Show HN：无损记忆——永不总结的个人人工智能记忆

个人人工智能的无损长期记忆——从不总结，保留每一行，并在所有内容上加上时间戳。大多数人工智能长期记忆系统都会执行以下两种操作之一：它们将对话总结成紧凑的笔记，或者嵌入它们并检索“相似”的块。对于每天与同一个人工智能交谈的人来说，两者都失去了最重要的东西：实际上说了些什么以及何时说的。该项目采取相反的立场。保留每一行。原始对话日志被完整存储。从来没有总结过什么。摘要是一张地图；日志就是领土。一切都加上时间戳。每条记录——话语、动作、文档块——都带有时间戳，每个索引都建立在该时间轴之上。我们称之为颞骨。首先按时间搜索，其次按单词搜索。 “昨天晚上，关于预算”是一个有效的查询。时间短语缩小了范围；这些词在其中排列。结果按时间顺序返回，未汇总，并带有时间戳。每回合注入“我们在哪里”。一个名为 LLL 的小索引告诉模型当前对话所在的主题，因此身份和上下文可以在上下文窗口压缩和会话边界中幸存下来。设计血统可以追溯到 2025 年 12 月——该系统的第一个祖先（早期人工智能的内存继承工具）在该月运行，而前身系统从 2026 年 1 月开始在日常使用中携带了相同的想法。该实现自 2026 年 7 月起每天为单个用户运行，作为一个人工智能助手的内存，原始日志可追溯到 2026 年 6 月。它很小，无聊，但很有效。一路上的失败也被记录下来 - 请参阅 docs/lessons.md 。这是什么/不是什么 它是：本地的、基于文件的长期存储层：JSONL 日志 + SQLite（FTS5 用于精确搜索，sqlite-vec 用于语义搜索）。单个查询入口点，可理解时间表达式并在排名前限制搜索范围。 “当前位置”索引 (LLL) 旨在在每回合注入模型的上下文中。专为一个人和一个人工智能而设计，在一台机器上运行。没有服务器，没有云。它不是：矢量数据库包装器。语义搜索是这里的最后手段，而不是第一手段。总结者。管道中的任何地方都故意没有汇总步骤。基准驱动的研究系统。没有发布的基准。这里是一个工作实现及其运行记录。每个对话回合都会转换为固定的七字段记录，并附加到每天的 JSONL 文件中：ts ISO-8601 时间戳 (UTC) 说话的参与者（可配置名称）角色用户 |助理 |系统类型文本|行动|元文本内容、逐字模型模型标识符、会话会话标识符（如果已知）原始日志是事实来源。下面的每个索引都可以删除并从中重建。生存不需要任何其他东西。时间在这里不是元数据；而是元数据。它是主轴。精确匹配索引（SQLite FTS5，针对日语和英语的双字母标记）将时间戳与每行一起存储。查询解析器理解时间短语——相对的，例如昨天、上周、3 天前（目前仅限日语），以及绝对日期，例如 2026-07-19（任何语言）——并在进行任何排名之前将它们转换为范围。如果存在时间短语，则结果将限制在该范围内并按时间顺序返回。仅当精确索引在范围内返回太少时才使用语义搜索，并且在输出标头中诚实地报告回退情况。实际效果：人工智能可以回答“我们上周二晚上决定了什么？”按顺序使用上周二晚上的实际台词，而不是对三周前类似内容的释义。 3. LLL —“我们现在在哪里”索引 LLL 是一个微小的主题标记索引：带有时间戳的短行，用于记录对话何时转移到新主题。它每次都会被注入到模型的上下文中。让它发挥作用有两个规则：人工智能读取它；是人类写的。优先颜色和完成标记由人设置，而不是由模型设置。该模型从不编辑自己对“重要的事情”的理解。它足够便宜，可以在每轮注入（渲染时间不到一秒），因此模型始终知道当前线程是什么，即使在其上下文窗口被压缩之后也是如此。 LLL 可以让长时间运行的助手从压缩中返回并继续对话而不是重新开始。原始对话日志（JSONL，每天）← 事实来源，从未总结 │ ▼ 摄取 ──► 7 字段记录 │ ├──► index_exact SQLite FTS5 + 时间戳（字数 + 时间） ├──► index_vector sqlite-vec 嵌入（意味着，最后的手段） └──► state_index LLL 主题标记（我们现在在哪里） │ ▼ 回忆 ── 一个入口点：解析时间短语→ 限制范围 → 排名 → 返回逐字行 │ ▼ 注入到模型的上下文中（按需，或 LLL 的每轮） 一个小守护进程以固定间隔增量重新索引（默认值：每 10