funes-swe-chat-zh-e5

funes memory 是一个面向智能体（agent）记忆与召回的数据集/索引，基于 SALT-NLP/SWE-chat v2 构建。它将编码智能体会话分块、嵌入并写入 Lance 表，形成保存逐字片段及其精确来源的派生索引，而不是原始转写文本。任何智能体或用户都可以直接从中召回信息，无需在本地建立索引。数据源为 SWE-chat v2 发布提交 df393df（ODC-BY），包含 527 个编码智能体会话，覆盖 38 个公共 GitHub 仓库；这些仓库至少有一个会话的用户提示主要为中文。其中 318 个会话主要为中文，其余主要为英文，并涉及同一批项目。会话来自 Claude Code（319）、OpenCode（142）、Cursor（37）和 Codex（29），共包含 4,638 条用户提示，其中 2,584 条为中文。每个会话从源数据集的规范化 conversations 表转换为 funes turns 格式：一条 transcript 条目成为一个 turn，其行成为该 turn 的 blocks，包括提示、回复、思考、工具调用和工具结果；元数据行被排除，名为 unknown 且跨仓库 id 冲突的一个会话也被排除。OpenCode 会话如源数据一样带有工具调用但不包含其结果。数据使用 intfloat/multilingual-e5-small 进行嵌入，并带有 icu 文本索引，由 funes 1.9.0 生成。发布前，发布门禁发现包含秘密的块已被清洗（157,022 个中的 19 个）。数据集统计为 157,003 个 chunks，更新于 2026-10-22，并由 funes push 发布和保持更新。许可证为 ODC-BY，与源数据一致；使用时应引用 SWE-chat 论文 SWE-chat: Real-World AI Coding Sessions in the Wild，Baumann et al., COLM 2026（arXiv:2604.20779）。SWE-chat 仅包含允许再分发的仓库，这些会话中的代码仍遵循各自许可证。数据集语言为中文和英文，标签包括 funes、agent-memory、agent-traces、embeddings、lance，规模类别为 100K<n<1M。

原始信息汇总

funes memory

数据集概述

字段	内容
数据集名称	funes memory
详情页	https://huggingface.co/datasets/huggingface/funes-swe-chat-zh-e5
许可	ODC-BY
语言	zh、en
来源数据集	SALT-NLP/SWE-chat
标签	funes、agent-memory、agent-traces、embeddings、lance
规模类别	100K<n<1M

数据集内容

• funes memory 是一个 funes 记忆：agent sessions 被分块、嵌入，并写入 Lance 表。
• 它是派生索引，保存逐字片段及精确来源，不是原始会话记录。
• 任意 agent 或用户可直接从中回忆，无需本地索引。
• 回忆命令示例：

bash funes recall "what did we decide about …" --memory huggingface/funes-swe-chat-zh-e5

• 获取 funes 的命令示例：

bash curl -fsSL https://huggingface.co/buckets/huggingface/funes/resolve/install.sh | sh

数据来源

• 527 个 coding-agent sessions，来自 SALT-NLP/SWE-chat v2，release commit 为 df393df，许可为 ODC-BY。
• 选取 38 个公共 GitHub 仓库中的每个 session，这些仓库至少包含一个用户提示主要为中文的 session。
• 318 个 session 主要为中文，其余主要为英文，且位于相同项目。
• 来源包括 Claude Code 319 个、OpenCode 142 个、Cursor 37 个、Codex 29 个。
• 包含 4,638 条用户提示，其中 2,584 条为中文。

处理与格式

• 每个 session 从数据集规范化 conversations 表转换为 funes 的 turns format。
• 一个 transcript entry 变为一个 turn，其 rows 变为该 turn 的 blocks，包括 prompts、replies、thinking、tool calls 和 tool results。
• Metadata rows 被排除。
• 名为 unknown 的一个 session 被排除，因为其 id 在不同仓库间冲突。
• OpenCode sessions 携带没有结果的 tool calls，与源数据一致。
• 使用 intfloat/multilingual-e5-small 嵌入，使用 icu 文本索引，由 funes 1.9.0 完成。
• 发布门发现秘密的 chunks 在发布前已被清除，共 19 个，总数为 157,022。

许可与引用

• 许可：ODC-BY，与源相同。
• 引用 SWE-chat：SWE-chat: Real-World AI Coding Sessions in the Wild，Baumann et al.，COLM 2026，https://arxiv.org/abs/2604.20779。
• SWE-chat 仅包含许可允许再分发的仓库；这些 session 中的代码仍受其原始许可约束。

统计

指标	内容
Chunks	157,003
Embedding model	intfloat/multilingual-e5-small
Updated	2026-10-22

• 由 funes push 发布并保持更新。

搜集汇总

数据集介绍

构建方式

面向智能体记忆与检索增强生成领域，该数据集以 SALT-NLP/SWE-chat v2（提交 df393df，ODC-BY）为源，纳入 38 个至少含一个中文为主用户提示会话的公共 GitHub 仓库全部会话，共 527 个编码智能体会话，其中 318 个以中文为主，其余英文为主且项目相同。构建时将规范化 conversations 表转为 funes turns 格式，转录条目成为 turn，行成为 blocks，涵盖提示、回复、思考、工具调用及结果；元数据行与 unknown 会话被排除，OpenCode 会话保留工具调用而无结果。最终以 intfloat/multilingual-e5-small 嵌入，经 funes 1.9.0 写入 Lance 表并建立 icu 文本索引，发布前清除含密钥块，形成保有精确来源的派生索引。

