我在翻 Pi Agent 扩展时偶然看到一个叫 pi-context 的小项目，代码不到 600 行。读完源码后，我发现它解决了一个我一直很在意但没人做好的问题：怎么让 Agent 主动管理自己的上下文，而不是被动等着框架替它"失忆"。

终端模拟器、PTY、tmux 与 WezTerm 的分层机制和交互语义差异。

我在远程开发和 AI 编码场景下，从 tmux 切换到 WezTerm 的约束和取舍。

最终目标!!!

前言：读 EverMemOS 项目源码时发现里面用了 Reciprocal Rank Fusion（RRF），详细了解后意识到它本质上是一类通用的排序融合方法，在 Hybrid 搜索场景下被广泛采用。本文不展开 EverMemOS 本身，而是借这个契机，单独从 RAG / Agentic 搜索的角度，把多通道结果在融合层如何合成一个统一排序这件事梳理清楚。

先从基线讲起：如果只用最朴素的 RAG 来给对话做记忆，一般会怎么做？

最近阅读了四川大学团队发表的论文《A Scenario-Driven Cognitive Approach to Next-Generation AI Memory》。论文通过脑科学的分析，指出了当前 AI 记忆系统（主要是 RAG 和向量数据库）存在的“静态性”与“割裂性”问题，并创新性地提出了一种基于认知场景驱动的 COLMA（Cognitive Layered Memory Architecture） 架构。

在 Windows 主机上通过 VMware Workstation Pro 运行 Linux 虚拟机时，即便物理机配置很高，有时也会遇到虚拟机内核报错：watchdog: BUG: soft lockup - CPU#X stuck for XXs!。

在 Kubernetes 的日常使用中，我们通常会把日志接入云服务商或自建的中心化日志系统（如 ELK、Loki）。但在某些场景下，这并不是最佳选择，甚至不可行。

在虚拟机中通过 Arch Linux ISO 镜像启动后，进入 Live 环境。首要步骤是验证网络连通性，以确保后续软件包的下载。