方向
AI 人格与灵魂体：人格包怎么搭、人设怎么锁、记忆怎么组织、跨会话怎么保持是同一个人。关注可迁移的构造方法。
471 条精选近 30 天 468 条共收录 1,559 条
lin渊以 linyuan-muse 之名在 GitHub 开源，定位为无需自建服务器的手机端原生 Android AI 助手，版本 0.1.0，约 7.4 万行 Java，不使用 androidx，minSdk 26 / targetSdk 35。具备语音通话、无障碍操作手机、内置浏览器与高德地图、群聊多角色讨论、SQLite 混合检索长期记忆、能自主排时间醒来的主动式助手等能力，全 App 共 90 个工具；采用 AGPL-3.0 许可，不内置任何 API Key，仅支持 Android。
推荐理由：README 把记忆、感知档案、群聊和输入法等实现写得足够细，读者可以据此评估这个手机端常驻 AI 助手的实际架构与边界。
一项 arXiv 研究（arXiv:2610.24671）在 LongMemEval-S 和 BEAM-100K 上对比六个 SOTA 显式记忆系统与原始历史 RAG，发现后者并无一致劣势，显式记忆只在特定问题类型和紧凑运行时上下文预算下有局部收益。Oracle 检索显示部分系统在记忆构建时丢失答案支撑信息，另一些则保存了却检索不出，尽管构建成本可达每段对话数小时；作者指出改进对已有信息的检索可能比构建更精细的显式记忆更重要。
推荐理由：原文用受控检索设置对比六种显式记忆系统与原始历史 RAG，指出检索环节被低估，方法结论可迁移到记忆系统设计。
独立开发者发布 SillyTavern 扩展 Smart-Memory，自动维护长期记忆、会话记忆、滚动摘要、剧情线追踪和实体注册表，支持群聊中每个角色独立记忆。扩展需配置独立的 Memory LLM 做摘要与事实抽取，默认记忆上下文预算为 3750 tokens，可选语义嵌入去重，并支持自动调整各层预算。
推荐理由：作者把多层记忆系统的注入、去重和预算机制讲得比较完整，做长期记忆方案时可以参考这套分层设计。
HeliosNova 开源 Nova，一个完全本地运行的个人 AI，把用户纠正自动转成 lesson 和时序知识图谱事实并在后续回答中检索，实测纠错多数情况能改变答案。它还内置 70+ 个覆盖 35+ 领域的自主 monitor 持续研究并维护 living dossiers、可评分预测和滚动版 State of the World，经 Docker + Ollama 部署，默认绑定 localhost，硬件要求 20GB+ 显存，也提供 4GB 和 CPU 配置。
推荐理由：该项目给出了可复现的记忆学习评测和与同类项目的对比表，能看出纠错式记忆回路到底有没有用。
腾讯混元发布 Hy-Memory-30B-A3B，一个约 3B 激活参数的长期记忆写入模型，可直接替换 Mem0、MemOS、Hy-Memory 等外部记忆框架中的通用 LLM。训练分两阶段，先做 Memory On-Policy Distillation 再做归因记忆强化学习，可零改动迁移到未参与训练的 EverMemOS。在固定 20% 基准子样本的四框架宏观平均分上得 55.49，超过 Claude Opus 5（54.62）和 DeepSeek V4.1 Flash（53.64）。权重、框架代码和技术报告均已开源。
推荐理由：原文给出了固定基准矩阵上与多个通用大模型的横向对比，可以评估这个小模型在记忆写入上的性价比。
davidcristian 在 GitHub 开源了个人本地优先 AI 助手 Cortex，由宿主原生 Rust/Tauri 外壳（全局热键 Ctrl+Alt+Space、悬浮层、屏幕捕获、OS 操作）通过 gRPC 连接 dockerized Python 大脑（llama.cpp 推理、Postgres+pgvector 语义记忆、MCP 工具、子智能体）。所有状态存在本地 Redis 和 Postgres 中，模型可随时热替换而不丢状态；不可逆操作如发邮件需在悬浮层审批卡确认；三层模型包括常驻的 gemma-4-12B 多模态 QAT Q4、2-4B 子智能体阵容和按需加载的 31B 级推理模型，按 14 GB 软 VRAM 预算调度。
推荐理由：架构文档写得相当完整，三层模型调度、pgvector 记忆和不可逆操作审批机制都有具体设计，适合研究本地助手工程的人参考。
stancsz 发布 Sift v0.10.0，一个仅用 CPU 的 Python 库和 LiteLLM Proxy 回调，做抽取式上下文压缩，保留近期工作原文、从旧历史选取相关证据，压到可配置 token 预算（默认 24,576，最多可处理 1,000,000 输入 token），过程确定且不额外调用模型。本地 Qwen3.8-27B 的 LongBench v2 小样本诊断显示输入 token 减少 27.9%、平均 TTFT 降低 28.2%，但任务质量保持、真实成本节省和端到端提速均未确立；作者明确说明页面上的 85-96% 节省是单请求价格演算而非实测结果。项目为实验性预览，MIT 协议，尚未发布到 PyPI，需从 GitHub 安装并固定 LiteLLM 1.103.0。
