六个月前，我分享了DiffMem，这是一个使用git而非向量数据库来实现AI记忆的概念验证（PoC）。有790位朋友为它点赞，并对我正在构建的内容提出了一些问题。
我构建了一个名为Annabelle的记忆助手。她在WhatsApp和Messenger上运行，已经使用你们点赞的基于git的记忆系统，记住了三个人的生活长达六个月。这不是一个代理框架，也不是在OpenClawd上运行，而是基于一个特定想法构建的具体产品：AI中的难题不是智能，而是连续性。
以下是从概念验证到生产环境之间的变化：
*多租户通过git工作树*
概念验证是单用户的。生产环境为每个用户使用孤立分支，每个分支作为工作树挂载。记忆以结构化的markdown格式存储在memories/{people, contexts, events}/下。每次对话都是一个提交。
*四种检索深度*
上下文API支持四种模式：基础（最近/频繁的文件）、广泛（跨库的语义搜索）、深度（完整的实体文件）和时间（文件及其git日志，显示事物随时间的变化）。时间模式仍然是git优于向量的关键。“我的项目是如何演变的？”需要的是差异历史，而不是余弦相似度。
*在实践中的表现*
我设置了一个示例仓库，DiffMem逐章读取《杰基尔与海德》，你可以通过提交记录观察其理解的演变： [https://github.com/Growth-Kinetics/diffmem_sample_memory/commit/93272f57076789946f2c06b2c1f920c6a99812dc](https://github.com/Growth-Kinetics/diffmem_sample_memory/commit/93272f57076789946f2c06b2c1f920c6a99812dc)
你可以看到实体文件中发生了什么变化，它绘制了哪些连接，更新了什么。这不是一个黑箱嵌入，而是你可以用眼睛阅读的markdown和git历史。
*我为什么构建这个*
我记忆力差，并且有早发性阿尔茨海默病的遗传风险。最初的目标是创建一个能够在我无法记住自己的时候记住我的实体。
DiffMem（MIT）： [https://github.com/Growth-Kinetics/DiffMem](https://github.com/Growth-Kinetics/DiffMem)
示例记忆： [https://github.com/Growth-Kinetics/diffmem_sample_memory](https://github.com/Growth-Kinetics/diffmem_sample_memory)
Annabelle： [https://withanna.io](https://withanna.io)
返回首页
最新
不幸的是，我们不得不关闭，因此决定将代码开源。网上/离线有一些类似的产品。我们认为这可能对某些人有用，如果确实如此，我们将继续开发这个项目，因此发布了这篇帖子。它的功能是：允许您上传大量文档（已测试过100K份来自arxiv的文档），并向AI代理提问。与其他产品的不同之处在于：它是完全独立的，开箱即用，可以在服务器上安装并离线工作，确保完全隐私。它可以处理大量的表格/CSV文件。它类似于RAG，但更像是具有多步骤处理的研究助手。期待听到大家的反馈。
我已经构建了将近一年，并在X、Reddit和Hacker News上分享我的旅程。看起来我仍然无法打破自己的圈子，接触到更多用户。我真的相信我正在构建的产品，但获取用户似乎比构建产品更困难。<p>有什么建议吗？
在过去几周，我遇到了多个AI/API的故障——而且不止是一个提供商。
- Anthropic的Claude出现了模型超时和HTTP 500/529错误
- 最近GitHub发生故障时，访问仓库出现问题
- Supabase的数据库/API也出现了小故障
- 甚至主要云服务商也偶尔出现基础设施的短暂故障
单独来看，这些都不算令人震惊。每个系统都有可能出现故障。
但综合来看？感觉故障的频率和影响范围在增加。
这引发了一些令人不安的问题：
- 我们是否为了开发速度而过度优化，牺牲了系统的韧性？
- 小团队是否在不知情的情况下构建在越来越脆弱的技术栈上？
