与「关闭记忆关闭记忆关闭记忆」相关的搜索结果

应该关掉ChatGPT的记忆，或者其他各种AI的记忆。否则容易在一个问题里钻牛角尖，出不来，落入早熟收敛。 本来AI就谄媚、迎合你，如果还不能每个对话清空记忆，一直记着同一件事情，就会越来越钻牛角尖。 #关闭记忆关闭记忆关闭记忆#

Google 开源了 "Agent 工作负载的 Kubernetes"「AX」 AX 是为 Agent 设计的声明式编排运行时，你用 YAML 声明一个 Agent 任务，AX 负责在集群中沙箱化、配置环境、管控网络并大规模运行它。 开源地址： 它解决什么问题 项目的立论很清晰：Agent 是一种既有的编排体系都不匹配的新型工作负载。 · 它不像微服务(无状态、常驻)，Agent 会持续积累状态(对话记忆、工作区文件、工具会话); · 它不像批处理作业(跑完即弃)，Agent 大部分时间在等待，等模型响应、等工具返回、等人类审批，期间沙箱空转烧钱; · 它运行的是不可信代码，需要严格隔离；它还调用外部模型 API 和 MCP 工具服务器，需要网络与凭据管控。 架构：四个二进制 + Redis 四个二进制分工：ax(开发者 CLI)、ax-server(无状态 gRPC API)、ax-controller(调和循环)、ax-task-runner(每个任务容器内的 PID 1)。 核心原语：Task / Workspace / Model (+ Gateway) Task 是最小执行单元：带 CPU/内存限制的隔离沙箱。AX 刻意把它做得细粒度、可自由组合：一个任务可以是全部工作,也可以是任务树的根节点。生命周期用 status.phase + Conditions 表达,支持挂起(检查点保存状态)与恢复。 Workspace 是最有产品想象力的一层。它把“环境准备”声明化:列出需要的 Git 仓库、MCP 服务器、技能包,runner 在命令启动前物化好。更激进的是 generative workspace:你可以只写一句自然语言目标("搭一个 Python 3 开发环境"),首次启动时 runner 会派一个引导 Agent(Antigravity,需 GEMINI_API_KEY,默认限时 10 分钟)去实际安装工具链并验证依赖。声明一次,任意任务复用。 Model 把“用哪个模型、什么参数、密钥在哪”抽成命名资源,密钥引用 K8s Secret。轮换密钥、锁版本、调温度只需一次 ax apply。 沙箱与运行时细节 每个任务容器以 ax-task-runner 为 PID 1：启动元数据服务(端口 80,HTTP/1.1+h2c,暴露 /healthz、/readyz 和任务/工作区自省端点——Agent 不需要 SDK 就能读到自己的配置)、按绑定顺序初始化工作区、然后 fork 出 spec.command 并持续监管。命令退出后 runner 仍驻留,所以 ax ssh 和元数据服务在命令结束后依然可用。停机采用 SIGTERM + 10 秒宽限 + 强杀的两级策略。 安全模型有几处值得注意的门控：guest 服务(任意进程执行与文件读写,ax ssh 的底层)默认关闭,只在 debug: true 时开启——ax ssh 连不上未开启的任务是刻意的安全设计,不是故障;Gateway 用显式 allowlist 管控出站流量,并可向入站请求注入凭据,避免把 API key 直接塞进 Agent 环境。 路线图透露的方向 五大方向：Actor 架构深化、空闲检测自动挂起、有状态任务 fork、任务级 SPIFFE 身份做零信任 mTLS、runner 层自动采集 OpenTelemetry 遥测与结构化 Agent 轨迹。

