一套受人类认知启发、工程可落地、支持长期个性化交互的四层分层记忆系统。它融合了你提出的所有核心理念：
- 四类记忆：短期 / 长期 / 模糊 / 重点
- 事件检测与评分必须滞后（t+1）
- 先评分，再结合用户画像决定是否晋升为重点记忆
- 各层关键点差异化：原文 → 句意 → 名词 → 精确三元组
🧠 H-Mind 架构总览
目标：让 AI Agent 像人一样记住“什么值得记、怎么记、何时用”。
核心原则
- 记忆即资产：不是所有信息都平等，需分层管理；
- 理解后记忆：事件必须在语义完整后才被处理（t+1）；
- 画像驱动决策：是否“重点”由用户身份与偏好决定；
- 隐私与效率平衡：普通对话自动过期，仅高价值信息长期保留。
🗂️ 一、四层记忆定义与职责
| 层级 | 名称 | 存储内容 | 关键点（检索锚） | 保真度 | 存储介质 | 生命周期 |
|---|---|---|---|---|---|---|
| L1 | 短期记忆 （Short-term） | 原始对话文本（逐字） | 完整句子 + 时间戳 | ⭐⭐⭐⭐⭐ | Redis（带 TTL） | 72 小时自动过期 |
| L2 | 长期记忆 （Long-term） | 语义摘要（句意） | 句子嵌入向量 | ⭐⭐☆ | 向量库 （Chroma/Qdrant） | 永久存储，按时间衰减 |
| L3 | 模糊记忆 （Fuzzy / Gist） | 提取的名词实体 （人物/地点/物件/事件） | 实体标签集合 | ⭐⭐ | Redis Set / SQLite | 永久保留，可去重 |
| L4 | 重点记忆 （Flashbulb） | 结构化三元组 （主-谓-宾 + 时空细节） | 图节点 + 属性 | ⭐⭐⭐⭐⭐ | 图数据库 （Graphiti） | 永久固化，不可衰减 |
✅ 心理学对应：
- L1 ≈ 工作记忆
- L2 ≈ 情景记忆（衰减版）
- L3 ≈ 语义/模糊痕迹记忆
- L4 ≈ 闪光灯记忆
🔁 二、记忆写入流程（Write Pipeline）
整个流程分为 实时缓存 → t+1 事件固化 → 多层写入 三个阶段。
graph TD
A[用户输入] --> B[存入短期记忆<br/>（Redis, TTL=72h）]
B --> C{是否触发<br/>“事件边界”？}
C -- 否 --> B
C -- 是 --> D[提取上下文窗口<br/>（最近3~10轮）]
D --> E[t+1 事件分析：<br/>LLM 整合多轮 → 生成事件 + salience_score]
E --> F[存入临时事件池<br/>（带完整上下文，TTL=7天）]
F --> G[记忆晋升器<br/>（每日运行 or 高 salience 触发）]
G --> H{salience + 画像相关性 ≥ 阈值？}
H -- 是 --> I[写入 Graphiti：<br/>结构化三元组 + 元数据]
H -- 否 --> J[生成语义摘要 → 存入向量库<br/>（长期记忆）]
J --> K[提取名词实体 → 更新标签集<br/>（模糊记忆）]
关键机制说明
1. 事件边界检测（触发 t+1）
- 条件组合：
- 用户长时间未回复（>5 分钟）
- 出现结束语（“说完了”、“谢谢”）
- 话题突变（向量相似度 < 0.3）
- 每日定时批处理（兜底）
2. t+1 事件分析（LLM Prompt 示例）
你是一个记忆分析师。请阅读以下多轮对话，判断是否包含完整事件。
对每个事件，请输出：
- description: 整合后的事件描述
- salience_score: 0.0~1.0（基于情感、细节、关键词）
- entities: [人物, 地点, 物件]
- time_mentioned: 具体日期或相对时间
对话：
User: 我昨天去医院了。
User: 医生说我需要做阑尾手术。
User: 今天刚做完，还在恢复。
→ 输出：
{
"description": "用户于昨日确诊需做阑尾手术，并于今日完成手术，目前在恢复中。",
"salience_score": 0.88,
"entities": ["医院", "医生", "阑尾手术"],
"time_mentioned": "昨天至今天"
}
3. 记忆晋升器（画像驱动）
def should_promote(event, profile):
base = event["salience_score"]
# 若事件涉及用户核心身份/价值观，加权
if any(tag in event["entities"] for tag in profile.core_values):
base += 0.2
return base >= 0.75 # 可配置阈值
🔍 三、记忆读取流程（Read / Recall）
用户提问时，并行检索四层记忆，按优先级融合：
graph LR
Q[用户查询] --> R1[短期记忆：<br/>精确匹配最近72h]
Q --> R2[重点记忆：<br/>图遍历（最高优先级）]
Q --> R3[长期记忆：<br/>向量相似度 Top-K]
Q --> R4[模糊记忆：<br/>实体关键词匹配]
R2 --> M[Fusion Engine]
R1 --> M
R3 --> M
R4 --> M
M --> LLM[LLM 生成最终回答<br/>（标注信息来源）]
融合策略
- 优先级：重点 > 短期 > 长期 > 模糊
- 冲突处理：以重点记忆为准，长期记忆标注“可能已过时”
- 补充机制：模糊记忆用于联想（如“你还提过杭州、西湖”）
🛠️ 四、技术栈与部署建议
| 组件 | 推荐工具 | 说明 |
|---|---|---|
| 短期记忆 | Redis | 支持 TTL、高性能 |
| 长期记忆 | Mem0 + Qdrant | 开箱即用的向量记忆管理 |
| 模糊记忆 | Redis Set | 轻量、支持 SADD/SMEMBERS |
| 重点记忆 | Graphiti (Zep) | 唯一支持双时间戳 + salience 属性的开源图记忆框架 |
| 事件分析 | 本地 LLM （Qwen3 / Llama3） | 保护隐私，避免外传对话 |
| 调度器 | Celery + Redis | 支持定时任务与异步处理 |
✅ 全部组件支持 Docker 部署，可私有化运行。
🌟 五、H-Mind 的独特价值
| 维度 | 传统 RAG / 上下文拼接 | H-Mind |
|---|---|---|
| 记忆粒度 | 单一文本块 | 四层差异化表征 |
| 事件理解 | 实时、碎片化 | t+1、完整上下文 |
| 个性化 | 无 | 用户画像驱动重点记忆 |
| 存储效率 | 全量存储 | 仅高价值事件长期保留 |
| 可解释性 | 黑盒 | 每条重点记忆可追溯“为何被记住” |
| 隐私安全 | 风险高 | 普通对话自动过期 |
🚀 六、应用场景
- 数字伴侣：记住纪念日、偏好、情绪触发点
- 医疗健康助手：固化过敏史、手术记录（重点），保留饮食习惯（模糊）
- 教育导师：重点记忆薄弱知识点，模糊记忆学习风格
- 企业知识管家：重点记忆合同条款，模糊记忆部门协作模式
✅ 总结
H-Mind 不只是一套记忆系统，而是一种“AI 如何像人一样记住重要之事”的方法论。它通过：
- 分层压缩（从原文到名词）
- 滞后理解（t+1 事件固化）
- 画像驱动（个性化重点）
- 多源融合（四层协同检索）
实现了高保真、低成本、强隐私、深个性的记忆能力。
