[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"$fKTlDUMSxtf3wjqpBWcIJcZbfRvpc0GwdPrzJtdFwbU0":3,"$fJU-4tot_gC5fDkujNeoE-cGsdMy5V_KcdUXLuAnTFgw":15,"$fYh4UsLw2jZa8BRuN0s81xT26auj9cLD_sUl2Zad2vxs":423},{"slug":4,"title":5,"description":6,"content":7,"content_html":8,"pub_date":9,"tags":10,"draft":14},"ai-agent-memory","AI Agent 的记忆系统：从上下文窗口到长期记忆","深入拆解 AI Agent 的四种记忆类型、上下文窗口压缩策略、RAG 向量检索原理，以及三种典型失败模式和工程选型建议。","import Chart from '..\u002F..\u002Fcomponents\u002FChart.vue'\n\nexport const embeddingRadarData = {\n  labels: ['延迟', '成本效益', '隐私', '质量', '维护简便'],\n  datasets: [\n    {\n      label: '本地',\n      data: [5, 5, 5, 3, 2],\n      backgroundColor: 'rgba(0,212,255,0.2)',\n      borderColor: 'rgba(0,212,255,0.9)',\n      borderWidth: 2,\n      pointBackgroundColor: 'rgba(0,212,255,0.9)',\n    },\n    {\n      label: '云端',\n      data: [2, 2, 1, 5, 5],\n      backgroundColor: 'rgba(255,0,170,0.2)',\n      borderColor: 'rgba(255,0,170,0.9)',\n      borderWidth: 2,\n      pointBackgroundColor: 'rgba(255,0,170,0.9)',\n    },\n  ],\n}\n\nexport const embeddingRadarOptions = {\n  scales: {\n    r: {\n      min: 0,\n      max: 5,\n      ticks: { display: false, stepSize: 1 },\n      grid: { color: 'rgba(136,136,170,0.25)' },\n      angleLines: { color: 'rgba(136,136,170,0.25)' },\n      pointLabels: { color: '#c8c8d8', font: { family: 'JetBrains Mono', size: 11 } },\n    },\n  },\n}\n\n你有没有遇到过这种情况：和 AI 聊了很长的上下文之后，它突然\"忘记\"了前面说过的事情——不是因为它不聪明，而是因为它的记忆系统到达了物理上限。\n\n记忆是 Agent 区别于普通 LLM 调用的核心能力之一。但\"记忆\"在工程上远比听起来复杂。\n\n---\n\n## 四种记忆类型\n\n认知科学把人类记忆分为工作记忆、情节记忆、语义记忆等类型。AI Agent 的记忆系统有类似的分层：\n\n### 1. In-context Memory（短期\u002F工作记忆）\n\n最基础的记忆形式——就是模型的**上下文窗口（Context Window）**。\n\n- 容量：GPT-4 128K tokens，Claude 3.5 200K tokens，Gemini 1.5 Pro 1M tokens\n- 速度：最快，直接参与推理\n- 持久性：**零**，会话结束即消失\n- 本质：把需要\"记住\"的内容全部塞进 prompt\n\n这是 Agent 的默认记忆模式，也是最大的瓶颈所在。\n\n### 2. External DB Memory（长期记忆）\n\n把信息持久化到外部存储，需要时检索回来。\n\n- **向量数据库**（Pinecone、Weaviate、Chroma、Qdrant）：语义检索\n- **传统数据库**（PostgreSQL、Redis）：精确查询\n- **文件系统**：结构化文档存储\n\n这是 RAG（Retrieval-Augmented Generation）的基础。\n\n### 3. Episodic Memory（情节记忆）\n\n记录\"发生过什么\"——具体的交互历史、任务执行轨迹。\n\n类比人类：你不记得所有知识是怎么学到的，但你记得\"上周我做了一个项目，遇到了这个问题，用这个方法解决了\"。\n\nAgent 的情节记忆通常存储：\n- 过去的对话摘要\n- 任务执行日志\n- 错误和修复记录\n\n### 4. Semantic Memory（语义记忆）\n\n长期积累的**知识和事实**，不依附于具体情节。\n\n类比人类：你知道\"Python 的 GIL 是什么\"，但你不记得是什么时候学的。\n\nAgent 的语义记忆通常是：\n- 微调进模型权重（最彻底，但昂贵）\n- 知识库文档（通过 RAG 访问）\n- 系统提示中的固定知识\n\n---\n\n## 上下文窗口：本质限制与压缩策略\n\n即使是 1M tokens 的超长上下文，也有用完的一天。更实际的问题是：长上下文不仅有容量限制，还有**推理质量下降**的问题。\n\n研究表明，当关键信息被埋在超长上下文的中间时，模型表现会显著变差（\"Lost in the Middle\"现象）。\n\n### 常见压缩策略\n\n**滑动窗口（Sliding Window）**\n\n```\n[系统提示] [最近 N 轮对话] → 超出部分直接丢弃\n```\n\n最简单粗暴。缺点：丢失的信息无法恢复。适合对话连贯性要求不高的场景。\n\n**摘要压缩（Summary Compression）**\n\n```\n当上下文超过阈值时：\n旧对话 → LLM 生成摘要 → 摘要替换原始对话\n```\n\n保留了语义信息，损失了细节。适合长对话的渐进式压缩。\n\n**重要性排序（Importance Ranking）**\n\n```\n对上下文中的每段信息打分 → 保留高分内容 → 丢弃低分内容\n```\n\n可以基于规则（包含关键词）或模型评分。更精细，但计算开销大。\n\n**层级记忆（Hierarchical Memory）**\n\n```\n工作记忆（最近 N 轮）\n    ↓ 定期 consolidate\n情节记忆（摘要 + 关键事件）\n    ↓ 提炼\n语义记忆（核心知识\u002F偏好）\n```\n\n模拟人类记忆的自然层级。MemGPT 是这一思路的代表实现。\n\n---\n\n## RAG：用向量数据库实现外部记忆\n\nRAG（Retrieval-Augmented Generation）是当前最主流的 Agent 长期记忆方案。\n\n### 工作原理\n\n**写入阶段（Indexing）**：\n\n```\n原始文档（PDF\u002F网页\u002F代码）\n    ↓ 切片（Chunking）\n文本块（512 tokens 左右）\n    ↓ Embedding 模型\n向量（1536 维浮点数组）\n    ↓ 写入\n向量数据库（存储向量 + 原始文本）\n```\n\n**检索阶段（Retrieval）**：\n\n```\n用户查询：\"Python 如何处理并发？\"\n    ↓ 同一 Embedding 模型\n查询向量\n    ↓ cosine similarity 计算\n向量数据库返回 top-k 最相似文本块\n    ↓ 注入上下文\n[系统提示 + 检索到的文档 + 用户问题] → LLM\n```\n\n### Embedding 的本质\n\nEmbedding 把文本映射到高维向量空间，**语义相近的文本在向量空间中距离更近**。\n\n```python\nfrom sentence_transformers import SentenceTransformer\n\nmodel = SentenceTransformer('BAAI\u002Fbge-m3')  # 支持中文的模型\n\ntexts = [\n    \"Python 处理并发的方式\",\n    \"如何用 asyncio 写异步代码\",\n    \"今天天气真好\"\n]\n\nembeddings = model.encode(texts)\n# embeddings[0] 和 embeddings[1] 的余弦相似度会远高于和 embeddings[2]\n```\n\nCosine similarity 公式：\n\n```\nsimilarity(A, B) = (A · B) \u002F (|A| × |B|)\n```\n\n值域 [-1, 1]，1 表示完全相同，0 表示无关，-1 表示相反。