核心理念
建立一个巨大的知识库。知识不直接训练进模型，而是写进知识库。大模型本身只需要会一些最基础的知识。
就像人类，除了一些熟能生巧、牢记于心的知识，人在思考时也不断去回忆的。甚至是思维链也放在知识库。人类也是会在后续的学习中知道某类特定问题如何思考。
知识库结构
知识库分几部分（像临时记忆/永久记忆一样），包括对于知识库的调用，也放进知识库。相似的问题直接知道调用知识库的哪些部分，省去每次检索。知识库是特别详细的，记忆也要细分。
具体示例
每轮对话都进行上下文压缩。这部分直接描述比较困难，我举一个具体的例子。直接说说做一个游戏。
先分析请求，开发一个游戏，然后查询知识库中游戏部分的开发部分，包括了使用什么技术栈进行开发、游戏画面风格、游戏玩法等。向用户提问，比如使用Java开发，卡通风等，确定后将这些都存入关键临时记忆，再进一步分析并继续查知识库。开始写代码了，想好在哪声明变量，在哪建个函数等之后，大的内容直接从知识库复制粘贴，然后填入具体内容。
完成之后，总结上下文。整体逻辑等都存入关键临时记忆，具体的（比如这个变量是怎么声明的，变量类型等等）存入详细临时记忆。关键临时记忆作为提示词或上下文注入下一轮对话。
上下文阅读
接着是上下文的问题。举个例子，读一本书。一张一张读，而不是一次性读整本。可能是伏笔或某些段落的地方也写进详细临时记忆。
话题切换与记忆更新
对于突然变话题的对话，如：
你好
你好，有什么我能帮你的？
ArkTS如何声明变量
…
可以临时“忘记”做打招呼的部分。对于学到的有用的新知识，写入到长期活记忆中。写入分两种：
一是对原有的进行修改。二是和原有的共存。比如Node不同版本语法略有不同，就同时存在，并说明xx版-xx版用这个写法，xx版-xx版用那个写法。不知道取什么标题
用这个方法，一个很小的模型也可以做到很好的效果。而且甚至可以不从头训练一个模型，对现有的模型进行微调也可以。原本只有几B甚至零点几B的”口水模型”就够用了。 不过在实现上最好是需要Agent和模型互相配合，Agent配合其它模型或者模型用其它Agent（或者不用Agent）效果都会大打折扣