完全阻止云端大模型对你做人格侧写几乎不可能，因为只要对话上云，服务商至少会为安全、滥用检测和运维保留一段时间数据。能做的是：减少可识别信息、切断跨会话记忆、把敏感内容留在本地。 先改使用习惯 不要把真实姓名、住址、身份证、公司内部文件、家庭关系、精确行程、财务账户一次丢进同一账号。侧写靠的是长期、跨话题的一致性，而不是单句脏话。 把“闲聊人生”和“查数据/写代码”拆开。前者用临时对话或本地模型，后者再用登录账号。 把每次对话当成可能被人工抽检或进入安全日志的内容来写，而不是私人日记。 把平台开关关掉 ChatGPT：设置 → 数据控制，关闭“为所有人改善模型”；敏感话题用 Temporary Chat；另到个性化/记忆里删除已保存的 Memory。关闭训练不等于立刻清空历史，历史和记忆要分开删。 Claude：设置里关闭帮助改进模型；需要一次性深聊时用隐私聊天（幽灵图标）。删除的对话通常会从历史里消失，后端一般还有约 30 天保留期。 Gemini：关闭并删除 Gemini 应用活动记录。关掉后新对话通常只短暂保留约 72 小时用于服务本身。同时检查 Google 账号里的“网络和應用程式活動”。 各平台都要定期删历史、导出自己的数据看一眼公司到底存了什么，再提交删除请求。 身份隔离 不要用绑定真实社交账号、主邮箱、手机号的同一身份去聊私密话题。 公开发言（X、YouTube）和私密提问尽量不要交叉引用，否则模型或人工审核很容易把两边对上。 关掉浏览器对 AI 站点的自动填充和跨站追踪，减少账号、设备、地理位置被拼在一起。 敏感内容用本地模型 真正想防侧写的内容，用 Ollama、LM Studio、Jan 等在本机跑开源模型。推理不出门，云厂商拿不到原文，也就无法据此建档。代价是能力通常弱于前沿云端模型，适合草稿、摘要、私密文件，不适合强推理和实时检索。 注意：本地工具如果开了遥测、云同步或联网插件，隐私优势会打折。尽量关掉遥测，敏感文件不要再上传到网盘再让云端 AI 读。 还要接受的现实 关闭“用于训练”只挡住模型迭代，挡不住安全审核、滥用检测、法律调取和短期日志。Anthropic 这类公司的威胁报告，依据的正是这类监控，而不是公开训练语料。 元数据仍在：登录时间、IP、设备、提问频率、话题分布，本身就能画粗略画像。 你在 X 上的公开帖、视频、网站，任何人（包括 AI）都能做公开侧写；那部分只能靠少暴露，无法靠聊天设置抹掉。 最有效的组合通常是：公开分析继续用云端 + 关训练/开临时聊天；涉及家庭、资产、身份、未公开行程的内容改走本地模型或干脆不输入 AI。

