1837 lines
54 KiB
Markdown
1837 lines
54 KiB
Markdown
# Alaya 技术设计文档
|
|
|
|
**版本**: 1.0
|
|
**日期**: 2026-03-31
|
|
**状态**: Draft
|
|
**包名**: `@mitsein-ai/alaya`
|
|
**发布账号**: shazhou-ww @ npm
|
|
|
|
---
|
|
|
|
## 1. 概述
|
|
|
|
### 1.1 项目背景
|
|
|
|
当前 OpenClaw 的 memory 系统存在根本性缺失：只有"业"（raw session logs），没有"识"（可迭代、可查询、可联想的经验智慧）。
|
|
|
|
Alaya（阿赖耶识）系统基于佛教唯识学理念，将 Agent 记忆分为三层：
|
|
- **L3 沉淀层（业）**: 原始 session 历史，完整上下文记录
|
|
- **L2 联想层（识）**: 知识图谱，概念关系网络
|
|
- **L1 唤醒层（现行识）**: 向量检索，快速激活相关记忆
|
|
|
|
### 1.2 核心目标
|
|
|
|
- ✅ 从 session logs 中提炼可复用的知识卡片
|
|
- ✅ 建立知识之间的语义关系网络
|
|
- ✅ 支持高效的语义检索和联想推理
|
|
- ✅ 实现冷热分层，优化内存和查询效率
|
|
- ✅ 与 OpenClaw 生态无缝集成
|
|
|
|
### 1.3 技术约束
|
|
|
|
- **服务器环境**: KUMA 2 vCPU / 8GB RAM
|
|
- **零额外服务**: LanceDB + Kuzu 均为嵌入式数据库
|
|
- **轻量级**: Node.js 实现，最小依赖
|
|
- **数据目录**: `~/.alaya/` (可配置)
|
|
|
|
---
|
|
|
|
## 2. 系统架构
|
|
|
|
### 2.1 架构图
|
|
|
|
```
|
|
┌─────────────────────────────────────────────────────────────────┐
|
|
│ OpenClaw Agent │
|
|
│ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │
|
|
│ │ Session Chat │──────▶│ Alaya Skill │◀────▶│ Alaya CLI │ │
|
|
│ └──────────────┘ └──────────────┘ └──────────────┘ │
|
|
└────────────────────────────────┬────────────────────────────────┘
|
|
│
|
|
┌────────────┴────────────┐
|
|
│ Alaya Core Engine │
|
|
└────────────┬────────────┘
|
|
│
|
|
┌────────────────────────┼────────────────────────┐
|
|
│ │ │
|
|
┌───────▼────────┐ ┌─────────▼────────┐ ┌─────────▼─────────┐
|
|
│ L1 唤醒层 │ │ L2 联想层 │ │ L3 沉淀层 │
|
|
│ (Embedding) │ │ (Graph) │ │ (Raw Storage) │
|
|
├────────────────┤ ├──────────────────┤ ├───────────────────┤
|
|
│ LanceDB │ │ Kuzu Graph DB │ │ File System │
|
|
│ │ │ │ │ │
|
|
│ HOT (Memory) │ │ Nodes: Cards │ │ session-*.json │
|
|
│ WARM (Disk) │◀───▶│ Edges: Links │◀──▶│ session-*.md │
|
|
│ COLD (Archive)│ │ │ │ context/*.json │
|
|
└────────────────┘ └──────────────────┘ └───────────────────┘
|
|
│ │ │
|
|
└───────────────────────┴────────────────────────┘
|
|
│
|
|
┌──────────▼───────────┐
|
|
│ Embedding Provider │
|
|
│ (SiliconFlow/OpenAI)│
|
|
└──────────────────────┘
|
|
```
|
|
|
|
### 2.2 数据流
|
|
|
|
#### 记忆形成（Ingest → Distill）
|
|
```
|
|
Session End
|
|
↓
|
|
L3: Ingest (保存原始 session)
|
|
↓
|
|
Distill (LLM 提取知识)
|
|
↓
|
|
L2: Create Cards + Links (图谱节点和边)
|
|
↓
|
|
L1: Generate Embeddings (向量化)
|
|
↓
|
|
Update Temperature (计算初始热度)
|
|
```
|
|
|
|
#### 记忆召回（Recall）
|
|
```
|
|
Query String
|
|
↓
|
|
L1: Vector Search (找到相似 embeddings)
|
|
↓ (card_ids)
|
|
L2: Graph Traversal (沿关系扩展)
|
|
↓ (expanded_card_ids)
|
|
L3: Fetch Context (回溯原始上下文)
|
|
↓
|
|
Return Ranked Results
|
|
```
|
|
|
|
---
|
|
|
|
## 3. 数据模型
|
|
|
|
### 3.1 L3 沉淀层（Raw Storage）
|
|
|
|
#### 目录结构
|
|
```
|
|
~/.alaya/
|
|
├── raw/
|
|
│ ├── sessions/
|
|
│ │ ├── 2026-03/
|
|
│ │ │ ├── session-20260331-062900.json
|
|
│ │ │ └── session-20260331-062900.md
|
|
│ │ └── 2026-04/
|
|
│ └── contexts/
|
|
│ ├── card-abc123-context.json
|
|
│ └── card-def456-context.json
|
|
└── config.json
|
|
```
|
|
|
|
#### Session 文件格式
|
|
```json
|
|
{
|
|
"id": "session-20260331-062900",
|
|
"timestamp": 1743403740000,
|
|
"channel": "telegram",
|
|
"agent": "main",
|
|
"turns": [
|
|
{
|
|
"role": "user",
|
|
"content": "帮我分析一下...",
|
|
"timestamp": 1743403740000
|
|
},
|
|
{
|
|
"role": "assistant",
|
|
"content": "好的，我来分析...",
|
|
"timestamp": 1743403745000,
|
|
"tool_calls": [...]
