RAG 與 Context 的記憶盲區
Context Window 易爆發且雜訊多，RAG 雖擅長事實記憶，卻極不擅長處理「遇到問題該怎麼做」的程序性記憶（Procedural Memory）。
谷歌用8B小模型暴打Gemini pro ! 神论揭秘大模型真正的“长期记忆”
✓ 這篇在你的庫裡
在摘要庫開啟 →
這部在講什麼知識講解
介紹最新 AI 論文 SkillOS，透過「執行與管理分離」架構，讓 8B 小模型能比 Gemini Pro 更有效地管理 AI Agent 的程序性記憶。
適合誰AI 開發者與 LLM 應用工程師。
關鍵概念程序性記憶的儲存邏輯、SkillOS 的雙模組架構、如何透過強化學習提煉 AI 技能。
最值得看08:02 數據實測 8B 模型擔任管理員如何碾壓 Gemini 1.5 Pro。
概念地圖
概念與關係意義優先，時間戳用來導航
執行與策展的徹底拆分
SkillOS 將系統分為「執行者（Frozen）」與「策展人（Trainable）」，模擬將領與檔案管理員的分工，避免單一模型負擔過重。
Markdown 格式的白盒化技能庫
技能以結構化 Markdown 儲存，包含 YAML 標頭與「何時不該用」的避坑指南，開發者可隨時手動介入修正。
GRPO 強化學習與四維度 KPI
透過核心算法 GRPO 評估：任務成功率、操作有效性、專家評鑑（Qwen 32B 裁判）與內容壓縮精簡度。
自發性的「斷捨離」能力
模型在訓練中學會減少冗餘，主動刪除、更新低效技能，並提煉出具備跨場景通用性的「元技能（Metaskills）」。
顯著提升效能並降低成本
成功率提升至 61.2% 並減少交互步數，這意味著更低的 API Token 消耗與更快的響應速度。
看完可以做什麼
嘗試將 AI Agent 過去的成功案例，用大模型提煉成結構化的 Markdown 筆記存入資料庫，而非直接塞入原始對話紀錄。需要留意：- 目前檢索機制仍依賴 BM25 關鍵字匹配，當技能庫膨脹到萬級以上時，檢索準確度會成為瓶頸。
生成於 2026-07-11
檢舉
觀眾怎麼看
整理 15 則有效留言信心 中觀眾對SkillOS技術架構表示高度興趣，但對影片標題的誇張修辭與技術實用性存有分歧。
多數觀眾認為博主將複雜的學術論文轉化為淺顯易懂的內容，具備高度參考價值。
部分觀眾讚賞影片內容，但同時批評標題與敘述過於浮誇，建議減少煽動性詞彙。
觀眾質疑任務界定、自動化更新機制及人工干預的必要性，認為實際應用仍有困難。
有觀眾認為壓縮技術已非主流，且質疑實驗結果是否受限於特定資料集微調。
本摘要僅基於15則留言樣本，無法代表全體觀眾意見。