\n\n---\n\n## 记忆写入时机：何时 Consolidate\n\n不是所有信息都值得存入长期记忆。关键决策点：\n\n| 触发条件 | 写入内容 | 存储类型 |\n|----------|----------|----------|\n| 用户明确说\"记住这个\" | 原始信息 | 情节\u002F语义记忆 |\n| 任务成功完成 | 执行摘要 + 关键决策 | 情节记忆 |\n| 发现用户偏好\u002F习惯 | 偏好描述 | 语义记忆 |\n| 上下文窗口达到 70% | 旧对话摘要 | 情节记忆 |\n| 遇到错误并修复 | 错误模式 + 修复方法 | 语义记忆 |\n\n**不应该写入**：中间推理步骤、临时变量、冗余信息。\n\n---\n\n## 三种典型失败模式\n\n### 失败模式 1：记忆爆炸（Memory Explosion）\n\n症状：把所有东西都写进长期记忆，没有淘汰机制，检索结果越来越噪。\n\n根本原因：缺少**重要性评估**和**过期清理**机制。\n\n解决：设置 TTL（Time To Live），低相关度内容定期清理；写入时评估重要性得分。\n\n### 失败模式 2：记忆遗忘（Memory Amnesia）\n\n症状：明明存了信息，需要时却检索不到。\n\n常见原因：\n- Chunking 策略不当（上下文被切断在块边界）\n- 查询和文档的 embedding 语义漂移（问法和存法不一致）\n- top-k 值太小，相关内容排在 k 之后被截断\n\n解决：调整 chunk 大小和重叠度；使用 HyDE（Hypothetical Document Embedding）增强查询；增大 top-k 后用 reranker 精选。\n\n### 失败模式 3：记忆污染（Memory Poisoning）\n\n症状：错误信息被存入记忆，后续推理被持续误导。\n\n场景：Agent 执行失败但误判为成功，把错误结论写入记忆；用户故意输入误导信息。\n\n解决：写入长期记忆前增加验证步骤；高风险信息标记置信度；支持记忆修正机制。\n\n---\n\n## 工程选型：本地 Embedding vs 云端 API\n\n| 维度 | 本地（sentence-transformers） | 云端（OpenAI \u002F 智谱 \u002F 硅基流动） |\n|------|-------------------------------|----------------------------------|\n| 延迟 | 低（GPU 上 \\\u003C10ms\u002Fchunk） | 高（网络 RTT + 排队，50–200ms） |\n| 成本 | 一次性硬件投入 | 按 token 计费 |\n| 隐私 | 完全本地，数据不出境 | 数据上传第三方 |\n| 质量 | 中文：BGE-M3 ≈ OpenAI ada-002 | OpenAI text-embedding-3-large 最强 |\n| 维护 | 需要自己管理模型更新 | 零维护 |\n\n\u003CChart client:only=\"vue\" type=\"radar\" data={embeddingRadarData} options={embeddingRadarOptions} height={260} \u002F>\n\n**推荐组合**：\n\n- 隐私敏感 \u002F 本地部署：`BAAI\u002Fbge-m3` + Qdrant（本地 Docker）\n- 快速原型 \u002F 质量优先：OpenAI `text-embedding-3-small` + Pinecone\n- 中文场景 + 性价比：智谱 embedding-3 + Chroma\n\n```python\n# 本地方案示例\nfrom sentence_transformers import SentenceTransformer\nimport chromadb\n\nmodel = SentenceTransformer('BAAI\u002Fbge-m3')\nclient = chromadb.Client()\ncollection = client.create_collection(\"agent_memory\")\n\ndef remember(text: str, metadata: dict):\n    embedding = model.encode(text).tolist()\n    collection.add(\n        documents=[text],\n        embeddings=[embedding],\n        metadatas=[metadata],\n        ids=[f\"mem_{hash(text)}\"]\n    )\n\ndef recall(query: str, top_k: int = 5) -> list[str]:\n    query_embedding = model.encode(query).tolist()\n    results = collection.query(\n        query_embeddings=[query_embedding],\n        n_results=top_k\n    )\n    return results['documents'][0]\n```\n\n---\n\n## 总结\n\nAgent 的记忆系统是一个工程问题，不只是 API 调用问题。设计时需要回答：\n\n1. 哪些信息需要长期保存？（重要性评估）\n2. 如何在需要时找到它？（检索策略）\n3. 如何防止记忆腐烂和污染？（生命周期管理）\n\n没有完美的记忆系统，只有适合当前任务的记忆系统。从最简单的滑动窗口开始，按需增加复杂度——这是最务实的工程路径。","\u003Cp>import Chart from ‘…\u002F…\u002Fcomponents\u002FChart.vue’\u003C\u002Fp>\n\u003Cp>export const embeddingRadarData = {\nlabels: [‘延迟’, ‘成本效益’, ‘隐私’, ‘质量’, ‘维护简便’],\ndatasets: [\n{\nlabel: ‘本地’,\ndata: [5, 5, 5, 3, 2],\nbackgroundColor: ‘rgba(0,212,255,0.2)’,\nborderColor: ‘rgba(0,212,255,0.9)’,\nborderWidth: 2,\npointBackgroundColor: ‘rgba(0,212,255,0.9)’,\n},\n{\nlabel: ‘云端’,\ndata: [2, 2, 1, 5, 5],\nbackgroundColor: ‘rgba(255,0,170,0.2)’,\nborderColor: ‘rgba(255,0,170,0.9)’,\nborderWidth: 2,\npointBackgroundColor: ‘rgba(255,0,170,0.9)’,\n},\n],\n}\u003C\u002Fp>\n\u003Cp>export const embeddingRadarOptions = {\nscales: {\nr: {\nmin: 0,\nmax: 5,\nticks: { display: false, stepSize: 1 },\ngrid: { color: ‘rgba(136,136,170,0.25)’ },\nangleLines: { color: ‘rgba(136,136,170,0.25)’ },\npointLabels: { color: ‘#c8c8d8’, font: { family: ‘JetBrains Mono’, size: 11 } },\n},\n},\n}\u003C\u002Fp>\n\u003Cp>你有没有遇到过这种情况：和 AI 聊了很长的上下文之后，它突然"忘记"了前面说过的事情——不是因为它不聪明，而是因为它的记忆系统到达了物理上限。\u003C\u002Fp>\n\u003Cp>记忆是 Agent 区别于普通 LLM 调用的核心能力之一。但"记忆"在工程上远比听起来复杂。