- 这只是可见性偏差，还是故障真的变得更加普遍？
我很好奇这里的其他人是如何看待这个问题的。
我正在开发一个视频转文本的网页应用，想分享一下以便获得反馈。核心流程很简单：上传文件，开始转录，然后在历史页面中跟踪进度，该页面在任务运行时会自动刷新。付费用户可以一次提交多个文件，并且支持对话和采访的说话者分离功能。
在过去几周，我主要专注于提高系统的可靠性。我更改了处理流程，先提取音频再进行转录，这使得长文件的处理更加稳定。我还花时间改进了故障处理，让用户在任务失败时能看到清晰的错误信息，而不是原始的模型错误。
目前定价设置非常简单：免费用户每天可以进行3次转录，有一个无限制计划，价格为每月20美元或每年120美元。
我非常希望能得到关于整体用户体验的反馈，尤其是故障/重试的行为是否合适，以及定价对首次使用的用户是否易于理解。
我们很高兴地分享我们的预印本，内容关于PantheonOS，这是一个可进化的分布式多智能体系统，用于自动基因组发现。
预印本：<a href="https://www.biorxiv.org/content/10.64898/2026.02.26.707870v1" rel="nofollow">https://www.biorxiv.org/content/10.64898/2026.02.26.707870v1</a>
网站（对所有人开放的在线平台）：<a href="https://pantheonos.stanford.edu/" rel="nofollow">https://pantheonos.stanford.edu/</a>
PantheonOS结合了基于大语言模型的智能体、强化学习和智能体代码进化，超越常规分析——将最先进的算法进化到超人类的表现。
应用：
- 进化的批量校正（Harmony、Scanorama、BBKNN）和强化学习增强算法
- 强化学习增强的基因面板设计
- 在22个以上虚拟细胞基础模型中进行智能路由
- 从新生成的3D早期小鼠胚胎数据中进行自主发现
- 将人类胎儿心脏的多组学数据与3D全心脏空间数据整合
Pantheon具有高度的可扩展性，尽管目前展示的应用集中在基因组学领域，但其架构非常通用。代码现已开源，我们希望构建一个新一代的人工智能数据科学生态系统。
我想开发一款iOS应用，尽管我已经是一名软件开发人员，但我担心在我所在的国家目前无法负担得起一台Mac。如果有人有旧的Mac可以送给我，我将非常感激！
嗨，HN — 我是 Prateek Rao。我的联合创始人和我创建了 Cortexa，我们将其描述为一个针对自主记忆的彭博终端。
我一直看到一个模式：当代理出现问题时，大多数团队会对提示进行迭代，然后通过添加一个记忆层（向量数据库 + RAG）来“修复”它。这有时会有所帮助，但并不能保证正确性。在实践中，这往往会引入一种新的失败模式：代理检索到一些可疑的信息，并将其写回记忆中，仿佛它是真实的，这个错误会变得顽固。随着时间的推移，你会遇到记忆污染、循环幻觉循环，调试变成了日志考古。
Cortexa 的功能：
1. 代理决策取证（端到端的“为什么”）：追踪输出/行为回到导致它们的确切检索、记忆写入和工具调用。
2. 记忆写入治理：拦截并评分记忆写入（0–1），并可选择阻止/隔离没有依据的条目，以免它们污染未来的运行。
3. 记忆卫生 + 向量存储噪声控制：自动检测并移除近似重复/低信号条目，以保持检索质量高，存储和推理成本不增加。
为什么这很重要：
可观察性是自主 AI 缺失的一层。没有它，自主性就很脆弱：小错误默默累积，部署变得风险高，工程成本上升，因为失败无法重现或归因。
适合谁：
1. 在生产中交付自主工作流的团队
2. 任何面临“未知原因”失败、记忆污染或失控上下文成本的人
3. 希望实现可审计性 + 更快调试循环的工程师
网站： [https://cortexa.ink/](https://cortexa.ink/)
希望能收到任何在大规模运行代理的人的反馈：
1. 你在生产中见过的最痛苦的代理失败模式是什么？
2. 你希望在“代理终端”中看到哪些信号（检索差异、记忆责任、工具调用跟踪、警报等）？
