关于无理数编码与 Agent 记忆的一些想法
把有限信息放进一个无理数并不困难;真正值得区分的是可逆编码、存储压缩,以及 Agent 能否按需读到正确的记忆。
旋臂 I · 10
把有限信息放进一个无理数并不困难;真正值得区分的是可逆编码、存储压缩,以及 Agent 能否按需读到正确的记忆。
从分层记忆系统出发,思考 Agent 如何区分事实、经历和操作经验,并在有限上下文中决定何时记住、读取、更新与遗忘。
当外部资料能够进入长期记忆,一次错误读取可能影响之后的许多任务。记忆系统需要管理的不只是相关性,还有来源、权限、时效与可撤销性。
能否用知识图谱的连接关系指导层次摘要构建?从中心节点与摘要节点的区别出发,尝试保留关系图,同时建立可回溯的概括层。
从反复编码—解码产生的潜在动力学出发,区分局部旋转与全局拓扑障碍,思考势函数、万有覆叠和 Hodge 分解各自能解释什么。
从 Basic MC、Exploring Starts 与 ε-greedy 的差异出发,重新理解初始分布、探索机制、命中概率和自然起点。
把随机梯度轨迹投影为次序模式,探索 fence 偏序集、局部振荡、参数可识别性与真实神经网络之间的距离。
当模型开始动态规划和调用工具,Workflow 并没有消失,而是在 Harness 中变成可执行、可恢复、可验证的控制结构。
旋臂 II · 2
从穿过十个点的曲线出发,理解拟合与先验如何决定模型的权重,泛化界能保证什么,以及训练最终会选中哪一个解。