最新

我有一个提案，旨在解决大型语言模型（LLMs）在新数据持续到达时的长期记忆问题（成本低廉！）。该方案不涉及代码，只需要两个Markdown文件。<p>为了检索，设计了一个语义文件系统，使得LLMs可以方便地使用shell命令进行搜索。<p>目前这是一个初步版本，但效果比我尝试过的任何方案都要好。<p>期待任何反馈！

我思考这个想法已经有好几年了，之前也尝试过几次。去年我开始了这个项目，现在我觉得我有了一些可用的东西。 这是一个异步框架，可以混合同步和异步的 Python 函数，将它们组合成有向无环图（DAG），运行它们，调度它们，在步骤之间持久化数据，或者让数据仅在内存中流动。 GitHub: [https://github.com/walnutgeek/lythonic](https://github.com/walnutgeek/lythonic) 文档: [https://walnutgeek.github.io/lythonic/](https://walnutgeek.github.io/lythonic/) PyPI: pip install lythonic 它是数据流的。因此，从理论上讲，你可以仅用纯函数来组合它。Lythonic 需要对参数和返回值进行注解，以便将输出与输入连接起来。目前，所有数据都以 JSON 格式保存在 SQLite 中，并且对于一定量的数据来说，这样的处理是可以的。 你可以将其用作任务流，保持参数和返回值为空，并将所有数据维护在流之外。 但实际上，你可以在某种折中方案中做得很好，只需流动元数据，足以使你的函数调用可重复，并保持一些可以可靠查询的记录系统。 无论如何，我会尽快停止唠叨。 Python 3.11+ MIT 许可证。 最小依赖：Pydantic, Pyyaml, Croniter 正在准备 v0.1。期待反馈。v0.0.14 已发布。Claude 生成了合理的文档。抱歉，我无法做得更好。我也在开发 Web 界面和实际的端到端示例应用。 谢谢。 - Sergey