基础篇
进阶篇
高频篇
精选篇
手写篇
面经篇
AI 篇
原理篇
每日一题
小程序题库
  • 知识卡片碎片时间过考点
  • 场景篇按分类整理的大前端场景考点
  • 历年面经按年份追踪真实考点
  • 算法题库NEW在线编码即时判题
  • 专项自测100 题快速查漏
  • 前端基础
    • HTTP从报文一路讲到 HTTPS
    • 浏览器渲染、事件循环、进程
    • 计算机基础Linux、网络、操作系统
  • 进阶专项
    • 设计模式23 种模式怎么用
    • 前端系统进阶学习大型项目工程化
    • 前端综合文章长期沉淀的实践文
  • 工程与工具
    • Node学习指南从环境搭建到服务端
    • NPM工作流script、依赖与发布
    • Docker容器化部署上手
    • Canvas图形与动画实战
  • 路线与导图
    • 思维导图知识点全景图
    • 学习路线按图索骥不跑偏
  • 动态
    • 公众号动态公众号历史文章
    • 博客动态站长的技术博客
    • 开发者导航常用工具与文档站
    • AI 热点每日 AI 资讯与动向
AI 工作台
旧版
AIHT
内容
精选全部 AI 动态热点榜AI 日报收藏
分类
模型行业编程产品技术观点开源
更多
Agent 接入
返回首页开发者导航
AIHT
精选 / 资讯详情
8.0
热点
AI SCORE
技术实践2026-11-18 01:01

从 Go 智能体记忆库读懂数据结构设计

dev.to · AI#Go#数据结构#Agent
Editor brief · 编辑速览

CheeseDB 用 Go 标准库实现面向智能体记忆的嵌入式数据库,逐项解释数据结构的用途、选择原因与缺失后果,并链接对应源码。文章以递增 ID 隐含拓扑序等实例,将算法知识落到真实工程实现。

文章思维导图
Knowledge map
拖拽缩放
AI deep read

AI 深度解读

AI Agent 的记忆要能存、能找、能删除,还要应付崩溃后的残留状态。CheeseDB 的这篇短文,把这些需求拆成了具体的数据结构与算法:图遍历、堆、二分查找,以及写入批处理。

它值得读的地方,是让 DSA 从面试题回到工程现场。不过,原文提供的是实现线索,没有性能基准,也没有完整展开代码。我们能拿走的是设计思路,不能直接拿它证明某种数据库方案更快。

ID 只增不减,为什么能省掉一次拓扑排序

CheeseDB 是面向 AI Agent 记忆的嵌入式数据库,使用 Go 编写,只依赖标准库。原文首先强调的,是图结构中的几个做法。

作者称,ID 只会递增,因此按 ID 排列就已经是拓扑序。拓扑序的作用,是让有依赖关系的节点按先后顺序处理。但这里有个必要条件:仅仅让 ID 递增还不够,依赖边的方向也必须与 ID 顺序一致。 原文没有展开这条约束具体如何维护。

沿着这个顺序,CheeseDB 在有向无环图(DAG)上做动态规划,一趟扫描就能找出崩溃后处于「删除了一半」状态的内容。可以把它理解成:前面节点的处理结果,能够继续供后面的节点判断使用,避免反复从头追踪依赖。至于删除中间状态如何记录,原文没说清。

另外两个做法分别解决重复检查和遍历问题:

  • 使用 Kahn 算法的入度计数思路,为每个关联项维护一个计数器,避免反复检查所有父节点。
  • recall 操作用队列进行广度优先搜索(BFS),沿图向下遍历,不使用递归。

这些选择的共同点,是先利用数据自身的约束,再决定需要什么算法。

搜索和删除,怎样少做一点无用功

搜索部分列出了三种工具,但它们解决的不是同一个问题。

最小堆负责维护 top-k 搜索结果。直观地说,堆里保留当前领先的候选,再用其中的最低分作为后续比较门槛。作者称相关实现约 30 行,但没有提供数据规模、延迟或与全量排序的对照结果。代码短,能说明实现集中,不能单独证明性能。

分支限界(Branch and Bound)则用于减少磁盘读取。按照作者的描述,如果取整后的分数已经能证明某个候选不可能胜出,就跳过相应的读盘操作。

这里最关键的是「能证明」。取整不能只是粗略估计,必须仍然支持正确的淘汰判断。原文没有给出评分公式、取整方向和边界推导,因此还无法据此复现剪枝逻辑。

二分查找用于在已排序的表中寻找 lower bound,也就是第一个不小于目标值的位置。它依赖表已经有序;维护顺序的代价,原文没有讨论。

删除紧凑数组中的元素,则使用 swap-remove:用末尾元素填补被删位置,再缩短数组,实现 O(1) 删除。这通常会改变元素顺序,适合不要求保持原有排列的场景。

一次 fsync 承接多次写入,收益与边界在哪里

写入路径采用生产者与消费者模式:一个 goroutine 收集多次写入,再批量执行一次 fsync。

它针对的是持久化开销。让多次写入共同承担一次同步成本,比每次写入都独立同步更有优化空间。但批次多大、等待多久、调用方何时收到成功响应,原文均未交代,所以不能继续推断它的吞吐量、延迟或持久性保证。

作者还给了一个适合入门的阅读入口:internal/ledger/state.go。这个文件约 300 行,只包含图逻辑,不涉及磁盘和锁。对于想理解算法如何进入真实项目的程序员,这比直接从存储引擎入口追调用链更容易聚焦。

我的判断

我认可这种拆解方式:每个算法都对应一个具体问题,例如避免重复检查父节点、维护 top-k 候选,或者减少磁盘读取。它能帮助读者判断「为什么这里需要这个结构」。

但这篇原文更像源码导览摘要。它没有展示测试、基准或替代方案对比,也不足以评价 CheeseDB 整体是否可靠。约 30 行的堆、约 300 行的图模块,提供的是阅读尺度,不是质量保证。

最值得借鉴的是把约束变成优化机会,同时把约束写清楚。 ID 顺序、数组顺序、评分边界和写入确认时机,任何一项含糊,局部优化都可能影响正确性。

能拿来做什么

  • 学习 DSA 时,可以从 internal/ledger/state.go 入手,追踪 ID 顺序、父节点计数和队列遍历如何配合,再继续阅读磁盘与并发部分。
  • 在日常 AI 编程中,让助手解释类似优化时,要求它同时列出成立条件,例如 swap-remove 是否允许打乱顺序、ID 是否始终满足依赖方向。
  • 如果你在实现 Agent 记忆搜索,可以把 top-k 维护和磁盘剪枝分别分析;前者关注候选集合,后者必须先证明评分边界正确。
  • 如果正在设计持久化写入批处理,先明确成功响应与 fsync 的先后关系,再比较批量大小对吞吐和等待时间的影响。
Original source

本文由 AI 通读原文后重新编写,观点部分为站内判断,细节以原文为准,来源 dev.to · AI,原文版权归原作者所有。

阅读原文
上一篇
用 Temporal Nexus 统一 Agent 工具审批
下一篇
MCP 双鉴权:按客户端交互方式选型

资讯速览

dev.to · AI · 2026-11-18 01:01

AI 评分 8.0 / 10

相关标签

#Go#数据结构#Agent

继续阅读

  • AI 代码能运行,仍需审查隐含风险
  • 用 Temporal Nexus 统一 Agent 工具审批
  • MCP 双鉴权:按客户端交互方式选型
  • Loop-9B 完成寒武纪适配,披露推理优化
  • 智能体借用你的身份,审计责任如何划分