深入探讨OpenClaw多Agent在Telegram群聊中的协作挑战
本文讨论了在使用OpenClaw框架开发多Agent系统时遇到的具体技术痛点。当多个Agent部署在Telegram群组中时，框架默认的“快速串行路由”机制导致Agent之间出现“抢话”和上下文断裂的问题。具体表现为：当用户发送消息后，网关...
标签索引 / 第 3 页
AI架构
这个标签下有 33 篇文章。按时间回看相关判断与实践记录。
标签精选
相关内容
多Agent协作的“稳定性陷阱”：OpenClaw长任务性能衰减实测与技术探讨
一位开发者在Linux.do社区分享了OpenClaw在处理大规模任务时遇到的严峻挑战。在尝试构建由20个文档、每文档3个Agent组成的协作网络时，系统出现了明显的性能退化：随着任务时长增加，协作效率断崖式下跌，最终导致任务无法自主完成。...
极限压缩挑战：仅用36个参数的Transformer实现10位数完美加法
AdderBoard 挑战赛旨在寻找能够对两个10位数进行加法运算且准确率超过99%的最小Transformer模型。该项目源于对 Claude Code 和 Codex 代码生成能力的对比，随后引爆社区热情。目前的排行榜显示，通过手工设计...
超越Claude？新论文LCM提出无损上下文管理，重构AI记忆机制
一篇新论文提出了“无损上下文管理”（LCM）框架，旨在解决大语言模型在处理长上下文时的记忆与检索难题。LCM受MIT“递归语言模型”（RLM）启发，但改进了其不稳定性。不同于RLM依赖LLM编写脚本的“符号递归”（易出错），LCM引入确定性...
老旧SaaS如何拥抱AI？Text2SQL方案引发热议
针对传统Web版SaaS系统如何向AI驱动转型的技术难题，社区展开了热烈讨论。目前主流思路是引入LLM作为前端接口，通过Prompt让大模型理解业务表结构，利用Text2SQL技术查询结构化数据并最终由大模型渲染展示。然而，该方案面临严重的...
用Einsum推导张量分片逻辑，提升分布式训练效率
本文介绍了如何使用 Einstein summation（einsum）符号高效地推导和计算张量分片。相比传统的画图法，这种方法能更快速准确地处理分片矩阵的乘法逻辑。作者阐述了 einsum 的基本规则及反向传播中的梯度计算，并通过张量并行...
上下文是AI最大瓶颈：深度解析RAG、Memory与Skills设计哲学
在大模型时代，上下文是稀缺资源。受限于Transformer架构的二次方计算复杂度，单纯扩大窗口无法解决问题。本文深入剖析了业界的三大解决方案：通过外部检索的RAG、分层存储的记忆系统，以及分而治之的子代理架构。文章重点解读了“Skills...
DeepSeek mHC获复现：拆解万倍信号炸弹，大模型训练零代价稳定
研究员利用8张H100 GPU成功复现DeepSeek提出的mHC架构。实验表明，传统超连接（HC）在1.7B规模下会出现信号激增超万倍的严重不稳定性。而DeepSeek的mHC通过数学约束将信号完美锁定，不仅彻底消除了训练崩溃的风险，且未...
Claude Code上下文压缩机制解析：兼顾摘要与回溯能力
近日，有技术人士揭秘了Claude Code的上下文压缩机制。与常见的简单概括并删除数据不同，Claude Code采用了一种更优雅的方式：在创建“压缩边界”写入摘要的同时，完整保留原始对话记录。这意味着在后续会话中，系统不仅依赖摘要，必要...
DeepSeek重磅开源Engram：首创“查算分离”革新大模型架构
DeepSeek今日宣布开源新论文与模块“Engram”，提出大模型“查算分离”新机制。该方法通过引入可扩展的查找记忆结构，在保持同等参数与算力条件下，显著提升了模型在知识检索、逻辑推理及代码数学任务上的表现。此举为大模型架构优化提供了新思...