1. 项目概述：为什么你的AI编程助手需要一个“外置大脑”

如果你用过Claude Code、Cursor或者任何AI编程助手超过一周，一定会遇到这个让人抓狂的场景：每次新开一个会话，你都得从头开始解释一遍你的项目架构、代码风格、甚至是昨天刚修复的那个Bug。助手就像一个只有7秒记忆的金鱼，每次对话都从零开始。你可能会把关键信息写在 CLAUDE.md 或 .cursorrules 里，但这些静态文件很快就会过时，而且有长度限制——当你的项目有240个观察点时，光是加载这些上下文就要消耗超过22K的token，成本高得吓人，效果却越来越差。

这就是 agentmemory 要解决的核心痛点。它不是一个简单的记事本，而是一个为AI编程助手设计的、具备持久化、可检索、可演化的记忆系统。你可以把它理解成给你的AI助手装了一个“外置大脑”。这个大脑会默默记录助手在项目中做的每一件事——写了什么代码、调用了什么工具、遇到了什么错误、你给了什么反馈——然后把这些信息压缩、结构化，存储在一个可搜索的知识库里。当下一次会话开始时， agentmemory 会自动根据当前任务，从这个知识库里检索出最相关的记忆，精准地注入到助手的上下文中。

想象一下这个场景：在第一个会话里，你让助手为API添加JWT认证。它写好了 src/middleware/auth.ts ，用 jose 库替代了 jsonwebtoken （因为你的项目要部署到Edge环境），并且在 test/auth.test.ts 里写好了测试用例。整个过程被 agentmemory 完整捕获。第二天，你开启第二个会话，直接说：“现在给API加上限流。”助手不再需要你重新解释认证是怎么做的、用了哪个库、测试文件在哪。它“记得”一切，可以直接开始设计限流策略，甚至能提醒你：“考虑到我们之前为了Edge兼容性选择了 jose ，限流中间件也需要避免使用Node.js特有的API。”这种无缝衔接的体验，才是真正高效的AI协作。

agentmemory 的厉害之处在于它的“无感集成”。它通过一系列钩子（Hooks）和MCP（Model Context Protocol）协议，与主流的AI编程助手深度集成，包括Claude Code、Cursor、Gemini CLI、OpenCode等。你几乎不需要改变原有的工作流，只需要在后台运行一个服务，它就能自动开始工作。对于开发者来说，这意味着告别重复的解释，让AI助手真正成为你项目里一个“有记忆”的长期伙伴。

2. 核心架构与工作原理拆解

2.1 记忆管道：从原始观察到结构化知识

agentmemory 的核心是一个高度自动化的记忆处理管道。它不仅仅是存储聊天记录，而是将原始的、杂乱的“观察”（Observations）转化为结构化的、可检索的“知识”（Knowledge）。整个流程可以分解为以下几个关键阶段：

  1. 捕获与去重 ：当AI助手执行任何操作（如调用工具、读写文件、运行命令）时，对应的钩子（如 PostToolUse ）会被触发，生成一条原始观察记录。 agentmemory 会立即计算该记录的SHA-256哈希值，并与过去5分钟内的记录进行比对。这种基于时间窗口的去重机制，能有效过滤掉因工具重试或循环操作产生的重复噪音，确保记忆库的简洁性。

  2. 隐私过滤 ：这是信任的基石。管道内置了严格的隐私过滤器，会自动扫描并剥离观察记录中的敏感信息，如API密钥、密码、私钥等。这些信息在存储前会被替换为通用的 <private> 标签，确保你的代码秘密不会泄露到记忆库中。这个步骤在本地完成，不依赖外部服务。

  3. 结构化压缩 ：原始观察（可能是一大段代码变更描述）是冗长的。 agentmemory 会调用配置的LLM（默认为Claude Haiku，兼顾成本与效果），将这条观察压缩成几个核心组成部分：

    • 事实（Facts） ：客观、可验证的陈述。例如：“在 src/middleware/auth.ts 中创建了 verifyJWT 函数。”
    • 概念（Concepts） ：抽象出的主题或实体。例如：“JWT认证”、“Edge兼容性”、“中间件模式”。
    • 叙事（Narrative） ：对事件链的简要描述。例如：“用户要求添加认证，助手选择了 jose 库并实现了令牌验证中间件。” 这种压缩大幅减少了存储空间，并为后续的语义搜索奠定了基础。

