属于人类的记忆 · 一个令人感动的记忆系统
检索的时代已经通关。我们做的是下一件事：当记忆有了分量，系统该如何回应。
English · 系统 · 快速开始 · 设计语言「年轮 · 墨迹」 · MIT License
过去十年，几乎所有记忆系统都在回答同一个问题：怎么找回来。 向量库、知识图谱、混合召回、RAG——这条赛道已经通关。 本项目的检索层（混合召回 + 实体图谱 + 声纹归档）也早已是成熟能力。它是地基，但不再是故事。
真正还没有人认真做的，是下一个问题：
当一个人说出他一生中最重的那段回忆时， 一个「什么都记得」的系统，应该说什么、不说什么、什么时候沉默。
这是本项目认为的革命性所在：记忆系统的下半场，不是检索，是留白。
中国画里的空白从来不是没画完，而是画面呼吸的地方。 记忆系统也一样——它的质量不由「记住了多少」决定，而由「如何节制地使用记忆」决定。
一个什么都往外倒的记忆系统是一种冒犯：在你最脆弱的时刻，它精准引用你说过的每句话，像出示证据。
这个系统选择做相反的事：
- 选择性归还 —— 记忆不主动涌来；只在真正该出现的时刻，被轻轻地放回你面前。
- 叙事优先于数据 —— 数量从来不是问题，问题是对时刻的叙事与理解。一条被理解的时刻，胜过一万条被索引的记录。
- 知道什么不说 —— 系统保留沉默的权利。不是所有被记住的事都适合被提起；留白是尊重，不是遗漏。
- 不表演共情 —— 没有感叹号式的热络，没有伪装成人的煽情。在场，但不打扰。
每个人心里都有几段不敢轻易碰的回忆：逝去的人、回不去的地方、没说出口的话。 当它们出现在对话里，这个系统的行为准则只有四条：
- 先在场，后回应。 不检索、不推荐、不「你可能还想看」。那一刻系统唯一的任务，是接住这句话。
- 把记忆当遗物，不当数据。 重要的时刻以朱砂落印——标记为不可改写的证据，永不进入任何「优化」与「清理」。
- 归还，而不是复述。 多年后的某个恰当瞬间，把那天的细节原样奉还——你以为忘了它还在，而它一直替你留着。
- 诚实地沉默。 没有合适的话时，就不说。空白本身就是回应的一种。
这个项目对「AI 的价值」有一个明确的回答：
不是让人更快，而是让人不必独自背负自己的记忆。
效率是工业时代交给 AI 的任务。但当机器真的能记住一切， 它唯一配得上人类信任的用途，是替人类看管那些不忍遗忘、又不敢常看的东西—— 并在漫长岁月里恰当的那一刻，轻轻归还。
技术做到最后，剩下的只有温柔。
记忆被当作一棵活着的树来对待：一圈年轮 = 一段人生时期，环宽 = 记忆密度，同心层级 = 关系亲疏，朱砂 = 落印为不可改写的证据。
录音 / 转写 / 文本
→ inbox 投喂（墨滴入水）
→ 叙事管线：片段 → 时刻（moments.db）→ 人物与关系（people.db）→ wiki 实体图谱
→ 检索层（混合召回 + 向量 + 图谱）——已通关的地基，只在被需要时出现
前端：Web（年轮 · 墨迹设计语言）/ Android / ESP32-S3 录音固件 / 桌面弹幕壳
后端：属于人类的记忆 · FastAPI 单一进程 · SQLite / DuckDB · 本地 LLM 可切换（stub / ollama / openai_compat）
声纹：本地 MFCC 声纹库 →「声纹 → 角色」跨录音稳定对应（voiceprint.py）
设计系统是一个标准 OpenDesign 包（web/design-system/，od-design-system-project/v1）：
瓷白纸面 + 松烟墨线 + 朱砂落印，动效合约「生长与断裂」。唯一事实源见 design-system/DESIGN.md。
记忆不是单个库，而是「三层核心 + 融合双层」的一体结构。
这套三层结构不是借来的框架，而是从第一性原理改造完全的答案：片段是证据，L1 是被理解的记忆，L2 是一段时期的叙事，L3 是系统对你的自叙事——每一层都为「回应」而非「检索」服务。
| 层 | 表 | 存什么 | 关键字段 |
|---|---|---|---|
| 原始片段层 | segments |
转写/文本片段 | 时间区间、说话人、time_kind（received 记录时间 / occurred 真实发生时间） |
| L1 记忆 | memories |
一条被理解的记忆 | content、evidence 逐字引证、embedding、priority 0–100 重要度、version 去重合并版本 |
| L2 场景 | scenes |
