2 repository-uri
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
Găsește cele mai bune repo-uri cu AI.Vom căuta cele mai potrivite repository-uri folosind AI.
- claude-code-best/claude-code
claude-code-best/claude-code
20,272Vezi pe GitHubClaude 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 - deepseek-ai/engram
deepseek-ai/Engram
4,462Vezi pe GitHubEngram este un sistem dinamic de recuperare a cunoștințelor și un framework de augmentare a memoriei pentru modele de limbaj mari (LLM). Funcționează ca un strat scalabil de căutare în memorie și o componentă de arhitectură rară (sparse), concepută pentru a îmbina cunoștințele statice ale modelului cu stări externe dinamice pentru a îmbunătăți factualitatea și a reduce halucinațiile. Sistemul utilizează recuperarea condiționată a memoriei și adresarea diferențiabilă a memoriei pentru a mapa tokenurile de input către indici specifici într-un depozit de memorie asociativă la scară largă. Acest lucru permite modelului să își mărească parametrii totali disponibili prin stocarea ponderilor în tabele de căutare externe și activarea doar a segmentelor de cunoștințe relevante pentru un anumit input. Frameworkul acoperă optimizarea rarității modelului și augmentarea scalabilă, folosind recuperarea key-value și fuziunea dinamică a parametrilor pentru a îmbunătăți performanța pe sarcini specializate fără a necesita o reantrenare completă a rețelei.
Maps input embeddings to specific memory locations to retrieve relevant weights during the forward pass.
Python