Agent = Model + Harness：生产级 AI 智能体工程六层实战手册 结合 Mitchell Hashimoto、OpenAI Codex 团队、Martin Fowler、LangChain、Cursor 等公开工程资料编撰。 # Agent = Model + Harness 模型只提供推理能力，决定 Agent 能否从演示走向生产环境的是围绕模型的工程基础设施——Harness。 报告的核心论据是：只改 Harness、不换模型，收益可超过模型升级： · 同一 Claude Sonnet 4.5 在 GAIA 基准上从 30.91% 升至 74.55%（+43.64 分），差异完全来自 Harness； · LangChain 不改模型，仅靠 Harness 优化将 Terminal Bench 排名从第 30 提升至第 5； · OpenAI 团队 5 个月、约 1500 个自动化 PR 产出 100 万行生产代码，零人工手写——人负责设计环境，Agent 负责写代码（"Humans steer. Agents build."）。 这也解释了一个行业现象：约 95% 的企业 AI Agent 止步于预生产阶段——演示效果好，却因安全审查、可观测性、边界情况幻觉、治理缺失而无法上线。 # 行业定位：AI 工程的第三个时代 1. 提示词工程（2023–24）：模型"说什么" 2. 上下文工程（2025）：模型"看到什么"（RAG/MCP/记忆） 3. Harness 工程（2026）：模型"能做什么" # 六层架构（报告主体） 1. Guides 引导层（前馈控制）：AGENTS.md / CLAUDE.md 等规则文件，在执行前塑造行为。要点：规则必须可执行、可验证、可追溯至真实失败案例；需定期修剪，否则 200 行无日期规则就是技术债。OpenAI 内部将其视为最高事实源——文件与会话冲突时，文件优先。 2. Sensors 传感层（反馈控制）：执行后验证输出。优先使用确定性、零成本的计算型传感器（linter、测试、schema 校验）；LLM-as-judge 等推理型传感器慢、贵、不确定，只用于无法用规则表达的语义判断，且应作参考信号而非硬门禁。 3. Agentic Loop 执行循环：计划→执行→验证→修复→前进或升级，必须有界——默认每步最多重试 3 次、30 分钟、10 万 token、5 美元、50 次工具调用。预算耗尽时返回最佳半成品并说明原因，不允许用流利的最终答案掩盖部分失败。正确升级的 Agent 比自信地给出错误答案的 Agent 更有价值。 4. Memory 记忆层：模型每次会话都从零开始，Harness 负责状态连续性。最简方案是文件系统（plan.md、decisions.jsonl、checkpoint），对多数场景比向量数据库更便宜可靠。检验标准：中途关闭会话重开，Agent 应能断点续作。 5. Permissions 权限层：模型无法自我约束，Harness 是唯一安全边界。按范围、速率、可逆性、可见性四个维度设定能力预算；不可逆操作（部署、删除、外发消息）必须人工批准；必须隔离可信指令与不可信数据以防提示注入。 6. Observability 可观测层：结构化日志 + 成本归因 + 熔断告警（trip wire）。真正的度量不是 token 数，而是无需人工干预即完成且证据合格的任务数；成本应按"每个验证通过的结果"而非按天计算。 # 方法论精髓：棘轮原则（Ratchet） Hashimoto 的原始定义："每当 Agent 犯错，就工程化一个方案，让它永远不再犯这个错。" 六步循环：复现失败→归类根因→选择最强修复层→编码修复→验证防复发→监控回归。 修复强度呈阶梯上升：对话补丁 < 提示词 < 引导规则 < 传感器 < 环境约束——提示词只修一次对话，环境约束让错误在结构上不可能发生。 Cursor 的 Lauren Tan 补充了实操信号：同一条评审意见出现三次，就应固化为结构性约束。Harness 成熟的标志是规则增速下降（从每天 5 条降到每周 1 条）。 # 落地路径与边界 七天最小可用路径：Day 1–2 建引导文件 → Day 3–4 接入测试套件与有界循环 → Day 5–6 加检查点与权限 → Day 7 加日志与熔断。之后按"一次只改一层、可度量、可回滚"扩张，完成率 ≥80% 等六道闸门全过才允许扩大规模。 何时不需要 Harness：一次性问答、创意脑暴、低风险个人任务——"如果以上都不适用，对话本身就是 Harness"。 多智能体扩展：需要类型化交接（"done, looks good" 不能推进生产流程）、共享状态模型而非共享上下文（避免上下文污染）、以及生产者不可覆盖的独立验证者。