时期/场景的叙事 | summary/body、heat、source_mem_ids 溯源到 L1 |
| L3 人格 | persona_versions |
版本化叙事档案 | ≤2000 字符叙事、change_summary |
| 声纹层 | speakers |
MFCC 声纹向量 | 跨录音「声纹 → 角色」稳定对应 |
系统由两层一体构成：对话感知层（本仓库后端）与融合记忆层（信息层 + 时刻层）。二者经 memory_bridge.py 以两句契约相连：
- 只读消费 —— 信息层
cockpit.db(wiki_pages) + L1 摘要 md +content/原文；时刻层moments.db（verbatim_quote/narrative/tags/recalled）。 - 单一摄入、双头提取 —— 写路径只向
inbox/投递，由融合层的cycle.sh做双层提取；对话感知层不直接写融合层的任何 DB。
混合检索 = FTS5 bigram + 向量网关（不在线自动降级）+ RRF 融合 + GA 三维终排；本地为 numpy 余弦全量载入（MVP 规模）。检索只在被需要时出现——这是「留白」在工程层的实现。
| 项 | 说明 |
|---|---|
| 板型 | genjutech-s3-1.54tft（ESP32-S3 + 1.54" TFT），固件 boards/ 目录 |
| 固件工程 | scripts/xiaozhi-esp32/（基于 xiaozhi-esp32）+ components/background_audio/ |
| 当前形态 | 纯录音设备（v0.12 裁剪）：麦克风采集 + 背景音频推流，PCM → ws://<pc>:<port>/ws/audio |
| 已删 | 实时对话 / TTS / 唤醒词 / MCP |
| 保留 | display 状态反馈、protocol 基类、background_audio、LED、OTA、settings、system_info |
| 配置 | sdkconfig.defaults.esp32s3（关唤醒词 TTS）；推流期间禁止进入省电休眠 |
| 构建 | scripts/build-idf.py + build-local.*；GitHub Actions ESP-IDF 容器云编译；qemu-test.ps1 |
客户端 Web（Next.js 静态导出，后端挂载 web/dist）/ Android / ESP32-S3 / 桌面弹幕壳（Electron 只连）
↓ HTTP / WS :8004
属于人类的记忆 · FastAPI 单进程
├─ 对话与编排 chat / proactive / recommend / reminders / calendar
├─ 记忆 memory_bridge（融合只读 + inbox 投递）/ storage（本地三层）/ verify（反幻觉）
├─ 感知 asr / voiceprint / temporal / transcript / ingest
├─ 表达 speaker / assistant_personality（版本化人格，与用户画像分离）
└─ 配置 config / llm / llm_upstream（全项目上游一键同步）/ auth
↓
存储 SQLite（segments/memories/scenes/persona_versions/interventions/kv/speakers）+ DuckDB（ASR 中间）
⇣ 只读
融合记忆层 cockpit.db（wiki 信息层）/ moments.db（时刻层）/ memory.db（画像与复杂度指标）——与上层同属一个系统
后端可切换（config/default.yaml + 运行时 /settings/llm 热改，本地失败明确报错、不静默回退云端）：
| 组件 | dev | prod |
|---|---|---|
| ASR | stub |
faster_whisper（large-v3, CUDA） |
| LLM | stub / anthropic_proxy |
ollama / openai_compat / deepseek / glm_anthropic |
| Embedder | hashing |
openai_compat |
| Speaker | text |
本地 TTS |