\u003C\u002Fp>\n\u003Chr>\n\u003Ch2 id=\"四种记忆类型\">四种记忆类型\u003C\u002Fh2>\n\u003Cp>认知科学把人类记忆分为工作记忆、情节记忆、语义记忆等类型。AI Agent 的记忆系统有类似的分层：\u003C\u002Fp>\n\u003Ch3 id=\"1-in-context-memory-短期-工作记忆\">1. In-context Memory（短期\u002F工作记忆）\u003C\u002Fh3>\n\u003Cp>最基础的记忆形式——就是模型的\u003Cstrong>上下文窗口（Context Window）\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cul>\n\u003Cli>容量：GPT-4 128K tokens，Claude 3.5 200K tokens，Gemini 1.5 Pro 1M tokens\u003C\u002Fli>\n\u003Cli>速度：最快，直接参与推理\u003C\u002Fli>\n\u003Cli>持久性：\u003Cstrong>零\u003C\u002Fstrong>，会话结束即消失\u003C\u002Fli>\n\u003Cli>本质：把需要"记住"的内容全部塞进 prompt\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>这是 Agent 的默认记忆模式，也是最大的瓶颈所在。\u003C\u002Fp>\n\u003Ch3 id=\"2-external-db-memory-长期记忆\">2. External DB Memory（长期记忆）\u003C\u002Fh3>\n\u003Cp>把信息持久化到外部存储，需要时检索回来。\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>向量数据库\u003C\u002Fstrong>（Pinecone、Weaviate、Chroma、Qdrant）：语义检索\u003C\u002Fli>\n\u003Cli>\u003Cstrong>传统数据库\u003C\u002Fstrong>（PostgreSQL、Redis）：精确查询\u003C\u002Fli>\n\u003Cli>\u003Cstrong>文件系统\u003C\u002Fstrong>：结构化文档存储\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>这是 RAG（Retrieval-Augmented Generation）的基础。\u003C\u002Fp>\n\u003Ch3 id=\"3-episodic-memory-情节记忆\">3. Episodic Memory（情节记忆）\u003C\u002Fh3>\n\u003Cp>记录"发生过什么"——具体的交互历史、任务执行轨迹。\u003C\u002Fp>\n\u003Cp>类比人类：你不记得所有知识是怎么学到的，但你记得"上周我做了一个项目，遇到了这个问题，用这个方法解决了"。\u003C\u002Fp>\n\u003Cp>Agent 的情节记忆通常存储：\u003C\u002Fp>\n\u003Cul>\n\u003Cli>过去的对话摘要\u003C\u002Fli>\n\u003Cli>任务执行日志\u003C\u002Fli>\n\u003Cli>错误和修复记录\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch3 id=\"4-semantic-memory-语义记忆\">4. Semantic Memory（语义记忆）\u003C\u002Fh3>\n\u003Cp>长期积累的\u003Cstrong>知识和事实\u003C\u002Fstrong>，不依附于具体情节。\u003C\u002Fp>\n\u003Cp>类比人类：你知道"Python 的 GIL 是什么"，但你不记得是什么时候学的。\u003C\u002Fp>\n\u003Cp>Agent 的语义记忆通常是：\u003C\u002Fp>\n\u003Cul>\n\u003Cli>微调进模型权重（最彻底，但昂贵）\u003C\u002Fli>\n\u003Cli>知识库文档（通过 RAG 访问）\u003C\u002Fli>\n\u003Cli>系统提示中的固定知识\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Chr>\n\u003Ch2 id=\"上下文窗口-本质限制与压缩策略\">上下文窗口：本质限制与压缩策略\u003C\u002Fh2>\n\u003Cp>即使是 1M tokens 的超长上下文，也有用完的一天。更实际的问题是：长上下文不仅有容量限制，还有\u003Cstrong>推理质量下降\u003C\u002Fstrong>的问题。\u003C\u002Fp>\n\u003Cp>研究表明，当关键信息被埋在超长上下文的中间时，模型表现会显著变差（"Lost in the Middle"现象）。\u003C\u002Fp>\n\u003Ch3 id=\"常见压缩策略\">常见压缩策略\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>滑动窗口（Sliding Window）\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cpre>\u003Ccode>[系统提示] [最近 N 轮对话] → 超出部分直接丢弃\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>最简单粗暴。缺点：丢失的信息无法恢复。适合对话连贯性要求不高的场景。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>摘要压缩（Summary Compression）\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cpre>\u003Ccode>当上下文超过阈值时：\n旧对话 → LLM 生成摘要 → 摘要替换原始对话\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>保留了语义信息，损失了细节。适合长对话的渐进式压缩。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>重要性排序（Importance Ranking）\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cpre>\u003Ccode>对上下文中的每段信息打分 → 保留高分内容 → 丢弃低分内容\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>可以基于规则（包含关键词）或模型评分。更精细，但计算开销大。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>层级记忆（Hierarchical Memory）\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cpre>\u003Ccode>工作记忆（最近 N 轮）\n    ↓ 定期 consolidate\n情节记忆（摘要 + 关键事件）\n    ↓ 提炼\n语义记忆（核心知识\u002F偏好）\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>模拟人类记忆的自然层级。MemGPT 是这一思路的代表实现。\u003C\u002Fp>\n\u003Chr>\n\u003Ch2 id=\"rag-用向量数据库实现外部记忆\">RAG：用向量数据库实现外部记忆\u003C\u002Fh2>\n\u003Cp>RAG（Retrieval-Augmented Generation）是当前最主流的 Agent 长期记忆方案。\u003C\u002Fp>\n\u003Ch3 id=\"工作原理\">工作原理\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>写入阶段（Indexing）\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Cpre>\u003Ccode>原始文档（PDF\u002F网页\u002F代码）\n    ↓ 切片（Chunking）\n文本块（512 tokens 左右）\n    ↓ Embedding 模型\n向量（1536 维浮点数组）\n    ↓ 写入\n向量数据库（存储向量 + 原始文本）\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>\u003Cstrong>检索阶段（Retrieval）\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Cpre>\u003Ccode>用户查询："Python 如何处理并发？"