  4. 向量嵌入与索引 ：压缩后的结构化数据会通过嵌入模型（Embedding Model）转化为高维向量。 agentmemory 支持多种嵌入提供商，并强烈推荐使用本地的 all-MiniLM-L6-v2 模型，它免费、离线，且能将检索准确率（R@5）在仅用关键词搜索的基础上提升8个百分点。这个向量，连同原始文本，会被分别索引到三个并行的检索系统中：

    • BM25索引 ：用于传统的、基于词干提取和同义词扩展的关键词匹配。它速度快，对精确术语（如函数名、文件名）的召回非常有效。
    • 向量索引 ：用于语义搜索。它能理解“数据库性能优化”和“N+1查询问题”之间的语义关联，即使它们没有相同的字词。
    • 知识图谱 ：自动从文本中提取实体（如“ User 模型”、“ auth 中间件”）和关系（如“位于”、“调用”），构建一个图结构。当查询涉及实体时，可以通过图遍历发现深层次的关联记忆。

2.2 四层记忆巩固模型：从短期记忆到长期技能

受人类记忆处理机制的启发， agentmemory 采用了四层记忆巩固模型。这不仅仅是存储，更是一个动态的、不断演化的知识系统。

层级 存储内容 类比 生命周期与处理
工作记忆 原始的、未经处理的工具调用观察记录。 短期记忆 保留时间很短（通常几分钟到几小时），用于去重和即时检索。随后会被压缩并提升到更高层级。
情景记忆 经过LLM压缩的、单个会话的完整叙事性总结。 “发生了什么” 记录了某个完整会话的故事情节。例如：“会话#123：实现了用户认证系统。” 这层记忆帮助理解任务的上下文和来龙去脉。
语义记忆 从情景记忆中提取出的客观事实、概念和模式。 “我知道什么” 这是长期记忆的核心。存储了跨会话的通用知识，如“项目使用TypeScript”、“认证中间件在 src/middleware/auth.ts ”。记忆会随着时间衰减（艾宾浩斯曲线），高频访问的记忆会被强化，陈旧的、矛盾的记忆会被自动检测和清理。
程序性记忆 抽象出的工作流程、决策模式和最佳实践。 “如何去做” 最高级的记忆形式。例如：“添加新API端点的模式：1. 创建路由文件，2. 添加输入验证，3. 编写业务逻辑，4. 添加单元测试。” 当助手遇到类似任务时，这些模式可以被快速调用。

这个模型的关键在于“巩固”过程。系统会定期（或在会话结束时）运行后台任务，将“工作记忆”压缩成“情景记忆”，再从“情景记忆”中提炼“语义记忆”和“程序性记忆”。同时，一个独立的“记忆治理”进程会持续评估记忆的价值，淘汰过时、矛盾或低重要性的记忆，确保知识库的精炼和准确。

2.3 混合检索与上下文注入：精准的“记忆唤起”

当新的会话开始时， SessionStart 钩子会触发检索流程。 agentmemory 不会一股脑地把所有记忆都塞给AI助手，那会浪费大量token并造成干扰。它的做法非常智能：

  1. 生成查询 ：系统会分析当前会话的初始提示（User Prompt）、项目路径等信息，自动生成一个或多个搜索查询。
  2. 三重混合检索 ：针对每个查询，并行执行三种搜索：
    • BM25检索 ：快速找到包含精确关键词的记忆。
    • 向量语义检索 ：找到与查询语义最相似的记忆。
    • 图谱检索 ：如果查询中识别出实体（如“ User 模型”），则在知识图谱中遍历与之相连的其他记忆。
  3. 结果融合与去重 ：三种检索结果会通过“ Reciprocal Rank Fusion (RRF)”算法进行融合。RRF（k=60）能平衡不同检索算法的排名，确保既有关键词匹配的精确性，又有语义搜索的广度。融合后，系统还会进行“会话多样化”处理，确保来自同一会话的记忆不会占据过多席位（例如，限制每个会话最多返回3条结果），以提供更全面的背景信息。
  4. Token预算与格式化 ：检索到的记忆条目会按相关性排序，并纳入一个动态的Token预算（默认2000 tokens）。系统会从最相关的记忆开始选取，直到预算用尽。最后，这些记忆被格式化成一段连贯的文本，作为系统提示的一部分，在助手生成第一次回复前注入其上下文。