特点

在数据形态与治理层面，该内存数据集呈现大规模、双语、跨编码智能体来源与可追溯出处等特征。其 Lance 表含 157,003 个 chunk，规模处于 100K 至 1M 区间，采用 intfloat/multilingual-e5-small 生成嵌入并配置 icu 文本索引；会话来自 Claude Code 319 个、OpenCode 142 个、Cursor 37 个与 Codex 29 个，合计 4,638 条用户提示，其中 2,584 条为中文。数据集并非原始转录，而是保存逐字段落及精确来源的派生索引，便于检索时回溯。许可证沿用源数据的 ODC-BY，使用时需按 SWE-chat 要求引用 Baumann 等人在 COLM 2026 的工作。

使用方法

面向智能体运行时记忆调用与语义检索任务，该数据集可由任意智能体或用户直接召回，无需本地另行构建索引。典型调用为执行 funes recall "what did we decide about …" --memory huggingface/funes-swe-chat-zh-e5，以自然语言查询命中编码会话中的相关段落及来源。若未安装 funes，可通过 curl -fsSL https://huggingface.co/buckets/huggingface/funes/resolve/install.sh | sh 获取。该内存表由 funes push 发布并保持更新，适用于中英文编码智能体会话的长期记忆、上下文恢复与决策依据检索，也可作为检索增强生成流程的外部知识索引。

背景与挑战

背景概述

在软件工程智能体蓬勃发展的背景下，funes-swe-chat-zh-e5 由 Hugging Face funes 工具链发布维护，源自 SALT-NLP 的 SWE-chat v2（Baumann 等，COLM 2026），于 2026 年 10 月更新。该数据集收录 38 个公共 GitHub 仓库中的 527 段编码智能体会话，覆盖 Claude Code、OpenCode、Cursor 与 Codex，含 4,638 条用户提示，其中 2,584 条为中文。其核心研究问题在于为编码智能体构建可召回、可溯源的记忆索引：将规范化对话切分、嵌入并写入 Lance 表，以逐字段落保留精确出处，而非保存原始转录。该资源推动多语言智能体轨迹检索、记忆增强编码与可复现软件工程研究。

当前挑战

智能体记忆检索的领域难题在于长程对话的语义召回、跨会话与跨仓库归因、中英混合语境下的嵌入对齐，以及包含工具调用与思考块的非线性轨迹建模。构建该数据集时，需将 SWE-chat 的 conversations 表转换为 funes turns 格式，剔除元数据，排除跨仓库冲突的 unknown 会话，并处理 OpenCode 工具调用缺少结果的情况。发布前还须对 157,022 个分块进行秘密扫描，擦除 19 个含敏感信息分块；在 157,003 个最终分块上，以 intfloat/multilingual-e5-small 嵌入并建立 icu 文本索引，同时保持 ODC-BY 许可与来源署名，兼顾可检索性、隐私与合规性。

常用场景

经典使用场景

在智能体记忆与检索增强生成交汇的领域中，funes-swe-chat-zh-e5将真实编码代理会话切块、向量化并写入Lance表，形成可直接召回的派生索引。其经典场景是围绕“我们此前如何决定……”等自然语言查询，从Claude Code、OpenCode、Cursor与Codex产生的多轮轨迹中定位逐字段落，保留提示、回复、思考、工具调用与结果的精确来源。对以中文为主的仓库会话尤为适配，服务跨会话代码决策回忆与上下文续接。

衍生相关工作

从智能体记忆基础设施与真实编码会话语料两条脉络看，该数据集承接SWE-chat对野外AI编码会话的采集，并衍生出以funes为核心的记忆工作流：会话转turns格式、分块嵌入、Lance表存储与直接召回。围绕它形成的典型工作包括多语言e5嵌入在编码轨迹检索中的评测、基于Lance的列式向量索引实践、代理轨迹溯源与记忆压缩方法探索。SWE-chat论文及其公开数据发布也构成相关基准，推动后续研究比较不同代理的记忆与检索策略。

数据集最近研究

最新研究方向

伴随智能体长期记忆与可溯源检索跃升为编码代理研究的关键命题，funes-swe-chat-zh-e5 锚定多语言编程会话的记忆索引化与召回评估。其源出 SWE-chat v2 的 527 段真实编码代理会话，涵盖 Claude Code、OpenCode、Cursor 与 Codex，经 multilingual-e5-small 嵌入并写入 Lance 表，留存逐字段落与精确来源，支持免本地索引 recall。关联热点为 COLM 2026 收录的 SWE-chat 真实世界 AI 编码会话研究，以及代理轨迹、跨语言提示与工具调用分析。该资源为检索增强的智能体记忆、中英混合代码任务复现、隐私擦洗后发布与审计式溯源提供基础设施，推动可复现、可扩展的代理记忆探究。