页面加载中
Karpathy 发现的 LLM 记忆陷阱：记忆越多不一定越好，可能反而干扰回答。
LLM 个性化的一个常见问题是记忆对模型来说有多分散注意力。一个问题可能触发不相关的记忆而干扰回答。
Karpathy 指出 LLM 个性化的一个技术挑战：记忆功能会分散模型注意力，触发不相关的记忆干扰回答。
原文片段：One common issue with personalization in all LLMs is how distracting memory seems to be for the m...。发布时间：2026-03-25。
这条内容更适合归入 Agent 工程栈，因为它指向 工作流编排、工具调用和评估闭环。更值得追踪的是流程闭环、失败恢复和评估习惯。
继续观察 Andrej Karpathy 接下来一周的相关发言，并检查原链接中的回复、引用和配套链接。
LLM 记忆功能会分散模型注意力
专题档案
工具链从 Demo 走向生产，编排与评估是主战场。
KOL 档案
前 Tesla AI 总监、OpenAI 早期核心研究者，长期拆解模型与代码代理实践。
相关知识页
工具链从 Demo 走向生产，编排与评估是主战场。
相关知识页
前 Tesla AI 总监、OpenAI 早期核心研究者，长期拆解模型与代码代理实践。
继续阅读
Zara Zhang 指出 Lark CLI 让 Claude Code/Codex 能访问和操作所有企业协作数据——聊天、日历、会议、文档、表格。企业协作平台对 agent 开放。
继续阅读
Ryo Lu 发出了一篇关于“软件灵魂”的长文：2005 年的 Mac 有质感、有哲学，而今天 A/B 测试和设计系统磨平了一切。AI agent 让生产速度指数级提升，但也让“能跑却无灵魂”的垃圾软件泛滥。他认为品味和执念无法被编程，AI 的真正价值是让有愿景的人做出以前做不到的东西——如果我们做对了，这将是一场文艺复兴，而非更快的工厂。
继续阅读
Aaron Levie 认为 agent 时代的最大机会不在写代码，而在重新设计企业工作流程。用 agent 自动化知识工作需要大量实际投入——整理数据、连接系统、改造流程、设计人机协作机制。编程之外的知识工作没有捷径，这恰恰创造了新的高价值岗位。
继续阅读
Peter Yang 看好 Granola（AI 会议笔记工具）：会议记录是公司中最有用的上下文。