开源：https://github.com/doiito/gliding_horse 关键词：Oxigraph、图数据库、JSON-LD、AI Agent、Rust、SPARQL、多Agent协作、记忆系统、Token优化 阅读全文

摘要： AI Agent记不住长对话？本文借鉴CPU多级缓存架构（L1/L2/L3/内存），为AI记忆系统设计了一套四级存储方案： L1（LLM上下文）：只存摘要，Token消耗从O(n)降至O(1) L2（内存黑板）：多Agent共享图数据库，配合MESI协议保证一致性 L3（投影引擎）：按需换页，实现“无限记忆” L0（持久化知识库）：历史结论可追溯 实测收益：Token消耗降低90%+，多轮对话不“失忆”，多Agent协作无冲突，系统可持续运行数周。 项目 Gliding Horse（流马） 已用Rust完整实现，开源地址： https://github.com/doiito/gliding_horse 关键词：AI记忆系统、CPU缓存架构、多级缓存、AI Agent、Token优化、多Agent协作、图数据库、MESI协议 阅读全文

摘要： 本文深入探讨了基于 LangChain 框架的文本切分技术，从核心概念到实战应用，详细介绍了不同切分策略的适用场景与性能对比。通过完整的代码示例与架构图，帮助开发者掌握如何根据文档类型与业务需求选择最优切分方案，提升 RAG 系统的检索准确率与生成质量。关键词：`LangChain`、`文本切分`、`RAG`、`向量检索`、`文档预处理` 阅读全文