实操心得：理解“会话多样化”的价值 假设你过去有10个会话都在修复同一个复杂的Bug。如果没有会话多样化，检索结果可能全部来自最近的一两个会话，你会错过早期探索阶段的一些关键尝试和排除的路径。多样化确保了检索结果的广度，让AI助手能获得更立体的项目历史视图。

3. 实战部署与多平台集成指南

3.1 快速启动：30秒内体验核心功能

理论再好，不如亲手一试。 agentmemory 的入门极其简单，不需要复杂的配置。 

# 在第一个终端启动记忆服务器
npx @agentmemory/agentmemory

# 在第二个终端运行演示，它会自动注入一些示例会话数据并执行搜索
npx @agentmemory/agentmemory demo

运行 demo 命令后，你会看到系统植入了三个模拟的真实开发会话（JWT认证、N+1查询修复、速率限制），并演示如何通过语义搜索找到它们。例如，当你搜索“数据库性能优化”时，它能精准召回关于“N+1查询修复”的记忆，这是单纯的关键词匹配做不到的。

此时，打开浏览器访问 http://localhost:3113 ，你将进入 agentmemory 的实时观测器。在这里，你可以看到记忆被捕获、索引、检索的全过程，可视化知识图谱，浏览所有会话历史。这是理解系统工作的最佳方式。

3.2 与主流AI编程助手集成

agentmemory 的核心优势在于其广泛的支持性。它通过两种主要方式与助手集成： 钩子（Hooks） 和 MCP服务器 。对于深度集成的助手（如Claude Code），两者都会启用；对于其他支持MCP的助手，通过MCP也能获得绝大部分能力。

对于 Claude Code（最无缝的体验） Claude Code提供了最丰富的钩子接口。安装后， agentmemory 会自动注册全部12个钩子，实现全自动捕获。同时，它的MCP服务器提供了超过50个工具。 安装只是一条命令的事情：

  1. 在一个独立的终端运行： npx @agentmemory/agentmemory （启动后台服务）。
  2. 在Claude Code中，执行插件安装命令： 
    /plugin marketplace add rohitg00/agentmemory
/plugin install agentmemory
    安装后，Claude Code会自动通过其 .mcp.json 配置文件连接 agentmemory 的MCP服务器，你无需任何额外配置。可以通过 curl http://localhost:3111/agentmemory/health 验证连接。

对于 Cursor、Gemini CLI、OpenCode 等（通过MCP） 对于任何支持MCP协议的助手，集成方式都是统一的：在助手的MCP配置文件中添加 agentmemory 服务器。 以 Cursor 为例，编辑 ~/.cursor/mcp.json 文件（如果不存在则创建）： 

{
  "mcpServers": {
    "agentmemory": {
      "command": "npx",
      "args": ["-y", "@agentmemory/mcp"]
    }
  }
}

保存并重启Cursor，助手就能调用 memory_smart_search , memory_save 等工具了。

对于 Aider 或任何支持HTTP的助手（通过REST API） 如果你的助手不支持MCP，但能发送HTTP请求，可以直接使用 agentmemory 的REST API。服务器启动后，API默认位于 http://localhost:3111 。 例如，进行智能搜索： 

curl -X POST http://localhost:3111/agentmemory/smart-search \
  -H "Content-Type: application/json" \
  -d '{"query": "我们之前是怎么处理用户认证的？", "limit": 5}'

3.3 关键配置详解与环境调优

默认配置适合大多数场景，但了解关键配置项能让你更好地驾驭它。

嵌入模型选择：成本与效果的平衡 agentmemory 支持多种嵌入模型提供商，并会自动选择可用的最优项。优先级如下：

  1. 本地模型（推荐） ：如果检测到安装了 @xenova/transformers ，则使用 all-MiniLM-L6-v2 。免费、离线、隐私安全，且能显著提升检索质量。 
    npm install @xenova/transformers
  2. 云提供商 ：如果没有本地模型，则会按顺序尝试Gemini、OpenAI、Voyage等。你需要设置相应的环境变量，如 OPENAI_API_KEY 。