\n    ↓ 同一 Embedding 模型\n查询向量\n    ↓ cosine similarity 计算\n向量数据库返回 top-k 最相似文本块\n    ↓ 注入上下文\n[系统提示 + 检索到的文档 + 用户问题] → LLM\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Ch3 id=\"embedding-的本质\">Embedding 的本质\u003C\u002Fh3>\n\u003Cp>Embedding 把文本映射到高维向量空间，\u003Cstrong>语义相近的文本在向量空间中距离更近\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cpre>\u003Ccode class=\"language-python\">from sentence_transformers import SentenceTransformer\n\nmodel = SentenceTransformer('BAAI\u002Fbge-m3')  # 支持中文的模型\n\ntexts = [\n    "Python 处理并发的方式",\n    "如何用 asyncio 写异步代码",\n    "今天天气真好"\n]\n\nembeddings = model.encode(texts)\n# embeddings[0] 和 embeddings[1] 的余弦相似度会远高于和 embeddings[2]\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>Cosine similarity 公式：\u003C\u002Fp>\n\u003Cpre>\u003Ccode>similarity(A, B) = (A · B) \u002F (|A| × |B|)\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>值域 [-1, 1]，1 表示完全相同，0 表示无关，-1 表示相反。\u003C\u002Fp>\n\u003Chr>\n\u003Ch2 id=\"记忆写入时机-何时-consolidate\">记忆写入时机：何时 Consolidate\u003C\u002Fh2>\n\u003Cp>不是所有信息都值得存入长期记忆。关键决策点：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>触发条件\u003C\u002Fth>\n\u003Cth>写入内容\u003C\u002Fth>\n\u003Cth>存储类型\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>用户明确说"记住这个"\u003C\u002Ftd>\n\u003Ctd>原始信息\u003C\u002Ftd>\n\u003Ctd>情节\u002F语义记忆\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>任务成功完成\u003C\u002Ftd>\n\u003Ctd>执行摘要 + 关键决策\u003C\u002Ftd>\n\u003Ctd>情节记忆\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>发现用户偏好\u002F习惯\u003C\u002Ftd>\n\u003Ctd>偏好描述\u003C\u002Ftd>\n\u003Ctd>语义记忆\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>上下文窗口达到 70%\u003C\u002Ftd>\n\u003Ctd>旧对话摘要\u003C\u002Ftd>\n\u003Ctd>情节记忆\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>遇到错误并修复\u003C\u002Ftd>\n\u003Ctd>错误模式 + 修复方法\u003C\u002Ftd>\n\u003Ctd>语义记忆\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>不应该写入\u003C\u002Fstrong>：中间推理步骤、临时变量、冗余信息。\u003C\u002Fp>\n\u003Chr>\n\u003Ch2 id=\"三种典型失败模式\">三种典型失败模式\u003C\u002Fh2>\n\u003Ch3 id=\"失败模式-1-记忆爆炸-memory-explosion\">失败模式 1：记忆爆炸（Memory Explosion）\u003C\u002Fh3>\n\u003Cp>症状：把所有东西都写进长期记忆，没有淘汰机制，检索结果越来越噪。\u003C\u002Fp>\n\u003Cp>根本原因：缺少\u003Cstrong>重要性评估\u003C\u002Fstrong>和\u003Cstrong>过期清理\u003C\u002Fstrong>机制。\u003C\u002Fp>\n\u003Cp>解决：设置 TTL（Time To Live），低相关度内容定期清理；写入时评估重要性得分。\u003C\u002Fp>\n\u003Ch3 id=\"失败模式-2-记忆遗忘-memory-amnesia\">失败模式 2：记忆遗忘（Memory Amnesia）\u003C\u002Fh3>\n\u003Cp>症状：明明存了信息，需要时却检索不到。\u003C\u002Fp>\n\u003Cp>常见原因：\u003C\u002Fp>\n\u003Cul>\n\u003Cli>Chunking 策略不当（上下文被切断在块边界）\u003C\u002Fli>\n\u003Cli>查询和文档的 embedding 语义漂移（问法和存法不一致）\u003C\u002Fli>\n\u003Cli>top-k 值太小，相关内容排在 k 之后被截断\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>解决：调整 chunk 大小和重叠度；使用 HyDE（Hypothetical Document Embedding）增强查询；增大 top-k 后用 reranker 精选。\u003C\u002Fp>\n\u003Ch3 id=\"失败模式-3-记忆污染-memory-poisoning\">失败模式 3：记忆污染（Memory Poisoning）\u003C\u002Fh3>\n\u003Cp>症状：错误信息被存入记忆，后续推理被持续误导。\u003C\u002Fp>\n\u003Cp>场景：Agent 执行失败但误判为成功，把错误结论写入记忆；用户故意输入误导信息。\u003C\u002Fp>\n\u003Cp>解决：写入长期记忆前增加验证步骤；高风险信息标记置信度；支持记忆修正机制。\u003C\u002Fp>\n\u003Chr>\n\u003Ch2 id=\"工程选型-本地-embedding-vs-云端-api\">工程选型：本地 Embedding vs 云端 API\u003C\u002Fh2>\n\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>维度\u003C\u002Fth>\n\u003Cth>本地（sentence-transformers）\u003C\u002Fth>\n\u003Cth>云端（OpenAI \u002F 智谱 \u002F 硅基流动）\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>延迟\u003C\u002Ftd>\n\u003Ctd>低（GPU 上 <10ms\u002Fchunk）\u003C\u002Ftd>\n\u003Ctd>高（网络 RTT + 排队，50–200ms）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>成本\u003C\u002Ftd>\n\u003Ctd>一次性硬件投入\u003C\u002Ftd>\n\u003Ctd>按 token 计费\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>隐私\u003C\u002Ftd>\n\u003Ctd>完全本地，数据不出境\u003C\u002Ftd>\n\u003Ctd>数据上传第三方\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>质量\u003C\u002Ftd>\n\u003Ctd>中文：BGE-M3 ≈ OpenAI ada-002\u003C\u002Ftd>\n\u003Ctd>OpenAI text-embedding-3-large 最强\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>维护\u003C\u002Ftd>\n\u003Ctd>需要自己管理模型更新\u003C\u002Ftd>\n\u003Ctd>零维护\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003CChart client:only=\"vue\" type=\"radar\" data={embeddingRadarData} options={embeddingRadarOptions} height={260} \u002F>\n\u003Cp>\u003Cstrong>推荐组合\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Cul>\n\u003Cli>隐私敏感 \u002F 本地部署：\u003Ccode>BAAI\u002Fbge-m3\u003C\u002Fcode> + Qdrant（本地 Docker）\u003C\u002Fli>\n\u003Cli>快速原型 \u002F 质量优先：OpenAI \u003Ccode>text-embedding-3-small\u003C\u002Fcode> + Pinecone\u003C\u002Fli>\n\u003Cli>中文场景 + 性价比：智谱 embedding-3 + Chroma\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cpre>\u003Ccode class=\"language-python\"># 本地方案示例\nfrom sentence_transformers import SentenceTransformer\nimport chromadb\n\nmodel = SentenceTransformer('BAAI\u002Fbge-m3')\nclient = chromadb.Client()\ncollection = client.create_collection("agent_memory")\n\ndef remember(text: str, metadata: dict):\n    embedding = model.encode(text).tolist()\n    collection.add(\n        documents=[text],\n        embeddings=[embedding],\n        metadatas=[metadata],\n        ids=[f"mem_{hash(text)}"]\n    )\n\ndef recall(query: str, top_k: int = 5) -> list[str]:\n    query_embedding = model.encode(query).tolist()\n    results = collection.query(\n        query_embeddings=[query_embedding],\n        n_results=top_k\n    )\n    return results['documents'][0]\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Chr>\n\u003Ch2 id=\"总结\">总结\u003C\u002Fh2>\n\u003Cp>Agent 的记忆系统是一个工程问题，不只是 API 调用问题。设计时需要回答：\u003C\u002Fp>\n\u003Col>\n\u003Cli>哪些信息需要长期保存？（重要性评估）\u003C\u002Fli>\n\u003Cli>如何在需要时找到它？（检索策略）\u003C\u002Fli>\n\u003Cli>如何防止记忆腐烂和污染？（生命周期管理）\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>没有完美的记忆系统，只有适合当前任务的记忆系统。从最简单的滑动窗口开始，按需增加复杂度——这是最务实的工程路径。\u003C\u002Fp>\n","2026-04-30",[11,12,13],"ai","agent","rag",false,[16,28,39,51,60,66,73,80,87,94,104,113,123,132,140,148,157,166,175,185,192,202,208,214,217,226,233,240,248,258,267,276,286,296,306,314,324,335,345,354,362,368,376,384,392,400,408,415],{"slug":17,"title":18,"description":19,"pub_date":20,"tags":21,"draft":14,"word_count":27},"ide-skills-guide","Agent Skills 完全指南：21 款第三方 Skill 深度评测与使用心得","全面评测 21 款第三方 Agent Skills，涵盖 Vue 生态、前端设计、构建工具、实用工具四大分类。从安装配置到实际使用场景，带你了解每个 Skill 的功能特点、最佳实践与使用心得。","2026-06-15",[12,22,23,24,25,26],"skills","AI","效率工具","前端","Vue",4169,{"slug":29,"title":30,"description":31,"pub_date":32,"tags":33,"draft":14,"word_count":38},"linux-kernel-skeleton-struct-funcptr-container_of","Linux 内核骨架：struct、函数指针与 container_of","读懂 Linux 内核源码的三件套：巨大的 struct 组合代替继承、函数指针表实现虚派发、container_of 宏从嵌入成员找回完整对象。","2026-05-09",[34,35,36,37],"linux","kernel","C","container_of",1369,{"slug":40,"title":41,"description":42,"pub_date":43,"tags":44,"draft":14,"word_count":50},"astro-complete-guide-2025","Astro 5 深度剖析：Islands 架构原理、构建优化与 Cloudflare Workers 边缘部署","从编译器视角解析 Astro 5 的 Islands 架构实现原理，Content Layer API 的 Vite 插件机制，Server Islands 的流式渲染，以及如何在 Cloudflare Workers + D1 边缘环境下榨干性能。","2026-05-08",[45,46,47,48,49],"astro","frontend","cloudflare","performance","architecture",3663,{"slug":52,"title":53,"description":54,"pub_date":55,"tags":56,"draft":14,"word_count":59},"llm-prompt-engineering","Prompt Engineering 实战：让 LLM 真正听话的技巧","System prompt 怎么写、Few-shot 怎么设计、Chain-of-Thought 原理，以及常见失败模式和调试方法。","2026-05-03",[11,57,58],"llm","工程实践",1723,{"slug":61,"title":62,"description":63,"pub_date":55,"tags":64,"draft":14,"word_count":65},"rag-system-design","RAG 系统设计：从 naive 到 production-ready","Retrieval-Augmented Generation 不只是「向量数据库 + LLM」，分块策略、召回质量、重排序、缓存才是工程核心。",[11,13,57,58],1613,{"slug":67,"title":68,"description":69,"pub_date":55,"tags":70,"draft":14,"word_count":72},"git-advanced-workflow","Git 进阶工作流：rebase、cherry-pick、bisect 的正确使用","merge 会了，但 rebase 总搞错？