awesome-repositories.com
Blog
MCP
awesome-repositories.com

Descubre los mejores repositorios open-source con nuestra búsqueda potenciada por IA.

ExplorarBúsquedas curadasAlternativas open-sourceSoftware autohospedableBlogMapa del sitio
ProyectoServidor MCPAcerca deCómo clasificamosPrensa
Aviso legalPrivacidadTérminos
© 2026 Bringes Technology SRL·VAT RO45896025·hello@awesome-repositories.com
·

2 repositorios

Awesome GitHub RepositoriesMemory Indexes

Lightweight entry-point files that provide structured overviews of stored project knowledge.

Distinct from Context Memory Management: Focuses on high-level index files for knowledge discovery rather than low-level resource or budget management.

Explore 2 awesome GitHub repositories matching artificial intelligence & ml · Memory Indexes. Refine with filters or upvote what's useful.

Awesome Memory Indexes GitHub Repositories

Encuentra los mejores repositorios con IA.Buscaremos los repositorios que mejor coincidan usando IA.
  • claude-code-best/claude-codeAvatar de claude-code-best

    claude-code-best/claude-code

    20,272Ver en GitHub↗

    Claude Code is a command-line interface and multi-agent orchestration framework designed for autonomous software engineering. It enables AI agents to perform codebase modifications, debugging, and Git workflow management while coordinating multiple specialized agents to decompose and execute complex engineering tasks in parallel. The system distinguishes itself through a high degree of isolation and safety, utilizing Git worktrees to create independent working directories for concurrent agents and implementing a tiered permission system that combines user rules, project policies, and OS-level

    Maintains a lightweight index file to provide a high-level overview of stored project knowledge.

    TypeScript
    Ver en GitHub↗20,272
  • deepseek-ai/engramAvatar de deepseek-ai

    deepseek-ai/Engram

    4,462Ver en GitHub↗

    Engram es un sistema dinámico de recuperación de conocimiento y framework de aumento de memoria para modelos de lenguaje grandes (LLM). Funciona como una capa de búsqueda de memoria escalable y un componente de arquitectura dispersa diseñado para fusionar el conocimiento estático del modelo con estados externos dinámicos para mejorar la veracidad y reducir las alucinaciones. El sistema utiliza recuperación de memoria condicional y direccionamiento de memoria diferenciable para mapear tokens de entrada a índices específicos dentro de un almacén de memoria asociativa a gran escala. Esto permite al modelo aumentar sus parámetros totales disponibles almacenando pesos en tablas de búsqueda externas y activando solo los segmentos de conocimiento relevantes para una entrada dada. El framework cubre la optimización de dispersión del modelo y el aumento escalable, utilizando recuperación clave-valor y fusión dinámica de parámetros para mejorar el rendimiento en tareas especializadas sin requerir un reentrenamiento completo de la red.

    Maps input embeddings to specific memory locations to retrieve relevant weights during the forward pass.

    Python
    Ver en GitHub↗4,462
  1. Home
  2. Artificial Intelligence & ML
  3. Context Memory Management
  4. Memory Indexes

Explorar subetiquetas

  • Embedding-to-Memory MappingMapping input embeddings to specific indices in a memory store to retrieve context-relevant weights. **Distinct from Memory Indexes:** Focuses on the mapping of embeddings to weight indices, whereas Memory Indexes focus on high-level knowledge discovery files.