主站

知识库

知识消化 — deja-vu 内存层 + Kimi K3 开源模型

Properties1
tagsagent-memory, coding-agents, model-ecosystem, self-learning, web-surfer

7分钟阅读

Codex 校核（2026-10-09） OWASP ASI06 说明针对恶意内容被写入、留存并重新当作可信上下文。脱敏 API key/JWT 降低秘密暴露，不能据此认定已有防内存投毒的参考实现；仍需来源、写入权限与信任边界。7–9ms/2.4%属于项目指定语料与环境，不是所有框架/设备的保证。下文 Kimi K3 的“全球首个”、参数、基准和价格是当时采集，本次没有取得可复查的当前官方规格/费率证据，不将这些值改写为已确认的2026-10-09信息。

知识消化: deja-vu (vshulcz/deja-vu)

来源: GitHub (206⭐ → 290⭐) | https://github.com/vshulcz/deja-vu | 发布于 2026-07-14

核心发现

deja-vu 是一个零依赖 Go 二进制文件，将现有编码 Agent 会话日志（Claude Code、Codex、opencode、aider、Gemini CLI、Cursor、Antigravity、Grok Build）索引成本地可搜索内存层。无需嵌入模型、无需运行服务、无需网络连接。

为什么重要

1. 极简架构

  • 纯词法索引（非语义/嵌入）— 7-9ms 搜索 GB 级数据
  • 索引大小仅为语料库的 2.4%
  • 增量索引：仅重新读取变化的文件
  • 一个二进制文件，无外部依赖

2. 八种 Agent 框架覆盖

覆盖所有主流 coding agent 的会话存储格式，这是生态整合的关键——任何 Agent 生态系统的内存层都应支持各类框架。

3. 创新功能

  • MCP recall 工具：Agent 可直接查询历史记忆
  • 自动召回: 通过 install --auto 在会话开始时自动注入相关上下文
  • 密钥脱敏: 索引时自动剥离 API 密钥、JWT、PEM 私钥
  • 跨机器同步: 通过 SSH 或共享文件夹，仅追加、幂等
  • 分享: 创建已脱敏的会话摘要供同事查看

4. 与 gbrain 的对比

维度deja-vugbrain
数据来源Agent 会话日志（已有文件）用户撰写/整理的知识库
检索方式纯词法（倒排索引）向量 + 关键词混合
延迟7-9ms~50-200ms（含嵌入）
方向回顾型（索引已有数据）前瞻型（策展结构化知识）
部署零依赖二进制Postgres + pgvector

结论: 两者互补而非竞争。deja 解决”过去解决过的问题”，gbrain 解决”应该知道的 structured 知识”。

技术要点

  • Go 语言编写，MIT 许可证
  • 活跃开发中（11 个 open issues，10 forks）
  • Windows 构建存在但 Linux/macOS 是主要测试路径
  • 索引引擎：本地倒排索引 → ~/.cache/deja

对我们意味着什么

  • Hermes Agent: deja-vu 可作为可选的 MCP 内存提供者整合，补充 gbrain
  • Agent 安全: deja-vu 的密钥脱敏是 OWASP ASI06（内存投毒）的参考实现
  • 自省式 Agent 循环: “Agent 记得自己过去做过什么” 是迈向真正自主的关键模式
  • 优先级: 🟡 P1 — 值得跟进，非紧急

知识消化: Kimi K3

来源: HN (663pts) | https://www.kimi.com/blog/kimi-k3 | 发布于 2026-07-16

核心发现

Moonshot AI 发布了 Kimi K3，全球首个开源 3T 参数模型。在多个基准测试中排名仅次于 Claude Fable 5 和 GPT 5.6 Sol。定价 15 每 1M tokens（缓存 $0.3）。

为什么重要

1. 开源 3T 参数模型

这是首个达到前沿性能水平（3T 参数）的开源模型。暗示中国 AI 实验室在模型规模和效率上快速追赶。

2. 关键基准成绩

  • DeepSWE: 67.3 | MCP Atlas: 84.2 | GPQA-Diamond: 93.5
  • BrowseComp: 90.4（1M 上下文，无需上下文管理）
  • MathVision w/ python: 97.8 | CharXiv (RQ): 89.7
  • AutomationBench: 30.8（低于 Fable 5 的 37.3%）

3. 主要限制（官方承认）

  • 思维历史敏感性: 如果 Agent harness 未正确传递思维历史，生成质量会高度不稳定
  • 过度主动性: 面对模糊的用户意图时可能做出意外决策
  • 用户体验差距: 与 Fable 5 和 GPT 5.6 Sol 存在明显体验差距

4. 社区讨论重点

  • 定价争议：15 是 GLM 5.2 的 3x
  • 推理效率：Agent 任务中实际成本取决于推理 token 消耗量
  • DeepSeek V4 Pro/V4 Flash 更新也预期本周发布（竞争加剧）
  • 社区对封闭 US 模型的沮丧情绪明显，开源权重获得强烈支持
  • 推理透明度优势：K3 暴露完整推理轨迹，Fable 隐藏推理

对我们意味着什么

  • 模型选择: 当前我们使用 deepseek-v4-flash — 如果 K3 社区版推理效果好，可作为补充模型
  • 推理透明度的价值: 暴露推理轨迹提升了代理任务中的可调试性
  • 定价观察: 开源模型的 API 定价正在与闭源看齐，补贴时代正在结束
  • 优先级: 🟢 P2 — 观察性学习，不需要立即行动

横向连接

两个发现共同指向一个趋势：Agent 生态系统的支持基础设施正在成熟——从 Agent 运行时（K3）到 Agent 内存层（deja-vu），独立组件正在标准化。

关系图谱