bisect 找 bug 提交？interactive rebase 整理历史？这篇一次说清楚。",[71,58],"git",1396,{"slug":74,"title":75,"description":76,"pub_date":55,"tags":77,"draft":14,"word_count":79},"docker-practical-guide","Docker 实战：从会用到用好","会 docker run 不够，Dockerfile 最佳实践、多阶段构建、Compose 编排、镜像瘦身才是日常真正需要的。",[78,34,58],"docker",1268,{"slug":81,"title":82,"description":83,"pub_date":55,"tags":84,"draft":14,"word_count":86},"anthropics-skills-guide","anthropics\u002Fskills：Anthropic 官方 Agent Skills 仓库解析","Anthropic 官方开源的 Agent Skills 标准仓库，127k stars，解析 SKILL.md 规范、17 个示例 skill 的设计模式，以及如何在 Claude Code \u002F Claude.ai \u002F API 中使用",[11,85,12,22],"Claude",2090,{"slug":88,"title":89,"description":90,"pub_date":55,"tags":91,"draft":14,"word_count":93},"karpathy-claude-code-guidelines","Karpathy 的 LLM 编码批评与 CLAUDE.md 最佳实践","基于 Andrej Karpathy 对 LLM 编程助手的观察，forrestchang 提炼出一个 CLAUDE.md 文件，4 条原则解决 AI 编码的典型失控问题：乱猜假设、过度设计、乱改代码、目标不清",[11,85,92,58],"Claude Code",2699,{"slug":95,"title":96,"description":97,"pub_date":55,"tags":98,"draft":14,"word_count":103},"typescript-advanced-patterns","TypeScript 高级模式：让类型系统为你工作","基础 TS 会了但类型总是 any？条件类型、映射类型、模板字面量类型、infer 关键字才是 TS 的真正威力。",[99,100,101,102],"typescript","类型系统","前端工程","高级模式",1419,{"slug":105,"title":106,"description":107,"pub_date":55,"tags":108,"draft":14,"word_count":112},"linux-performance-tuning","Linux 性能调优实战：从 top 到 perf 的完整工具链","遇到性能问题不知道从哪下手？这篇建立系统化的排查思路，从 CPU\u002F内存\u002FIO\u002F网络逐层分析。",[34,109,110,111],"性能","运维","系统编程",1524,{"slug":114,"title":115,"description":116,"pub_date":55,"tags":117,"draft":14,"word_count":122},"python-functional-programming","Python 函数式编程：map\u002Ffilter\u002Freduce 之外","Python 不是纯函数式语言，但 functools、itertools、偏函数、闭包这些工具用好了能让代码简洁一个量级。",[118,119,120,121],"python","函数式","闭包","装饰器",1867,{"slug":124,"title":125,"description":126,"pub_date":55,"tags":127,"draft":14,"word_count":131},"python-oop-guide","Python 面向对象：__init__ 之外你需要知道的","Python OOP 不只是 class + __init__，魔术方法、描述符、元类才是真正的武器。",[118,128,129,130],"OOP","面向对象","魔术方法",1792,{"slug":133,"title":134,"description":135,"pub_date":55,"tags":136,"draft":14,"word_count":139},"python-data-structures","Python 内置数据结构深度解析","list、dict、set、tuple 不只是数据容器，搞懂它们的底层实现和时间复杂度，才能写出高性能 Python。",[118,137,109,138],"数据结构","算法",1517,{"slug":141,"title":142,"description":143,"pub_date":55,"tags":144,"draft":14,"word_count":147},"python-basics-quick-start","Python 快速上手：写给有编程基础的人","已经会其他语言，想快速掌握 Python 的语法特性和思维方式，这篇是捷径。",[118,145,146],"入门","基础",1607,{"slug":149,"title":150,"description":151,"pub_date":55,"tags":152,"draft":14,"word_count":156},"python-dataclass-pydantic","Python dataclass vs Pydantic：数据类选型指南","dataclass 是标准库的轻量选择，Pydantic v2 是带验证的重武器，什么时候用哪个，这篇说清楚。",[118,153,154,155],"dataclass","pydantic","数据验证",1323,{"slug":158,"title":159,"description":160,"pub_date":55,"tags":161,"draft":14,"word_count":165},"python-asyncio-practical","Python asyncio 实战：从回调地狱到协程优雅","asyncio 是 Python 异步编程的核心，搞懂 event loop、Task、gather 这些概念才能写出真正高效的异步代码。",[118,162,163,164],"asyncio","并发","网络编程",1258,{"slug":167,"title":168,"description":169,"pub_date":55,"tags":170,"draft":14,"word_count":174},"python-type-hints-guide","Python 类型注解完全指南：从入门到实践","Python 3.5+ 引入类型注解，配合 mypy\u002Fpyright 让 Python 也能享受静态类型检查的好处。",[118,171,172,173],"typescript-style","type-hints","工具链",1102,{"slug":176,"title":177,"description":178,"pub_date":179,"tags":180,"draft":14,"word_count":184},"pwa-install-update-button","PWA 踩坑：为什么安装按钮从来不出现","从 beforeinstallprompt 到 Service Worker waiting，把 PWA 的安装与更新提示真正做对","2026-05-02",[181,182,183],"pwa","javascript","web",1683,{"slug":186,"title":187,"description":188,"pub_date":189,"tags":190,"draft":14,"word_count":191},"openclaw-vs-hermes-agent","OpenClaw vs Hermes Agent：两个本地优先 Agent 的设计差异","OpenClaw（Novita AI）和 Hermes Agent（Nous Research）都是本地运行的个人 AI Agent，但在记忆系统、技能学习、运行环境和模型生态上走了不同的路。