    注意事项 ：使用云API会产生费用，且所有记忆文本都需要发送到第三方。对于涉及公司代码的项目，务必评估隐私风险。本地模型是生产环境的推荐选择。

Token预算与记忆数量控制 环境变量 AGENTMEMORY_MAX_TOKENS 控制每次会话注入记忆的最大token数（默认2000）。 AGENTMEMORY_MAX_MEMORIES 控制单次检索返回的最大记忆条数（默认20）。你可以根据所用AI模型的上下文窗口大小进行调整。例如，对于Claude 3.5 Sonnet（200K窗口），你可以适当调高预算以注入更多背景信息。

隐私与数据过滤 系统默认会过滤敏感信息。你可以通过环境变量 AGENTMEMORY_FILTER_SECRETS （默认 true ）控制此行为。过滤规则定义在源码中，会匹配常见的API密钥、令牌、密码模式。对于高度敏感的项目，你还可以审查并自定义过滤逻辑。

存储位置 所有数据（SQLite数据库、向量索引、知识图谱）默认存储在 ~/.agentmemory 目录下。你可以通过环境变量 AGENTMEMORY_DATA_DIR 修改此路径。定期备份这个目录，就备份了你的全部AI助手记忆。

4. 高级功能与多智能体协作

4.1 会话回放与数据导入：重现每一个决策瞬间

agentmemory 不仅存储结论，还完整记录了决策过程。在实时观测器（ :3113 ）中，有一个 “回放” 标签页。你可以选择任何一个历史会话，像看视频一样，逐条“播放”当时的所有事件：用户提示、工具调用（包括输入参数）、工具结果、助手回复。你可以暂停、快进、后退，精确查看在某个时间点，AI助手看到了什么、做了什么。

这对于复盘复杂问题的解决过程、培训新团队成员、或者理解AI为何做出某个特定决策至关重要。此外，如果你之前使用Claude Code并保存了JSONL格式的会话记录，可以一键导入： 

# 导入默认路径（~/.claude/projects）下的所有历史会话
npx @agentmemory/agentmemory import-jsonl

# 导入单个JSONL文件
npx @agentmemory/agentmemory import-jsonl ~/.claude/projects/my-project/session-abc123.jsonl

导入的会话会与原生捕获的会话一样，支持检索和回放。

4.2 团队记忆与信号机制：让多个AI助手协同工作

在团队开发中，可能有多名成员使用各自的AI助手在同一个项目上工作。 agentmemory 支持 命名空间 ，可以实现团队记忆共享与私有记忆隔离。

  • 共享记忆 ：存储在团队命名空间下的记忆，对所有有权限的成员和他们的助手可见。例如，团队可以将项目架构规范、通用工具函数模式、已解决的公共Bug方案存入共享记忆。
  • 私有记忆 ：存储在个人命名空间下的记忆，仅对自己可见。用于记录个人的编码习惯、未完成的实验思路等。

更强大的是 信号（Signal） 机制。一个AI助手可以给另一个助手（或在同一项目中的其他助手）发送信号。例如，助手A完成了一个核心模块的开发，它可以发送一个信号：“ 模块X已就绪，接口为Y，请更新你的依赖 ”。助手B在开始相关工作时，会接收到这个信号，从而避免重复劳动或接口不一致。这为多智能体间简单的任务协调和状态同步提供了可能。

4.3 行动、租约与前沿：项目管理与防冲突

agentmemory 超越了简单的记忆，向轻量级的“AI项目管理”迈进。

  • 行动 ：你可以创建“行动”条目，代表一个待完成的工作项（如“修复登录页面的CSS溢出问题”）。行动可以有关联的记忆（作为背景），也可以有依赖关系。
  • 租约 ：在多助手场景下，为了防止两个助手同时处理同一个行动导致冲突，可以对该行动发起“租约”。获得租约的助手独占处理权，直到释放租约或租约超时。
  • 前沿 ：系统可以计算出一个“前沿”列表，即所有未被阻塞（依赖已解决）、且未被租约锁定的、优先级最高的行动。这相当于一个动态的、由AI助手协作维护的待办事项列表。

这些功能通过MCP工具暴露，例如 memory_action_create , memory_lease , memory_frontier 。虽然目前还比较基础，但它描绘了一个未来：AI助手不仅能记住过去，还能协同规划未来。