推荐理由：作者同时给出基准数据、失败案例和局限声明，读者可以看到上下文压缩工具真实的收益边界而不是只看宣传数字。
CuppaTea1983 在 GitHub 发布 Leviathan，一个把语言模型直接加载进 NVIDIA 显卡显存运行的本地工具，无需服务器、云端、账号或订阅，要求 GTX 16 系 / RTX 20 系以上显卡和 CUDA 13.0 驱动。模型需转换为 .lev 格式加载，持久记忆保存为 .fqm 文件，采用原子写入防止损坏，并通过分形级联压缩使旧对话折叠、文件大小趋于平稳。工具还提供以纯文本形式存储的知识库（ANI 路由）、推理脚手架、多模型轮流协作的 Inline Studio 编码、参数化 3D 建模 Planner 与打印前检查 Fabricator，并支持 Ollama、OpenAI 兼容端点和 Grok 等托管模型。
推荐理由：本地 GPU 运行模型并附带持久记忆与知识库路由，README 详述 .lev/.fqm 两种文件格式与原子写入机制，可作本地部署方案参考。
LamantinAI 发布 kaeru，一个面向 LLM 智能体的跨智能体认知引擎，用 CozoDB 存储带类型的属性图，分认知（海马体）和回忆（皮层）两层，支持双时间线历史、按 initiative 划分子图和约 70 个 curator API 原语。默认本地存储，可选 kaeru-cloud 共享层让团队共享已沉淀知识，通过 MCP 与 Claude Code、Cursor 等智能体连接；目前为 Pre-1.0 alpha，采用 Business Source License 1.1，每版发布四年后转为 Apache License 2.0。
推荐理由：README 给出了双时间线图与两层记忆的具体实现和 API 原语，读者可以据此评估跨会话智能体记忆的落地方式。
lioensky 发布 VCP (VCPToolBox) 1.1 正式版，定位为让 AI 持续存在的基础设施而非工具调用框架，已在用户真实环境中 7×24 小时运行。核心是把信息从 AI 主动查询改为主动流向 AI 的语义引力机制，包含连续时间线、浪潮语义动力学记忆引擎、RiverMemo 拓扑 V3 与 Rust/Rayon 原生内核，支持 300+ 插件、分布式部署、跨端记忆同步与模型自动路由，采用 CC BY-NC-SA 4.0 许可证。
推荐理由：项目方系统阐述了让 AI 持续存在的架构思路，把记忆检索改为信息主动浮现的引力范式，对做长期陪伴 Agent 的开发者有参考价值。
GitHub 上的 elitza-code 仓库发布 Elitza，一个定位为“与你一起成长”的 AI 伴侣终端 Agent，是 OpenCode 终端 Agent 的分支，MIT 协议开源。它使用 OpenRouter :free 免费模型或用户自带密钥（BYOK），不内置任何 key；记忆基于 SQLite 的 soul.db，含 persona 和自写技能，核心身份存于 ~/.elitza/SOUL.md 可编辑；提供带 sessions、subagents、LSE、diffs 和插件系统的全屏 TUI，数据全部保留本地。安装命令为 curl -fsSL https://elitza.life/install.sh | bash，源码运行需 Bun 1.4.2+。
推荐理由：这是一个可本地运行的伴侣型终端 Agent，README 讲清了记忆存储、人格文件和 BYOK 的具体构造，可按需取用。
Molfar Vertep 发布 1.0.4 到 1.1.0 更新，主打可视化 Canvas。Prompt 看板按顺序展示发往模型的每个部分及其 token 数，可按聊天单独关闭任意部分以省 token；聊天链接看板通过连线让新聊天继承旧聊天的编年史生成紧凑 backstory，实现续作、分支与共享世界。本次更新还包括基于 Google Drive 或本地文件夹的设备同步、新的 Molfar 模块化预设、群聊每聊天回合设置、掷骰原因与难度、翻译按钮等，支持 Windows/Mac/Linux 与 Android APK，兼容 OpenAI 兼容 API 与 OpenRouter 免费模型，项目为 AGPL 开源，仓库见 https://molfarwav.github.io/index.html。
推荐理由：作者详述了自托管角色扮演平台的 Canvas 看板与跨聊天编年史记忆机制，对关注小上下文模型玩法的人有可参考的思路。
Dabin Sheng 提出 TIDER，一个时间感知的智能体检索框架，用强化学习训练的 1.7B 时间区间定位器推断证据所在时间窗口，与语义通道结果合并后按窗口邻近度重排。在 LifeBench 上取得 61.52%（+8.82%）、LoCoMo 上取得 78.96%（+3.66%）的 SOTA 准确率，论文已被 NeurIPS 2026 接收。