深入对比两种架构的核心差异。","2026-05-01",[11,12,57],1679,{"slug":193,"title":194,"description":195,"pub_date":189,"tags":196,"draft":14,"word_count":201},"cpp-random-design-patterns","C++ 设计模式实战：RAII、观察者、工厂","用现代 C++（C++17\u002F20）实现三种高频设计模式：RAII 资源管理、观察者模式事件系统、工厂模式插件架构。每种模式给出问题场景、实现代码和真实工程案例。",[197,198,199,200],"cpp","设计模式","c++17","工程",2613,{"slug":203,"title":204,"description":205,"pub_date":189,"tags":206,"draft":14,"word_count":207},"data-structures-fundamentals","数据结构基础：从数组到红黑树","系统梳理常用数据结构的核心原理、时间复杂度和适用场景。数组、链表、栈、队列、哈希表、二叉树、堆、图，每种结构附实现要点和 C++ 代码片段。",[137,138,197,146],3004,{"slug":209,"title":210,"description":211,"pub_date":9,"tags":212,"draft":14,"word_count":213},"ai-agent-what-is","什么是 AI Agent？从 LLM 到自主执行","LLM 本身是无状态问答机，Agent 是什么让它’动’起来的？本文深入解析 Agent 的四个核心能力、ReAct 框架、工具调用原理，以及主流框架横向对比。",[11,12,57],2116,{"slug":4,"title":5,"description":6,"pub_date":9,"tags":215,"draft":14,"word_count":216},[11,12,13],2052,{"slug":218,"title":219,"description":220,"pub_date":9,"tags":221,"draft":14,"word_count":225},"network-proxy-vpn-guide","代理与翻墙技术原理：从 HTTP 代理到现代协议","深入解析代理与 VPN 的本质区别，梳理从 SOCKS5 到 Shadowsocks、V2Ray\u002FXray、Hysteria2 的协议演进，以及机场订阅的技术本质。",[222,223,224],"网络","代理","协议",2148,{"slug":227,"title":228,"description":229,"pub_date":9,"tags":230,"draft":14,"word_count":147},"algorithm-binary-search","二分查找：永远写不对？记住这个模板","彻底搞清楚二分查找的边界问题：闭区间和左闭右开两套模板、三道经典 LeetCode 题目完整 C++ 实现，以及二分答案的进阶思路。",[138,231,232,197],"二分查找","leetcode",{"slug":234,"title":235,"description":236,"pub_date":9,"tags":237,"draft":14,"word_count":239},"algorithm-sliding-window","滑动窗口算法：从暴力到 O(n) 的思维跃迁","系统讲解滑动窗口算法的核心模板、适用题型，配合三道经典 LeetCode 题目的完整 C++ 实现，彻底理解双指针收缩思路。",[138,238,232,197],"滑动窗口",1943,{"slug":241,"title":242,"description":243,"pub_date":9,"tags":244,"draft":14,"word_count":247},"network-clash-config","Clash \u002F Mihomo 配置详解：规则、策略组与分流","深入解析 Clash\u002FMihomo 的核心配置结构，包括代理节点、策略组类型、规则优先级、DNS fake-ip 模式，以及一份实用的完整配置模板。",[222,245,223,246],"clash","配置",1292,{"slug":249,"title":250,"description":251,"pub_date":252,"tags":253,"draft":14,"word_count":257},"hid-hotplug","HID 设备热插拔检测：从 udev 到 node-hid","在 Linux 上用 node-hid + usb 库实现可靠的 USB HID 设备热插拔检测，踩坑记录","2026-04-28",[197,254,34,255,256],"hid","nodejs","electron",2039,{"slug":259,"title":260,"description":261,"pub_date":262,"tags":263,"draft":14,"word_count":266},"electron-ipc-types","Electron IPC 类型安全：从 any 到完全类型化","用 TypeScript 泛型封装 Electron IPC，彻底消灭 any，preload 契约集中管理","2026-04-25",[256,99,264,265],"ipc","vue",1446,{"slug":268,"title":269,"description":270,"pub_date":271,"tags":272,"draft":14,"word_count":275},"element-plus-popover-hide","手动关闭多个 el-popover（不用 v-model:visible）","通过 ref + Reflect.get 调用 hide() 方法手动关闭 Element Plus Popover，解释 Vue3 Proxy 导致无法直接调用实例方法的原因。","2024-10-25",[265,273,274],"element-plus","vue3",1321,{"slug":277,"title":278,"description":279,"pub_date":280,"tags":281,"draft":14,"word_count":285},"vite-vue3-ts-elementplus-pinia","用 Vite+（vp）从零搭建 Vue3 + TypeScript + Element Plus + Pinia + Vue Router","使用 Vite+ 统一工具链（vp）一条命令搭建 Vue3 全家桶，涵盖按需导入、Pinia store、路由配置，以及常见坑的解决方案。","2024-08-27",[265,282,99,273,283,284],"vite","pinia","vite-plus",1960,{"slug":287,"title":288,"description":289,"pub_date":290,"tags":291,"draft":14,"word_count":295},"cef-lnk2038-iterator-debug-level","CEF LNK2038：解决 _ITERATOR_DEBUG_LEVEL 不匹配错误","分析 CEF（Chromium Embedded Framework）集成时出现的 LNK2038 _ITERATOR_DEBUG_LEVEL 链接错误，从根本原因到解决方案的完整指南。","2024-05-07",[197,292,293,294],"CEF","Visual Studio","链接错误",1509,{"slug":297,"title":298,"description":299,"pub_date":300,"tags":301,"draft":14,"word_count":305},"npm-electron-install-fix","彻底解决 npm 安装 Electron 失败的问题","分析 npm install electron 失败的根本原因（下载二进制超时\u002F被墙），通过国内镜像（npmmirror）彻底解决，并介绍多种备选方案和常见错误排查。","2024-03-01",[256,302,303,304],"npm","前端工具链","国内镜像",1494,{"slug":307,"title":308,"description":309,"pub_date":310,"tags":311,"draft":14,"word_count":313},"git-out-of-memory","解决 