4.4 深入诊断与iii控制台

agentmemory 构建在 iii-engine 之上，这是一个高性能的事件驱动引擎。你可以通过官方的 iii-console 工具，进行深度监控和调试。 

# 安装iii控制台
curl -fsSL https://install.iii.dev/console/main/install.sh | sh

# 启动控制台（agentmemory已占用3113端口，控制台可运行在3114）
iii-console --port 3114 --engine-port 3111 --ws-port 3112

访问 http://localhost:3114 ，你将看到一个强大的仪表盘：

  • 函数追踪 ：实时查看每一次 memory.search 调用如何流经BM25、向量、重排序等组件。
  • 状态存储 ：直接查看内存中存储的原始键值对数据。
  • 流监控 ：观察各个事件流（如钩子触发、记忆巩固）的实时动态。
  • 直接调用 ：绕过MCP，直接调用底层的iii引擎函数进行测试或修复。

这对于排查复杂问题、理解系统内部状态、或进行性能分析非常有价值。

5. 性能基准、对比与常见问题排查

5.1 性能数据解读：它真的有效吗？

项目提供了详尽的基准测试报告，核心数据令人印象深刻：

  • 检索准确率（R@5）达95.2% ：在LongMemEval-S基准测试（ICLR 2025，500个问题）中， agentmemory 的混合检索在召回率前5项上达到了95.2%。这意味着在95%的情况下，用户查询的相关信息都能出现在最相关的5条记忆中。作为对比，仅使用BM25的回落方案为86.2%，而竞争对手 mem0 和 Letta 在类似测试中约为68-83%。
  • Token消耗降低92% ：与将全部 CLAUDE.md 内容塞入上下文的方式相比， agentmemory 的精准检索将单次会话的token消耗从潜在的数万降低到约1900个。按年计算，成本从“不可能”（超出上下文窗口）或约500美元，降低到约10美元。如果使用本地嵌入模型，嵌入成本则为零。
  • 零外部数据库依赖 ：整个系统基于SQLite和iii-engine构建，无需维护复杂的PostgreSQL + pgvector或Qdrant等外部向量数据库，部署和运维复杂度大大降低。

5.2 与竞品及内置方案的对比

特性维度 agentmemory mem0 Letta / MemGPT 内置文件 (如CLAUDE.md)
核心定位 记忆引擎 + MCP服务器 记忆层API 完整的智能体运行时 静态文本文件
检索质量 95.2% R@5 (混合检索) ~68.5% R@5 ~83.2% R@5 N/A (全文加载)
自动化程度 12个自动钩子 (零手动操作) 需手动调用 add() 智能体自我编辑 完全手动编辑
搜索技术 BM25 + 向量 + 知识图谱 (RRF融合) 向量 + 图谱 向量 (归档搜索) 无搜索，全部加载
多智能体支持 MCP + REST + 租约 + 信号 API (无协调) 仅在Letta运行时内 每个助手独立文件
框架绑定 无 (任何MCP客户端) 无 高 (必须使用Letta) 每个助手格式不同
外部依赖 无 (SQLite + iii-engine) 需要Qdrant/pgvector 需要Postgres+向量DB 无
记忆生命周期 4层巩固 + 衰减 + 自动遗忘 被动提取 智能体管理 手动修剪
实时观测器 有 (本地端口3113) 云仪表盘 云仪表盘 无

避坑指南：选择适合自己的方案

  • 如果你只想给现有的Claude Code/Cursor加记忆，不想换工具 ： agentmemory 是无侵入、无缝集成的首选。
  • 如果你在构建一个全新的、复杂的AI应用，需要完整的智能体管理 ： Letta 这类全栈框架可能更合适。
  • 如果你只需要一个简单的API来存储/检索文本，且能自建向量数据库 ： mem0 更轻量。
  • 如果你的项目非常简单，记忆很少变化 ：手动维护 CLAUDE.md 也许就够了，但你会很快遇到天花板。

5.3 常见问题与排查实录

在实际部署和使用中，你可能会遇到以下问题：

问题1：启动 npx @agentmemory/agentmemory 失败，提示 Could not start iii-engine 。

  • 原因 ： agentmemory 依赖 iii-engine 原生二进制文件。 npx 包不包含它，需要单独安装。
  • 解决方案 ：
    • macOS/Linux ：运行 curl -fsSL https://install.iii.dev/iii/main/install.sh | sh
    • Windows ：从 iii-hq/iii releases 下载 iii-x86_64-pc-windows-msvc.zip ，解压出 iii.exe ，将其放入系统PATH或用户目录的 .local\bin 下。
    • 通用备选 ：确保Docker已安装并运行， agentmemory 会自动尝试使用Docker Compose启动引擎。