这是个人用 Cindy 一周的工作量，还不包括 FiloMail 的工作量，这放在过去可能要带个 20-30 人团队做一个月的活儿，Cindy 帮我做到了😁，希望能帮助身边所有人都变成这种程度： Cindy · Chris 近 7 日 PR（8/6–8/12） 共发起 43 个 PR，约 302 个提交；37 个已合并，4 个仍在审，2 个关闭未合并。 • Telegram 双 Bot 的消息、命令、交互卡和过程呈现逐步共用同一套核心。个人 Bot 补齐设置、离线消息时效、相册回退和隐私边界，官方 Bot 增加确认表情与完整进度。两套入口行为更一致，也更不容易重复发送或泄露受保护内容。 • Telegram 群消息支持全文持久化、分线程检索和按存储大小保留，不再因“最近 500 条”快速丢失历史。Agent 可以在权限限定的当前群和话题内查询“以前谁说过什么”，重启后游标也能延续。 • 本地 /review 成为跨 Claude Code、Codex、Pi 的正式能力，可隔离审查代码、文档、PDF 和图片。后续又修掉真实工作区过大、pnpm 双链接和托管 worktree 导致的启动失败与审错版本问题，Review 从实验功能变成了实际可用的成果复核入口。 • Auto Review 大幅减少误报，并开始记忆边界完全一致的安全操作，避免相同命令反复审核。今天新增的 #2474# 还会在审阅服务波动时自动重试，失败后交还用户确认，并按模型能力分配额度，不再静默拒绝正常操作；该 PR 当前仍在审。 • Subagent 增加跨三套 Harness 的持久工作区，统一记录运行状态、模型、用量和结果，重启后仍能查看；同时修正 Codex 子代理 Token 虚高，并恢复对话卡就地展开、不强制弹出右栏的原有交互。 • 跨 Agent、模型和供应商的协作更完整：send_to_session 可以指定目标 Harness 与模型创建任务；Pi 补齐自定义 MCP、图片能力判断和角色说明；Codex 能恢复包含其他供应商历史的会话，ChatGPT 授权失效后也有真正有效的重新登录入口。 • 远程和多端体验得到补强：新任务可继承当前选中的远程机器，Android 宽屏切换任务不再崩溃或白屏；三套 Harness 统一展示回合速度与耗时，GitHub 官方插件还能安全复用本机 gh 登录，且并发 MCP Session 不再串上下文。 仍在审的 4 个：#2474# Auto Review 自愈、#2383# Telegram 终稿可靠投递、#2255# 精确批准记忆、#1858# Pi 切换状态回显。

限制codex/gtp任意发挥的最重要设置：进入设置 → 个性化 → 自定义指令，复制黏贴一下内容： 严格范围约束： 只执行用户明确要求的任务，默认采用最窄、最直接的合理解释。 不得擅自扩大范围，不得主动增加设计、重构、优化、研究、风控、审核或后续阶段。 任务目标、范围和验收标准一旦确定，不得自行修改、扩充或移动终点。 发现范围外问题时，只能标记为“范围外、非阻塞发现”，不得并入当前任务，不得影响当前任务通过。 不得把可选增强、最佳实践、P1/P2事项升级为P0或当前阻塞项，除非用户明确授权。 审核时只按照用户提供或已经冻结的合同和验收标准判断，不得因为还能做得更完善而判定失败。 修复问题时只修根因并采用最小必要改动，不得借机改变策略语义、架构或无关模块。 原验收标准满足后必须关闭任务；后续新发现必须作为独立事项，不能重新打开原任务。 未经用户要求，不主动提供下一步计划、额外建议、扩展方案或新的工作目标。 不确定时应明确说明采用的最窄假设，不能通过扩大任务范围来消除不确定性。 不得声称已经修改设置、保存记忆、更新项目指令或完成持久化，除非确实通过可验证工具完成。 输出结论必须严格匹配证据强度，不夸大通过，也不因范围外的改进空间否定已经满足的原要求。 核心原则： 只做份内工作；范围外只记录、不执行、不阻塞；没有用户明确授权，不扩展、不升级、不重构。

为什么GTP5.6总是会过度设计过度扩张？因为缺乏这个设置： 进入：ChatGPT 设置 → 个性化 → 自定义指令 将以下内容复制黏贴进去： 严格范围约束： 只执行用户明确要求的任务，默认采用最窄、最直接的合理解释。 不得擅自扩大范围，不得主动增加设计、重构、优化、研究、风控、审核或后续阶段。 任务目标、范围和验收标准一旦确定，不得自行修改、扩充或移动终点。 发现范围外问题时，只能标记为“范围外、非阻塞发现”，不得并入当前任务，不得影响当前任务通过。 不得把可选增强、最佳实践、P1/P2事项升级为P0或当前阻塞项，除非用户明确授权。 审核时只按照用户提供或已经冻结的合同和验收标准判断，不得因为还能做得更完善而判定失败。 修复问题时只修根因并采用最小必要改动，不得借机改变策略语义、架构或无关模块。 原验收标准满足后必须关闭任务；后续新发现必须作为独立事项，不能重新打开原任务。 未经用户要求，不主动提供下一步计划、额外建议、扩展方案或新的工作目标。 不确定时应明确说明采用的最窄假设，不能通过扩大任务范围来消除不确定性。 不得声称已经修改设置、保存记忆、更新项目指令或完成持久化，除非确实通过可验证工具完成。 输出结论必须严格匹配证据强度，不夸大通过，也不因范围外的改进空间否定已经满足的原要求。 核心原则： 只做份内工作；范围外只记录、不执行、不阻塞；没有用户明确授权，不扩展、不升级、不重构。

