最新

在我攻读硕士学位期间，我经常在各种人工智能应用之间切换——从用于制作演示文稿的Gamma AI，到用于理解和导航的ChatGPT，再到用于编码、重组等的Cursor、Claude或Deepseek，因为当某些计划过期或需要时间重置时，我需要这些工具。 我面临的最大问题是——在不同的语言模型之间切换时，我无法传递所有所需的上下文和理解。这就是Lethe发挥作用的地方，它作为所有这些工具的基础层，按照我想要的方式运作，也就是用户想要的方式。你可以直接从ChatGPT、Deepseek、Grok导出、文档或只读Gmail中导入现有数据，或者直接说出你的需求。Lethe能够理解你的项目、决策（如果情绪可见/不可预测）、目标和偏好——每个声明都与其出现的引用相对应，并伴随一个不断更新的置信度评分。它是本地优先的：原始对话永远不会存储在服务器端；它们始终源自一个伪匿名层，你可以随时选择导出或删除。 你所需要做的就是铸造一个范围限定的令牌，并将其指向Claude、Cursor或任何MCP客户端。然后切换到不同的人工智能，它会在你告诉它预期内容之前就已经了解你。只需让它“构建XYZ”，当它按照来自不同人工智能的计划执行时，不要感到惊讶。想要更亲密的互动？教它一个程序或你的工作模式，一次性设置好后，你会看到所有连接的人工智能都以相同的方式运作。 我称之为一个层，而不是一个包装，因为通常记忆是在一个应用程序内部构建的；它基本上被锁定在同一个应用中，使其成为一个中立的、跨模型的版本，识别出大型实验室不愿意构建的空白。 现有的局限性是：它所消化和提取的内容总是与你提供的信息相当——更多的数据意味着更好的上下文，而较少的数据则会影响置信度，因为它是为了有效载荷而构建的，而非表面上的假象。 委托是打包，而不是自主；人工智能在行动之前总是会确认。在单人测试版发布中，搜索首先限于词汇搜索。 在这里，你可以通过上面的URL尝试，无需账户；希望能获得非常真实的反馈，特别是在信任模型方面。