问题2：AI助手（如Cursor）连接不上MCP服务器，提示超时或错误。

  • 排查步骤 ：
    1. 确认服务运行 ：在终端运行 curl http://localhost:3111/agentmemory/health ，应返回 {"status":"ok"} 。
    2. 检查MCP配置 ：确保助手的MCP配置文件（如 ~/.cursor/mcp.json ）路径和格式正确。JSON格式必须严格，注意尾逗号。
    3. 检查命令路径 ：确保 npx 在系统PATH中。有时在IDE内置终端中路径可能不同。可以尝试使用绝对路径，如 /usr/local/bin/npx 。
    4. 查看日志 ：启动 agentmemory 时添加 --verbose 标志，查看详细的启动和连接日志。

问题3：感觉记忆没有被正确检索或注入，助手还是“忘了”。

  • 可能原因与解决 ：
    1. 钩子未生效 ：对于Claude Code，确保插件已正确安装并启用。在Claude Code设置中检查插件列表。
    2. 检索相关性低 ：尝试在观测器( :3113 )的搜索栏中手动搜索相关关键词，看是否有记忆被召回。如果没有，说明捕获可能有问题。检查是否有隐私过滤器过度过滤了内容。
    3. Token预算过低 ：环境变量 AGENTMEMORY_MAX_TOKENS 设置得太小，导致相关记忆被截断。尝试提高到4000或8000。
    4. 会话未关联 ：确保当前会话的项目路径与历史记忆所在的项目路径匹配。 agentmemory 默认按项目路径隔离记忆。

问题4：本地嵌入模型安装失败或速度慢。

  • 原因 ： @xenova/transformers 首次运行需要下载模型文件（约80MB），且推理需要一定计算资源。
  • 解决 ：
    • 确保网络通畅。首次运行会显示下载进度。
    • 如果速度慢，可以考虑使用更小的模型（需修改配置），或暂时使用云API（如Gemini免费版）作为过渡。
    • 对于CPU较弱的机器，向量检索可能会有延迟，这是正常现象。BM25检索仍然是即时可用的。

问题5：数据文件越来越大，如何清理或备份？

  • 备份 ：直接复制整个 ~/.agentmemory 目录即可。
  • 清理 ： agentmemory 有自动的记忆衰减和淘汰机制。你也可以通过MCP工具 memory_governance_delete 手动删除特定会话或记忆。 注意 ：删除操作会进入审计日志。更安全的方式是调整记忆的TTL（生存时间）设置，让系统自动清理老旧记忆。

从我近几个月的深度使用来看， agentmemory 最大的价值在于它“润物细无声”地提升了工作流的连贯性。它不会喧宾夺主，只是安静地在后台编织一张项目的知识网络。当你习惯了这种“有记忆”的协作后，就很难再回到那种每问必答、却次次如初的原始状态了。它的混合检索策略确实精准，本地模型的零成本部署也让长期使用毫无压力。如果你每天有超过一小时在与AI编程助手协作，投资半小时设置 agentmemory ，回报将是长期且显著的。

Logo
乐奇 Rokid 开放社区

更多推荐

哪个家电企业综合技术全球领先？看TCL白电

挑冰箱时，这正是判断一个品牌的冰箱值不值得买的地方。在AI应用之外，面向AI时代，又将AI技术落到产品深处，打造AR智能眼镜、家庭「 陪 · 育」机器人、智能电视、AI空调、AI洗衣机、AI冰箱等多产品线，在智能制造和智能生活上深度布局。回头看，TCL家电的技术不在于某一句宣传语，而在于一台电视的显示技术、一台冰箱的冷凝器、一台空调的变频控制器、一台洗衣机的传感器等细节里。一台家电好不好，往往不由

avatar 乐奇 Rokid 开放社区

在 Rokid AI Glasses 上做背单词应用：AIUI拍照听写的实现

分享在 Rokid AI Glasses 上用 AIUI 开发背单词应用的实践：从镜腿单击拍照、图片编码和多模态识别，到切题时的异步任务处理、语音调度与学习进度保存，结合关键代码和界面动图说明实现过程。

avatar 乐奇 Rokid 开放社区
cover

极刻觅镜 | AI眼镜周报｜智能眼镜周报：销售高增长、标准落地与新品密集发布

avatar 乐奇 Rokid 开放社区