这些天我去新的地方，感觉非常压倒。大量低质量的投稿。<p>建议的解决方案：限制投稿仅限于拥有超过X点声望（例如500点声望）或账号年龄超过Y年（例如5年）的用户。<p>这两种条件在未来都能适应，因为用户可以在不投稿的情况下逐渐满足这两个条件。
《星际争霸2》是一款老游戏，但一直以来缺乏在游戏外部可视化重播的方式。我从零开始构建了一个重播渲染引擎，使用重播文件和Claude Code。
重播文件包含了玩家输入的采样位置坐标和指令。因此，我利用地图构建了一个等距视图，并在地图上叠加了单位图标，然后对单位随时间移动的位置进行了插值处理。
我还从游戏数据中提取了额外的指标，有些指标是基于其他指标推导出来的。
最后，我将所有这些上下文信息传递给一个大型语言模型（LLM），让它对游戏玩法进行评析，并为每位玩家提供优点和改进建议。
这并不完美，但这是一个很好的起点，可以进行迭代和改进。
让我知道你的想法！
永不疲惫的支持代理
类人AI团队成员正在悄然解决困扰客户服务的问题。让我们认识一下莎拉。
莎拉是你最优秀的客户支持代理。她对你的产品了如指掌，耐心处理困难客户，解决工单的速度比团队中的任何人都快。然而，她在周一请了病假，到周四时已经精疲力竭，并在去年四月刚刚完成替代培训后辞职了。
这是关于客户服务的故事，没人提及的。潜藏在聊天机器人失败和客户满意度评分背后的安静结构性崩溃。
数学从未奏效
呼叫中心的员工流失率每年在30%到45%之间，远高于其他行业的两倍。替换一名代理的成本在10,000到20,000美元之间。在一个100人的团队中，这意味着在为客户提供优质服务之前，流失成本就超过了100万美元。
- 87%的联络中心员工报告工作压力很大
- 59%面临主动性疲惫的风险
- 77%表示与去年相比，工作负荷有所增加
美国企业每年因糟糕的客户服务面临8560亿美元的损失，这并不是因为公司不在乎，而是因为系统在结构上存在缺陷。
凌晨2点发生了什么
你的客户并不遵循商业时间：
- 不同时间区的潜在客户有售前问题
- 一名客户在周日晚上发现了账单错误
- 一名新用户在午夜的入职过程中卡住，快要关闭页面
78%的客户因服务不佳而放弃购买。问题不在于AI，而在于错误的类型——旨在推脱而非解决。
实际的变化
一个新类别出现了：对话视频AI团队成员。不是嘴巴会动的动画聊天机器人，而是能够：
- 进行完整对话，具有动态面部表情和自然的眼神交流
- 根据客户的实时反馈调整情感语调
- 从你的实际公司数据中提取上下文相关的答案
领先的平台现在提供不到1秒的端到端延迟，语音到头像的响应时间低于80毫秒，并支持无限并发会话。
莎拉与玛雅：并肩作战
现在是晚上11:47。玛雅注意到重复收费，并访问了你的支持页面。
旧模式：
- 聊天机器人询问澄清问题，却无法提取账户数据
- 提供帮助文章，告诉她在工作时间内再打电话
- 玛雅通过银行对收费提出异议。你失去了这段关系。
AI团队成员模型：
- 数字人类立即出现，按名字问候玛雅
- 实时提取账户信息，确认重复收费
- 在同一会话中发放退款并发送确认
总时间：不到四分钟。首次联系解决。午夜无需工单，也不需要人类代理。AI团队成员并不取代莎拉，而是保护她免受80%工单的困扰，这些工单让她感到疲惫不堪。
数字所言
- AI辅助支持每小时解决的问题提高了14%
- 每投资1美元平均回报为3.50美元，顶尖表现者达到8倍
- Gartner预计全球呼叫中心的劳动力成本将减少800亿美元
- AI客户服务市场预计将从2024年的120亿美元增长到2030年的478.2亿美元
64%的消费者表示，如果AI客户服务展现出类人特征，他们更可能信任。这是文本聊天机器人从未弥补的信任差距。
像Trugen AI这样的平台正在构建这样的系统，让AI团队成员能够真实地“看”、“听”和“回应”。
莎拉得以留任
实时AI团队成员吸收了大量工作：
- 账单争议、订单状态查询、密码重置
- 产品常见问题和非工作时间的咨询
莎拉处理真正需要她的事务：
- 升级问题、复杂问题、高价值客户
- 处于真正困境中需要人类帮助的客户
她的工作得到了改善。她的疲惫风险降低。她留下来了。
如果你正在探索这对你的团队意味着什么，Trugen AI值得作为起点进行了解。
标签：客户服务、AI代理、数字人类、对话AI