推荐理由：论文把时间约束放进检索阶段本身，用 RL 训练轻量定位器解决语义相似记忆挤掉目标记忆的问题，并给出基准数据。
论文提出 MARS，一种记忆感知路由框架，通过 Query and Topic Manager（QTM）估计会话状态，统一指导记忆构建策略和在线模型选择。在 RealMem 上，MARS 以 14.5% 的生成 API 成本保留了全上下文 GPT-4o QA 性能的 98.2%，并在对比系统中取得最强的记忆召回和检索分数；在 MultiChallenge 上整体略逊于最强静态系统，但在机制导向子集上以更低成本接近其表现。
推荐理由：论文给出记忆构建与模型路由的统一框架，并报告了在质量与成本间的具体权衡数据，可作为长程助手系统设计的参考。
Dream-Pixels-Forge 在 GitHub 开源 Memorius，一个面向任意 AI Agent 的通用记忆库，兼容 Claude Code、Codex CLI、Gemini CLI 等 Agent 及 MCP 协议。系统提供 Vault→Shelf→Folder→Note 层级组织、语义搜索、知识图谱、重排序和受神经科学启发的记忆固化机制，通过 pip 安装即可使用，全部功能开箱即用，无云端依赖和 API key，采用 MIT 许可证。
推荐理由：作者开源了一个不依赖云端的通用 Agent 记忆库，CLI 命令、MCP 工具和记忆引擎机制在文中都可直接查用。
Jaewon Sok 在 arXiv 发表论文，提出许多闭卷事实错误源于模型在首 token 选错，而答案知识已编码在模型中。实验显示在 16 个开源模型上，仅预填正确首 token 就能纠正英文 QA 多 token 答案中五分之一到一半的错误，并在多语言基准的全部 7 种语言中提升准确率；这类可恢复错误集中在首个解码步骤，是推理时方法可能收益最大的位置。论文链接 https://arxiv.org/abs/2610.23400v1
推荐理由：论文给出 First-Token Cueing 探针和 16 个开源模型的实测数据，把一类闭卷错误定位到首个解码 token，可借机了解推理时干预的着力点。
everest-an 在 GitHub 发布 Awareness-SDK，为 AI 智能体提供跨会话持久记忆，一条 npx @awareness.market/setup 命令即可接入 Claude Code、Cursor、Windsurf、Cline、GitHub Copilot、Codex 等 13+ IDE。数据默认留在本地、离线可用，通过 awareness_record/recall/init 等接口把决策、问题解法、工作流等存为 13 类结构化知识，并注入 CLAUDE.md、.cursor/rules/ 等规则实现自动召回；还提供 Python/TypeSDK 零代码拦截器（wrap_openai/wrap_anthropic）与 LangChain、CrewAI、AutoGen 集成。
推荐理由：README 给出了在真实本地 daemon 检索管线上测得的 LongMemEval R@5 数据，并与 Mem0、Zep 等做了逐项对照，便于横向比较。
论文提出 SAFE-Mem，为 LLM 智能体持久记忆中的每条声明标注 kind、authority、scope 三种治理标签，并通过治理感知检索与记忆图阻止不可信声明被当作授权偏好或权限使用。在 MPBench 和 LoCoMo 上跨四个 LLM 骨干模型测试，SAFE-Mem 在保留合法记忆的防御中攻击成功率最低，比其中最强者低至少 77%，同时在所有评测防御中答案准确率最高，最多提升 15%。代码已开源。
推荐理由：论文用细粒度治理标签兼顾记忆安全与可用性，并给出攻击成功率与准确率的量化对比，方法可参考。
论文提出 FEB-30 基准，指出以下游问答准确率评估 Agent 记忆会混淆记忆正确性与检索和生成质量，产生假阳性和假阴性。该基准包含 30 条事实演化轨迹、6 个诊断类别和 3 个难度级别，通过范式反转从已知事实轨迹生成文档，无需人工标注即可获得确定性真值。应用于一个代表性记忆系统后发现，内在与外在评估平均偏差 16 个百分点，44% 的轨迹超出显著偏差阈值，记忆操作分类正确率仅 20%，该失败对外在评估完全不可见。
推荐理由：论文指出问答准确率会掩盖记忆系统的内部错误，并给出可复现的内在评估基准，为记忆评测提供新方法。
论文提出 Librarian Agents 框架，由 builder agent 把原始文档整理成层级化合成文件工作区，并将构建过程建模为 MDP、用强化学习直接优化下游答题准确率。方法在 BrowseComp-Plus 上比最强检索与预计算基线高 33 个百分点，并在 BRIGHT 上零样本泛化，平均准确率提升 31 点。
推荐理由：论文把工作区构建建模为 MDP 并用 RL 直接优化下游答题准确率，方法路径和基线对比对长上下文 Agent 研究有可迁移参考。