# 请帮评审:一个本地 AI 记忆系统的「核心记忆(core)」设计 ## 一、系统背景(尽量简短) 「灵枢」是一个本...
Prompt
# 请帮评审:一个本地 AI 记忆系统的「核心记忆(core)」设计 ## 一、系统背景(尽量简短) 「灵枢」是一个本地 Markdown 文件存储的认知图记忆系统(Python + MCP 服务,挂在 AI 编程助手 DSH 上)。 每个记忆是一个 .md 节点,带 frontmatter。每次对话轮次,系统会把少量记忆注入到模型 system prompt。 ## 二、现状(已实测,非推测) 1. 节点分层(静态五层,共 742 节点): - self(6) / anchor(1):身份与价值观,永久层,唯一「跨会话必注入」的部分 - structural(90):结构化 trait 条目表 - knowledge(245):知识节点,正文用 CCG 五要素(功能名/生效条件/子功能/执行/不适用条件) - contextual(398):会话沉淀 - rejected/unresolved/archived:负记忆、待定、退役,不参与正排 2. 检索链:BM25 + dense + RRF 融合 + 门控(S1b) + 四态 judge(ACCEPT/DEFER/BLINDSPOT/REJECT 分层加权)。 3. 「自动注入」现状:每轮取最近 N 条(N≈4)**按时间倒序**注入到提示词, 即「最近记忆」,**不是语义检索**。另外身份块(self/anchor)单独注入,3 条 / 640 字封顶。 4. 我们最近给节点加了一个布尔字段 `core`(核心记忆标记)。 目前:**只做到了「能存」**——可以写进节点文件和索引; 但**写入工具没透传该参数、检索排序完全不读它、注入也完全不看它、生产库 742 条里 0 条标了 core**。 换句话说,现在它是个「没人读的标签」。 ## 三、设计分歧(想请 评判) 背景参照:有个 B 站视频把 AI 记忆归纳为 6 机制: Full(全文全塞) / Window(滑动窗口) / Summary(摘要压缩) / RAG(按需检索) / Notes(字段化结构笔记) / Tiered(按时间与稳定度分层,旧信息下沉、需要时从长期层召回)。 我们自己的判读是:Tiered 属**容量管理**(不是按重要性分层),Notes 是字段记账。 老大想要的能力是:「**用核心事实去判断新记忆对不对**」—— 我们判断这 = Notes 字段表 + 长期层可召回,两者组合(视频本身没直接给)。 老大提的关键质疑(我认为是对的): > 「core 有必要自动召回上下文吗?core 越多上下文岂不是越大?视频的方式应该是一种搜索方式吧?」 ### 我提出的方案(请重点评审这一条) **core 不做事「常驻注入」,而是做「横切标签」,只在 3 个作用点生效:** 1. 检索加权:语义检索排序时,同等相关度下 core 节点优先浮出(次级排序键); 2. 裁决基准:新记忆写入时,用 core 事实去质疑/校准它(比如新记忆与某 core 冲突→降权/进待审); 3. 检索锚点:以 core 节点为起点做图谱扩展取上下文。 关键原则:core **不是第六个 layer**(会撞现有五层语义),是横切在 knowledge/structural 上的布尔信号; 每次检索只取 top-k、注入只取 4~5 条,so core 再多也不撑爆上下文。 ### 另一个待决问题 是否要把「自动注入」从「最近 N 条时间倒序」升级为「语义检索(recall) + core 加权」? (升级后每轮注入内容会从「最近发生的事」变成「与当前话题最相关的记忆」,更接近 RAG+Tiered 的思路。) ## 四、想请 回答的 4 个问题 1. 「core 做横切标签、不做常驻注入」这个定位合理吗?有没有更优解? 2. core 的 3 个作用点够不够?是否应补:遗忘/降级保护、冲突检测、衰减曲线、importance 与 core 的关系? 3. 自动注入是否该升级为「语义检索 + core 加权」?会不会带来「每轮注入不稳定/缓存失效」等副作用? 4. 分层架构本身(self/anchor/structural/knowledge/contextual + 横切 core)有没有结构性缺陷? 如果你是他,会先做哪一步、砍掉哪一步?哪些属于过度设计?