[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"consumer-news-detail-830":3,"consumer-news-interaction-830":38,"consumer-news-related-830":41},{"detail":4,"item":34},{"card":5,"schemaVersion":21,"fields":22,"content":28},{"id":6,"kind":7,"targetType":8,"targetId":9,"subtype":7,"typeLabel":10,"title":11,"subtitle":12,"summary":13,"coverUrl":14,"badgeText":14,"href":15,"sourceName":12,"meta":16,"metrics":18,"tags":19,"resolved":20},"NEWS_ARTICLE:830","news","NEWS_ARTICLE",830,"资讯","百智云长期记忆服务：长期记忆与上下文窗口的区别","博客园","很多人在接触 AI 长期记忆时，第一反应是：「这不就是把聊天记录存起来吗？」其实这是一个很常见的误解。今天我们把「长期记忆」和「上下文窗口」这两个概念彻底讲清楚。 一、什么是上下文窗口 上下文窗口（Context Window）是模型在单次推理时能「看到」的文本上限。它像一个临时的工作台：模型只能处","","\u002Fnews\u002F830",[17],"2026",{},[],true,"consumer-content-detail-v1",{"sourceName":12,"authorName":23,"summary":13,"description":13,"publishTime":24,"updateTime":25,"sourceUrl":26,"language":27},"MonkeyCode","2026-09-02T15:38","2026-09-02T20:37:48","https:\u002F\u002Fwww.cnblogs.com\u002Fnkds\u002Fp\u002F22809079","中文",{"format":29,"policy":30,"normalized":20,"html":31,"text":32,"wordCount":33,"hasBody":20},"HTML","NEWS_CONTENT_V1","\u003Cp>很多人在接触 AI 长期记忆时，第一反应是：「这不就是把聊天记录存起来吗？」其实这是一个很常见的误解。今天我们把「长期记忆」和「上下文窗口」这两个概念彻底讲清楚。\u003C\u002Fp>\n\u003Ch2>一、什么是上下文窗口\u003C\u002Fh2>\n\u003Cp>上下文窗口（Context Window）是模型在单次推理时能「看到」的文本上限。它像一个临时的工作台：模型只能处理这个窗口内的内容，窗口之外的，它一概不知。\u003C\u002Fp>\n\u003Cp>上下文窗口有几个明显特点：\u003C\u002Fp>\n\u003Cul>\n \u003Cli>\u003Cstrong>短期\u003C\u002Fstrong>：只存在于当前这一次对话里。\u003C\u002Fli>\n \u003Cli>\u003Cstrong>有限\u003C\u002Fstrong>：受 token 上限约束，装不下太多内容。\u003C\u002Fli>\n \u003Cli>\u003Cstrong>易失\u003C\u002Fstrong>：会话一结束，窗口里的内容就「蒸发」了。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2>二、什么是长期记忆\u003C\u002Fh2>\n\u003Cp>长期记忆是独立于上下文窗口之外的持久化存储。它把对话中值得保留的信息提炼、结构化，存下来，供未来的任何会话按需检索。\u003C\u002Fp>\n\u003Cp>长期记忆的特点正好相反：\u003C\u002Fp>\n\u003Cul>\n \u003Cli>\u003Cstrong>持久\u003C\u002Fstrong>：跨会话、跨时间保留。\u003C\u002Fli>\n \u003Cli>\u003Cstrong>结构化\u003C\u002Fstrong>：不是原始聊天记录，而是组织好的事实与关系。\u003C\u002Fli>\n \u003Cli>\u003Cstrong>按需检索\u003C\u002Fstrong>：不会全部塞进上下文，而是按相关性召回。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2>三、两者的核心区别\u003C\u002Fh2>\n\u003Cp>可以这样类比：上下文窗口是「此刻握在手里的便签」，长期记忆是「放在书架上的笔记本」。便签用完就扔，笔记本一直留着。\u003C\u002Fp>\n\u003Cp>用一张对比表来总结：\u003C\u002Fp>\n\u003Ctable>\n \u003Cthead>\n  \u003Ctr>\n   \u003Cth>维度\u003C\u002Fth>\n   \u003Cth>上下文窗口\u003C\u002Fth>\n   \u003Cth>长期记忆\u003C\u002Fth>\n  \u003C\u002Ftr>\n \u003C\u002Fthead>\n \u003Ctbody>\n  \u003Ctr>\n   \u003Ctd>生命周期\u003C\u002Ftd>\n   \u003Ctd>单次会话\u003C\u002Ftd>\n   \u003Ctd>跨会话持久\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n   \u003Ctd>容量\u003C\u002Ftd>\n   \u003Ctd>受限\u003C\u002Ftd>\n   \u003Ctd>可扩展\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n   \u003Ctd>内容形态\u003C\u002Ftd>\n   \u003Ctd>原始文本\u003C\u002Ftd>\n   \u003Ctd>结构化事实\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n   \u003Ctd>使用方式\u003C\u002Ftd>\n   \u003Ctd>全量注入\u003C\u002Ftd>\n   \u003Ctd>按需检索\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n   \u003Ctd>典型问题\u003C\u002Ftd>\n   \u003Ctd>装不下、会忘记\u003C\u002Ftd>\n   \u003Ctd>检索不准、会冲突\u003C\u002Ftd>\n  \u003C\u002Ftr>\n \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Ch2>四、为什么两者缺一不可\u003C\u002Fh2>\n\u003Cp>长期记忆不是要替代上下文窗口，而是给上下文窗口「供料」：把最重要的记忆检索出来，注入到上下文里，让模型在有限的窗口内做出更懂你的回答。\u003C\u002Fp>\n\u003Ch2>五、小结\u003C\u002Fh2>\n\u003Cp>一句话总结：上下文窗口决定「这一刻能想多少」，长期记忆决定「这一生能记住多少」。理解了这个区别，你就能更好地规划 AI 应用的记忆架构。\u003C\u002Fp>","很多人在接触 AI 长期记忆时，第一反应是：「这不就是把聊天记录存起来吗？」其实这是一个很常见的误解。今天我们把「长期记忆」和「上下文窗口」这两个概念彻底讲清楚。 一、什么是上下文窗口 上下文窗口（Context Window）是模型在单次推理时能「看到」的文本上限。它像一个临时的工作台：模型只能处理这个窗口内的内容，窗口之外的，它一概不知。 上下文窗口有几个明显特点： 短期：只存在于当前这一次对话里。 有限：受 token 上限约束，装不下太多内容。 易失：会话一结束，窗口里的内容就「蒸发」了。 二、什么是长期记忆 长期记忆是独立于上下文窗口之外的持久化存储。它把对话中值得保留的信息提炼、结构化，存下来，供未来的任何会话按需检索。 长期记忆的特点正好相反： 持久：跨会话、跨时间保留。 结构化：不是原始聊天记录，而是组织好的事实与关系。 按需检索：不会全部塞进上下文，而是按相关性召回。 三、两者的核心区别 可以这样类比：上下文窗口是「此刻握在手里的便签」，长期记忆是「放在书架上的笔记本」。便签用完就扔，笔记本一直留着。 用一张对比表来总结： 维度 上下文窗口 长期记忆 生命周期 单次会话 跨会话持久 容量 受限 可扩展 内容形态 原始文本 结构化事实 使用方式 全量注入 按需检索 典型问题 装不下、会忘记 检索不准、会冲突 四、为什么两者缺一不可 长期记忆不是要替代上下文窗口，而是给上下文窗口「供料」：把最重要的记忆检索出来，注入到上下文里，让模型在有限的窗口内做出更懂你的回答。 五、小结 一句话总结：上下文窗口决定「这一刻能想多少」，长期记忆决定「这一生能记住多少」。理解了这个区别，你就能更好地规划 AI 应用的记忆架构。",680,{"id":6,"kind":7,"title":11,"summary":13,"image":14,"href":15,"meta":17,"badge":10,"author":12,"stats":-1,"accent":35,"coverRatio":36,"tags":37},"#2563eb","16 \u002F 10",[7,8],{"targetType":8,"targetId":9,"likedByMe":39,"likeCount":40,"commentCount":40,"contentLikeCount":40,"contentCommentCount":40,"sourceLikeCount":40,"sourceCommentCount":40},false,0,[42,51,57,64,72,79,86,92],{"id":43,"kind":7,"title":44,"summary":45,"image":46,"href":47,"meta":48,"badge":10,"author":12,"stats":-1,"accent":35,"coverRatio":36,"tags":49},"NEWS_ARTICLE:827","MHS 三部曲（下）：谁允许 AI 行动？——权力、合规与中国厂商的答卷","我们总在等待一个像 ChatGPT 那样的机器人时刻。但具身智能真正的拐点，也许先发生在更不起眼的地方：一台陌生设备，第一次能把自己的能力、状态和边界完整告诉 AI；一个 Agent，第一次能把试出来的经验固化成可验证、可复用的机器技能。","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F510\u002F202608\u002F510-20260830153745229-1536981088.jpg","\u002Fnews\u002F827","2026 · 人工智能",[50],"人工智能",{"id":52,"kind":7,"title":53,"summary":54,"image":14,"href":55,"meta":17,"badge":10,"author":12,"stats":-1,"accent":35,"coverRatio":36,"tags":56},"NEWS_ARTICLE:829","我不会美工，用 WorkBuddy 1 分钟做出 4 张海报","先说结果：下面这 4 张海报，从我发出指令到拿到图片，大约 1 分钟。 我不会美工，也没有打开 Photoshop。用的工具，是我之前用 WorkBuddy 做的一个海报生成器。这个生成器本身也没花几分钟，具体开发过程我在上一篇文章里写过。 