加州大学洛杉矶分校与华盛顿大学合作提出了一种名为MemCon的记忆管理方法，将Agent的记忆操作建模为马尔可夫决策过程。该方法通过在线学习检索策略，自适应决定信息检索的时机和方式，显著提升任务成功率并减少token消耗。实验结果显示，MemCon在六个基准测试中成功率提升最高达15.2分，token使用量减少5%至20%。该方法可无缝集成到现有记忆系统中，具有良好的实用价值。

电子科技大学的论文《Experience Memory Graph》提出了一种通过图匹配范式改进智能体错误恢复的新方法。该方法在训练阶段将成功与失败轨迹转化为有向图，在测试时一次性检索纠正策略，避免了传统反思循环的低效和高成本。实验结果表明，EMG在ALFWorld和ScienceWorld基准上优于现有方法，提升了准确率和效率，适用于小型语言模型。

本文讨论了Redis在内存达到上限时如何驱逐有效的key，重点分析了maxmemory和maxmemory-policy的作用。Redis采用近似LRU策略，通过随机采样和淘汰池来决定驱逐对象，避免了全局链表的复杂性。文章还介绍了不同的驱逐策略及其适用场景，以及内存管理中的常见误解和注意事项。

Andy Brinkmeyer shares how engineering leaders and architects can use Rust to build failure-proof systems. Moving beyond memory safety, he explains how ownership, enums, and the typestate pattern...

Elastic open-sourced Atlas, a system built on Elasticsearch that maintains three categories of memory for agents. Atlas integrates with agents via MCP and maintains per-user isolation of memories....

Roofline模型用于判断算子是计算密集型还是内存密集型，算术强度（AI）是关键指标，定义为浮点运算数与内存搬运字节数之比。通过双对数图，Roofline展示了性能与算术强度的关系，分为带宽限制区和算力限制区。优化策略包括提高算术强度，采用算子融合和tiling等方法，以减少内存访问并提升性能。

GEMM（通用矩阵乘）是深度学习中的关键计算。通过优化实现，从朴素实现到共享内存和寄存器分块，显著提高了算术强度。寄存器分块的性能达到6375 GFLOP/s，接近FP32峰值的39%。未来的优化方向包括向量化、预取和更大的tile设计。

本文探讨了GPU中的驻留率（occupancy）及其对延迟隐藏的重要性。高驻留率并不总是意味着高性能，实际有效带宽在驻留率达到33%时已饱和。提高驻留率可能导致寄存器溢出，从而降低性能。计算密集型内核可通过指令级并行（ILP）实现高效，而不依赖于高驻留率。应平衡驻留率与寄存器使用，避免盲目追求高驻留率。

Zombie memory cgroups 是 Linux 内核中的一种机制，导致 CPU 资源浪费。进程退出后，未回收的 cgroup 统计结构会使内核反复执行无用操作。Pinterest 的研究表明，过多的 zombie 会显著降低系统性能。建议通过重启服务或机器，及时处理频繁重启的容器，以避免资源浪费。

Parallel queries in PostgreSQL need shared memory sized at runtime, not startup.

Adi Polak discusses the architecture required to transition from stateless prompts to state-aware, context-rich AI agents. Drawing on 15 years in distributed systems, she shares how engineering...

Codex 的记忆机制将记忆视为一个需持续整理的知识仓库。旧对话经过提炼后合并成手册和索引；新对话仅能看到薄索引，必要时再召回细节，并用引用反馈哪些记忆有用。这种方式强调有效性和精简性，而非单纯增加记忆。