git 报错：Fatal: Out of memory, malloc failed","分析 git 大仓库操作时出现 Out of memory malloc failed 的根本原因，通过调整 pack.windowMemory、http.postBuffer 和 git repack 彻底解决。","2024-01-31",[71,34,312],"工具",2244,{"slug":315,"title":316,"description":317,"pub_date":318,"tags":319,"draft":14,"word_count":323},"vmware-tools-install","在 VMware 虚拟机中安装 open-vm-tools 完整指南","详解 VMware Tools 的作用、open-vm-tools 与官方 VMware Tools 的区别，以及在 Ubuntu 虚拟机中安装并生效的完整步骤和常见问题排查。","2023-11-21",[320,34,321,322],"VMware","Ubuntu","虚拟机",2523,{"slug":325,"title":326,"description":327,"pub_date":328,"tags":329,"draft":14,"word_count":334},"load-balancing-algorithms","负载均衡算法完全指南：从轮询到一致性哈希","系统梳理静态与动态负载均衡算法，涵盖轮询、随机、权重、IP Hash、一致性 Hash、最少连接、最快响应等，并对比 Nginx、Dubbo、Spring Cloud LoadBalancer 的实现差异。","2023-11-15",[330,331,332,333],"分布式","负载均衡","Nginx","微服务",1764,{"slug":336,"title":337,"description":338,"pub_date":339,"tags":340,"draft":14,"word_count":344},"win-cw2a-ca2w","ATL 字符串转换：CW2A 与 CA2W 完全指南","详解 ATL 宏 CW2A\u002FCA2W 在 Unicode 与 ANSI 之间的字符串转换用法、头文件依赖、USES_CONVERSION 宏的作用与常见陷阱。","2023-06-09",[197,341,342,343],"windows","ATL","字符串",1665,{"slug":346,"title":347,"description":348,"pub_date":339,"tags":349,"draft":14,"word_count":353},"csharp-sendmessage-cpp","C# 通过 SendMessage 向 C++ 窗口发送消息与字符串","使用 P\u002FInvoke 调用 user32.dll 的 SendMessage，从 C# 发送自定义 WM_USER 消息及字符串指针给 C++ 原生窗口，并在 C++ 侧正确接收和转换。",[350,197,341,351,352],"C#","互操作","PInvoke",1554,{"slug":355,"title":356,"description":357,"pub_date":358,"tags":359,"draft":14,"word_count":361},"win-postmessage-vector","Windows PostMessage 跨线程传递 std::vector 指针","通过 PostMessage 在 Windows 消息队列中传递 std::vector 指针，使用 reinterpret_cast 将指针装入 LPARAM，并在接收方正确释放内存。","2023-05-26",[197,341,360],"WinAPI",1823,{"slug":363,"title":364,"description":365,"pub_date":358,"tags":366,"draft":14,"word_count":367},"exe-dll-single-package","将 EXE 和 DLL 打包成单一可执行文件","介绍两种将 exe 和依赖 dll 打包成单文件的方案：Enigma Virtual Box 和 WinRAR 自解压，适合发布 Windows 桌面程序时简化分发流程。",[341,197,312],1619,{"slug":369,"title":370,"description":371,"pub_date":358,"tags":372,"draft":14,"word_count":375},"cpp-random-mt19937","C++ 现代随机数生成：用 mt19937 彻底告别 rand()","深入讲解为什么 rand() 不够用，以及如何用 C++11 的 \u003Crandom> 库正确生成高质量随机数，涵盖 mt19937、各种分布和线程安全。",[197,373,374],"c++11","random",1549,{"slug":377,"title":378,"description":379,"pub_date":380,"tags":381,"draft":14,"word_count":383},"win-startup-registry","C++ 实现程序开机自启动：注册表方式详解","通过操作 Windows 注册表 Run 键实现程序开机自启动，包括 HKCU 与 HKLM 区别、完整封装代码、工作目录问题和 UAC 权限处理。","2022-12-26",[341,197,382],"registry",1201,{"slug":385,"title":386,"description":387,"pub_date":388,"tags":389,"draft":14,"word_count":391},"mfc-cstring-wparam","MFC 中 CString 与 WPARAM 之间的转换","详解 MFC 消息传递中 CString 无法直接强转为 WPARAM 的原因，以及两种正确的转换方案，并介绍结构体指针传递的正确姿势。","2022-11-25",[390,197,341],"mfc",1546,{"slug":393,"title":394,"description":395,"pub_date":396,"tags":397,"draft":14,"word_count":399},"duilib-static-build","正确编译 Duilib 静态库：避免 ATL 依赖和链接错误","详解如何用 DuiLib_Static.vcxproj 编译 Duilib 静态库，解决 VARIANT 未定义、Unicode 配置不匹配和 ATL 依赖等常见问题。","2022-08-24",[197,398,341,390],"duilib",2639,{"slug":401,"title":402,"description":403,"pub_date":404,"tags":405,"draft":14,"word_count":407},"mfc-dpi-adaptive","MFC 界面自适应不同分辨率","MFC 对话框程序实现控件和字体随分辨率自动缩放的完整方案，附 DPI Awareness 配置说明","2022-08-17",[390,197,341,406],"dpi",1414,{"slug":409,"title":410,"description":411,"pub_date":412,"tags":413,"draft":14,"word_count":414},"mfc-drag-window","MFC 无标题栏窗口客户区拖动：三种方法对比","MFC 对话框去掉标题栏后如何实现拖动移动窗口，三种方案完整实现与适用场景分析","2022-08-16",[390,197,341],1633,{"slug":416,"title":417,"description":418,"pub_date":419,"tags":420,"draft":14,"word_count":422},"algorithm-number-complement","整数的补数：位运算掩码解法","LeetCode 476 题，用掩码 XOR 实现整数补数，附 C++\u002FPython\u002FJava 三种实现及补数与补码的区别","2021-03-08",[138,421,232],"位运算",1374,[]]