| user-memory |
✅ |
长期用户记忆系统,让 Agent 记住偏好与历史交互、提供个性化服务 |
| mem0 · memobase |
✅ |
用 mem0、Memobase 两个开源框架各实现一版用户记忆,作为实验 3-2 的对照实现 |
| user-memory-evaluation |
✅ |
系统化评估用户记忆系统的准确性、相关性和有效性 |
| dense-embedding |
✅ |
向量相似性搜索服务,对比 ANNOY(树)与 HNSW(图)两种 ANN 算法的权衡 |
| sparse-embedding |
✅ |
从零实现基于 BM25 的稀疏向量搜索引擎,可视化内部工作机制 |
| retrieval-pipeline |
✅ |
稠密 + 稀疏 + 神经重排序的完整流水线,用测试用例展示混合检索的互补效果 |
| multimodal-agent |
✅ |
对比原生多模态、提取为文本、工具化分析三种策略在保真度/成本/灵活性上的权衡 |
| structured-index |
✅ |
实现并对比 RAPTOR(递归抽象树)与 GraphRAG(知识图谱)两种结构化索引 |
| agentic-rag |
✅ |
对比 Non-Agentic 与 Agentic RAG,展示 ReAct 主导的迭代检索在司法问答上的优势 |
| agentic-rag-for-user-memory |
✅ |
用 Agentic RAG 管理用户对话历史,实现跨会话记忆检索 |
| contextual-retrieval |
✅ |
实现 Anthropic 的上下文感知检索,为分块生成前缀摘要,失败率降低 49–67% |
| contextual-retrieval-for-user-memory |
✅ |
结合 Advanced JSON Cards 与上下文感知 RAG,形成双层记忆结构实现主动服务 |
| structured-knowledge-extraction |
✅ |
以司法判例跑通「因子发现 → 聚类原型 → 对话式建议」三段流水线 |