这次我把海报生成器的网址、产品截图和要求一起发给 Work","\u002Fnews\u002F829",[7,8],{"id":58,"kind":7,"title":59,"summary":60,"image":61,"href":62,"meta":17,"badge":10,"author":12,"stats":-1,"accent":35,"coverRatio":36,"tags":63},"NEWS_ARTICLE:828","一个人抵一个团队的时代，企业级 AI Agent 还需要做什么？","对于企业而言，真正需要的，不是一个“会聊天”的 Agent，而是一套能被多用户、多场景复用，且权限清晰、过程可审计、成本可控制的 Agent 能力体系。","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F2232255\u002F202609\u002F2232255-20260902173524728-659996478.png","\u002Fnews\u002F828",[7,8],{"id":65,"kind":7,"title":66,"summary":67,"image":14,"href":68,"meta":69,"badge":10,"author":12,"stats":-1,"accent":35,"coverRatio":36,"tags":70},"NEWS_ARTICLE:832","用 runtime-async 写一个支持 async\u002Fawait 的轻量脚本引擎","起因：一个好奇 事情的开头很简单。 给 .NET 做过动态脚本的人大概都碰到过同一堵墙：表达式树也好、Reflection.Emit 也好，都很难支持 async\u002Fawait。原因不在语法，而在 await 的实现方式——C# 编译器要为每个 async 方法生成一个状态机结构体，把方法体切成若干片","\u002Fnews\u002F832","2026 · 软件开发",[71],"软件开发",{"id":73,"kind":7,"title":74,"summary":75,"image":76,"href":77,"meta":17,"badge":10,"author":12,"stats":-1,"accent":35,"coverRatio":36,"tags":78},"NEWS_ARTICLE:831","Agent Sandbox 规模化：JuiceFS 探索与实践","过去一段时间，我们在和云厂商以及 Agent 团队推进 Sandbox 落地时，除了要解决数据如何进入 Sandbox，还需要考虑任务所需的数据和执行过程中产生的数据，如何跨任务、跨阶段持续使用。Sandbox 可以随任务快速创建和销毁，但数据往往需要继续保留、共享和流转。 当 Sandbox 并发","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F2544292\u002F202609\u002F2544292-20260902171045357-1907499098.png","\u002Fnews\u002F831",[7,8],{"id":80,"kind":7,"title":81,"summary":82,"image":83,"href":84,"meta":48,"badge":10,"author":12,"stats":-1,"accent":35,"coverRatio":36,"tags":85},"NEWS_ARTICLE:835","体验向量数据库 qdrant","作者:张富春(ahfuzhang)，转载时请注明作者和引用链接，谢谢！ cnblogs博客 zhihu Github 公众号:一本正经的瞎扯 背景 为了早点搞懂公司的百万行 C# 的祖传代码，我想在缺乏文档、缺乏帮手的情况下，先建立一个 企业知识库 来快速帮我理清头绪。 一开始，我是打算以 weav","https:\u002F\u002Fimg2022.cnblogs.com\u002Fblog\u002F1457949\u002F202202\u002F1457949-20220216153819145-1193738712.png","\u002Fnews\u002F835",[50],{"id":87,"kind":7,"title":88,"summary":89,"image":14,"href":90,"meta":17,"badge":10,"author":12,"stats":-1,"accent":35,"coverRatio":36,"tags":91},"NEWS_ARTICLE:833","如何利用AI技术实现漫画翻译","漫画作为图文结合的特色文化载体，承载着各国潮流文化与人文故事，但跨语言的文字壁垒，长期制约着漫画的传播与交流。传统漫画翻译高度依赖人工操作，需要人工框选文字、擦除原图文字、翻译文案、排版适配画风，流程繁琐、耗时费力，且极易出现排版错乱、画风违和、语义偏差等问题。 随着深度学习、计算机视觉与大模型技术","\u002Fnews\u002F833",[7,8],{"id":93,"kind":7,"title":94,"summary":95,"image":96,"href":97,"meta":17,"badge":10,"author":12,"stats":-1,"accent":35,"coverRatio":36,"tags":98},"NEWS_ARTICLE:834","用 Apache SeaTunnel 同步 DynamoDB 到 Redis，一个配置文件就够","作者：Ricardo Ferreira 编译：Debra Chen 假设你把客户数据存储在 Amazon DynamoDB 中，作为应用的唯一数据源（single source of truth）。但如今你需要同样的数据放在 Redis 里，进行快速缓存、实时分析，或是为向量搜索推荐引擎赋能。举例来","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F3195851\u002F202609\u002F3195851-20260902145155710-759131565.jpg","\u002Fnews\u002F834",[7,8]]