codex设置中最重要的一项，可以将任意自由发挥变成瞎扯淡的GTP5.6拉回严格执行的严谨思维模式： 进入：ChatGPT 设置 → 个性化 → 自定义指令 将以下内容复制黏贴进去： 严格范围约束： 只执行用户明确要求的任务，默认采用最窄、最直接的合理解释。 不得擅自扩大范围，不得主动增加设计、重构、优化、研究、风控、审核或后续阶段。 任务目标、范围和验收标准一旦确定，不得自行修改、扩充或移动终点。 发现范围外问题时，只能标记为“范围外、非阻塞发现”，不得并入当前任务，不得影响当前任务通过。 不得把可选增强、最佳实践、P1/P2事项升级为P0或当前阻塞项，除非用户明确授权。 审核时只按照用户提供或已经冻结的合同和验收标准判断，不得因为还能做得更完善而判定失败。 修复问题时只修根因并采用最小必要改动，不得借机改变策略语义、架构或无关模块。 原验收标准满足后必须关闭任务；后续新发现必须作为独立事项，不能重新打开原任务。 未经用户要求，不主动提供下一步计划、额外建议、扩展方案或新的工作目标。 不确定时应明确说明采用的最窄假设，不能通过扩大任务范围来消除不确定性。 不得声称已经修改设置、保存记忆、更新项目指令或完成持久化，除非确实通过可验证工具完成。 输出结论必须严格匹配证据强度，不夸大通过，也不因范围外的改进空间否定已经满足的原要求。 核心原则： 只做份内工作；范围外只记录、不执行、不阻塞；没有用户明确授权，不扩展、不升级、不重构。

提高注意力，实现深度工作学习的 10 个方法。 来自麻省理工大学计算机博士 卡尔纽波特的书，《深度工作》。 1.固定专注时间。 每天留出一段完整时间，只处理最重要，最需要思考的任务，期间不安排会议，也不回复消息。 2.提前确定工作规则。 开始前写清任务，时长和地点，同时明确这段时间内不能做什么，避免临时切换工作内容。 3.用环境变化推进重要任务。 一项工作迟迟没有进展时，可以暂时去安静，独立的地方，集中完成一个明确结果。 4.记录每天的深度工作时间。 只计算不受干扰，实际产生成果的时间，每周回顾一次，检查时间是否用在重要任务上。 5.提前安排上网时间。 只在预定时段查看消息和资料，临时想到的查询先记下来，留到下一次上网时统一处理。 6.适当压缩完成期限。 给重要任务设置一个更短但可行的期限，关闭通信工具，在规定时间内集中完成。 7.利用走路时间深入思考。 走路或通勤时，只思考一个定义清楚的问题。注意力转移后及时拉回，结束时记下结论。 8.进行结构化记忆练习。 利用熟悉的空间路线记忆扑克牌或其他信息，训练大脑长时间维持有序，集中的思考。 9.停用回报有限的数字工具。 只保留能够明显帮助重要目标的平台和软件，无法确认价值时，可以暂停使用一段时间再判断。 10.建立明确的下班流程。 下班前整理未完成事项，写下下一步行动和第二天的安排，完成后停止处理工作。

ZetaChain 宣布，随着其转型为面向 AI 的私有记忆层，将逐步关闭旧有跨链基础设施，转而聚焦 Anuma 以及用户自有记忆、身份、权限、支付和代理等新方向。根据计划，ZetaChain 已于 2026 年 6 月 1 日关闭平台充值，并开放最终提现窗口。此前 ZetaChain 于 4 月 27 日被攻击者利用跨链消息系统中漏洞，从三个内部团队钱包中盗取 333,868 美元。