- 反幻觉（verify.py）：每个 LLM 抽取环节后强制复查——时间由
temporal确定性规则重解为权威，LLM 编造的日期直接删；when_raw必须逐字落地源转录或日期等价；记忆的evidence/segment_id必须存在且 content bigram 可溯源。每条结论都能回溯到真实转录。 - 时间观（temporal.py）：区分 received（记录时间）与 occurred（真实发生时间）；没有设备时间戳就承认不可得，不猜。
- 声纹（voiceprint.py）：MFCC 均值+标准差向量入库，余弦阈值内归角色、阈值外标未知；仅 16-bit PCM WAV，其它格式有 ffmpeg 则转码、否则只做单文件 diarize——降级但不报错。
- 去重合并：
memories.version单调递增保留 update/merge 溯源；priority0–100 为 L1 重要度。 - 统一上游（llm_upstream.py）：融合层与对话感知层两套 LLM 配置一键同步，消灭「同一上游两处各写一遍」。
- 测试：pytest + stub 后端端到端（
PA_LLM_BACKEND=stub …），渲染守卫等 23+ 项常绿。
画像页的「复杂度指标」与「指标科普」来自 memcore/metrics.py，方法学契约写在 web/lib/metrics-science.ts：每个指标必须回答五件事——出处（论文/作者/年份）、直觉上量的是什么、公式、怎么读、效度（零假设基线怎么造 / CI 怎么算 / 出数门槛 / 已知局限）。
五组十九个指标：
| 组 | 指标 |
|---|---|
| 时间节律 | circadian_strength（1 − H(24h 直方图)/ln24）、weekly_rhythm、burstiness_global/person、inter_event_alpha |
| 社交结构 | signature_shares、dunbar_layers、social_entropy、contact_diversity |
| 复杂动力学 | sample_entropy、permutation_entropy、dfa_alpha、rqa、hmm_states、ews_autocorr |
| 语言与内容 | attention_zipf、topic_entropy |
| 网络 | cooccurrence_network、multiplex_pagerank |
效度三条铁律：
- 置换零基线 —— 如 circadian 用日内时钟置换 600 次、单侧 greater；与随机无显著差异就不出数。
- 置信区间随值走 —— delete-one-day jackknife 等；每个值带
ci_low/ci_high/n。 - 出数门槛 —— 不到门槛灰显并给理由（如消息 ≥200 且天数 ≥20），不编数。
科普页只讲方法、不放任何个人数字；个人数值与它的 eligible / ineligible_reason 在「复杂度指标」tab（metric 表：value / ci / n / null_baseline / params）。
python3 -m venv .venv && .venv/bin/pip install -r requirements.txt
cd web && npm install && npm run build && cd ..
# 配置 .env（生产环境至少设置 PA_API_TOKEN）
python3 -m personal_assistant.cli serve --host 127.0.0.1 --port 8004
# 打开 http://127.0.0.1:8004/web/（命令行模块名 personal_assistant 为历史遗留标识符；产品名为「属于人类的记忆」。）
隔离端到端验证（不依赖真实模型）：
PA_LLM_BACKEND=stub PA_ASR_BACKEND=stub PA_SPEAKER_BACKEND=text python3 -m personal_assistant.cli test把录音转写稿 .txt 丢进 data/inbox/，cli pipeline --once 即转片段入库；真音频设 PA_ASR_BACKEND=faster_whisper。
ESP32-S3 录音固件、桌面弹幕壳与更多配置见仓库内文档。
MIT — 记忆属于每个人，工具也应该是。