AI 记忆
一条理解持久 AI 记忆的实践路径：RAG 的边界、图谱召回、来源证据和冲突处理。
快速回答
AI 记忆是助手或工作流背后的长期上下文层。有用的记忆不只是向量搜索，还需要来源证据、结构化声明、提升门槛、过时事实处理、冲突解决和检索策略。
适合读者
如果你正在为真实 AI 工作流比较 RAG、向量搜索、图谱记忆和长期助手记忆，可以从这里开始。
它回答的问题
- 为什么 RAG 不足以承担长期 AI 记忆？
- 什么时候应该使用向量、图谱，或两者一起使用？
- AI 系统如何避免悄悄覆盖过时事实？
- 哪些内容应该放进记忆，而不是提示词或技能？
文章
别再从零开始教每一个 AI
一篇关于 Dense-Mem 的个人反思：哪些问题把我从静态 skills 和过期文件推向动态共享记忆、只读自动化上下文、导入导出，以及受治理的知识图谱。
我有点替 AI 委屈
为什么 AI 狂热和反 AI 敌意都错过了同一个重点：LLM 更像成绩很好的应届新人，而不是资深专家。有用的智能体需要入职培训、技能和维护过的记忆，而不是第一次尝试就完美的期待。
Skills + Dense-Mem：让 AI 工作流从经验中学习
一个关于组合 AI skills 与 Dense-Mem 的假设：把工作流、安全规则和验收标准放进 skills，让记忆保存期望、示例、修正、失败和可迁移的 skill-pack 知识。
5 分钟试用 Dense-Mem 托管演示
一篇快速教程：使用托管的 Dense-Mem 测试实例，把 Claude Code 和 Codex 接到同一份临时记忆，并观察共享上下文如何让 AI 更聪明地工作。
Dense-Mem 快速开始：让 Claude Code 和 Codex 使用同一份记忆
一篇面向初学者的教程：启动本地 Dense-Mem 服务器，创建第一把 memory key，并把 Claude Code 和 Codex 接到同一个共享 AI 记忆大脑。
用 Traefik 在 Vultr 上安全部署 Dense-Mem
一篇非技术读者也能跟上的 walkthrough：在 Vultr 云服务器上启动 Dense-Mem，配置 Traefik、HTTPS、私有控制台访问，以及给个人、家庭或工作 AI 工具使用的共享记忆。
RAG 之外的 AI 记忆：向量、图谱和 Dense-Mem
RAG 不是魔法记忆。本文用实践视角解释 chunk、embedding、向量搜索、图谱支撑的记忆，以及为什么持久 AI 记忆需要来源证据、冲突处理和检索策略。
手册
项目
Dense-Mem
Standalone HTTP MCP memory server for LLM hosts with durable graph memory, typed claims and facts, server-side embeddings, team/profile isolation, and recall.