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

Découvrez les meilleurs dépôts open-source grâce à notre recherche par IA.

ExplorerRecherches sélectionnéesAlternatives open sourceLogiciels auto-hébergésBlogPlan du site
ProjetServeur MCPÀ proposNotre méthodologiePresse
Mentions légalesConfidentialitéConditions d'utilisation
© 2026 Bringes Technology SRL·VAT RO45896025·hello@awesome-repositories.com
·

2 dépôts

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

Trouvez les meilleurs dépôts grâce à l'IA.Nous recherchons les dépôts les plus pertinents grâce à l'IA.
  • claude-code-best/claude-codeAvatar de claude-code-best

    claude-code-best/claude-code

    20,272Voir sur 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
    Voir sur GitHub↗20,272
  • deepseek-ai/engramAvatar de deepseek-ai

    deepseek-ai/Engram

    4,462Voir sur GitHub↗

    Engram est un système de récupération de connaissances dynamique et un framework d'augmentation de mémoire pour les grands modèles de langage (LLM). Il fonctionne comme une couche de recherche en mémoire scalable et un composant d'architecture creuse conçu pour fusionner les connaissances statiques du modèle avec des états externes dynamiques afin d'améliorer la véracité et réduire les hallucinations. Le système utilise la récupération conditionnelle en mémoire et l'adressage mémoire différentiable pour mapper les jetons d'entrée vers des indices spécifiques au sein d'un magasin de mémoire associative à grande échelle. Cela permet au modèle d'augmenter ses paramètres totaux disponibles en stockant des poids dans des tables de recherche externes et en n'activant que les segments de connaissances pertinents pour une entrée donnée. Le framework couvre l'optimisation de la sparsité des modèles et l'augmentation scalable, utilisant la récupération clé-valeur et la fusion dynamique de paramètres pour améliorer les performances sur des tâches spécialisées sans nécessiter un réentraînement complet du réseau.

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

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

Explorer les sous-tags

  • 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.