|
|
}
|
|
],
|
|
"metadata": {
|
|
"duration_ms": 12000,
|
|
"model": "claude-sonnet-4.5",
|
|
"tokens": 2345
|
|
}
|
|
}
|
|
```
|
|
|
|
### 3.2 L2 联想层（Graph DB）
|
|
|
|
#### 节点类型（Node Schema）
|
|
|
|
```cypher
|
|
// 知识卡片节点
|
|
CREATE (c:Card {
|
|
id: STRING, // 唯一标识 "card-{uuid}"
|
|
title: STRING, // 卡片标题
|
|
content: STRING, // 卡片内容（markdown）
|
|
type: STRING, // 类型: concept/pattern/gotcha/decision
|
|
created_at: TIMESTAMP, // 创建时间
|
|
updated_at: TIMESTAMP, // 更新时间
|
|
source_sessions: LIST, // 来源 session IDs
|
|
tags: LIST, // 标签列表
|
|
temperature: FLOAT // 当前温度 (0.0-1.0)
|
|
})
|
|
|
|
// Session 元节点（用于回溯）
|
|
CREATE (s:Session {
|
|
id: STRING,
|
|
timestamp: TIMESTAMP,
|
|
channel: STRING,
|
|
summary: STRING
|
|
})
|
|
```
|
|
|
|
#### 边类型（Edge Schema）
|
|
|
|
**一级关系（系统内置，有索引加速）：**
|
|
|
|
| 关系类型 | 方向 | 含义 | 示例 |
|
|
|---------|------|------|------|
|
|
| `CAUSES` / `CAUSED_BY` | 单向 | 因果关系 | 内存溢出由于未设 limit |
|
|
| `DEPENDS_ON` | 单向 | 依赖关系 | Docker 部署依赖于构建脚本 |
|
|
| `SIMILAR_TO` | 双向 | 相似模式 | 两个 Bug 都是类型错误 |
|
|
| `CONTRADICTS` | 双向 | 矛盾/替代 | 旧方案 vs 新方案 |
|
|
| `TEMPORAL_NEXT` | 单向 | 时序后继 | 决策 B 在决策 A 之后 |
|
|
| `EXTRACTED_FROM` | 单向 | 提取自 session | Card → Session |
|
|
|
|
**二级关系（自定义，自由命名）：**
|
|
|
|
- 在 Kuzu 里用统一的 `CUSTOM` 边表，`type` 字段区分关系名
|
|
- distill 时 LLM 可以自由命名关系（如 `INSPIRED_BY`, `CONFLICTS_WITH`, `SUPERSEDES` 等）
|
|
- introspect 的 consolidate 阶段做关系聚类，高频自定义关系可提升为一级
|
|
- **这体现了"识从业中涌现"的理念** — 系统从实际使用中学习新的关系类型
|
|
|
|
#### Edge 属性
|
|
|
|
**一级关系示例**：
|
|
```cypher
|
|
CREATE (a:Card)-[r:DEPENDS_ON {
|
|
weight: FLOAT, // 关系强度 (0.0-1.0)
|
|
created_at: TIMESTAMP,
|
|
reason: STRING // 关系说明
|
|
}]->(b:Card)
|
|
```
|
|
|
|
**自定义关系示例**：
|
|
```cypher
|
|
CREATE (a:Card)-[r:CUSTOM {
|
|
type: STRING, // 自定义关系名（如 "INSPIRED_BY"）
|
|
weight: FLOAT,
|
|
created_at: TIMESTAMP,
|
|
reason: STRING
|
|
}]->(b:Card)
|
|
```
|
|
|
|
#### 关系 Embedding
|
|
|
|
每种关系（包括自定义）都有 embedding，用于关系聚类和相似度计算：
|
|
|
|
```typescript
|
|
interface RelationEmbedding {
|
|
relation: string; // 关系名（如 "DEPENDS_ON" 或 "INSPIRED_BY"）
|
|
vector: number[]; // embedding (1024-dim)
|
|
frequency: number; // 使用频次
|
|
is_core: boolean; // 是否为一级关系
|
|
examples: string[]; // 使用示例
|
|
}
|
|
```
|
|
|
|
**关系 embedding 生成策略**：
|
|
- 核心关系在 `init` 时预生成（基于关系名 + 定义）
|
|
- 自定义关系在 distill 创建时自动生成（基于关系名 + reason）
|
|
- introspect 时做关系聚类，发现高相似度的关系对→建议合并或标记别名
|
|
- 存储在 L1 的独立表中
|
|
|
|
### 3.3 L1 唤醒层（Embedding DB）
|
|
|
|
#### LanceDB Schema
|
|
|
|
**卡片 Embedding 表**：
|
|
```typescript
|
|
interface EmbeddingRecord {
|
|
id: string; // card-{uuid}
|
|
vector: number[]; // embedding (1024-dim for BAAI/bge-large-zh-v1.5)
|
|
card_id: string; // 对应的 L2 Card ID
|
|
content_hash: string; // 内容 hash，用于检测变更
|
|
temperature: number; // 当前温度 (0.0-1.0)
|
|
tier: 'HOT' | 'WARM' | 'COLD';
|
|
last_accessed: number; // 最后访问时间
|
|
access_count: number; // 访问次数
|
|
created_at: number; // 创建时间
|
|
metadata: {
|
|
title: string;
|
|
tags: string[];
|
|
type: string;
|
|
};
|
|
}
|
|
```
|
|
|
|
**关系 Embedding 表**：
|
|
```typescript
|
|
interface RelationEmbedding {
|
|
relation: string; // 关系名
|
|
vector: number[]; // embedding (1024-dim)
|
|
frequency: number; // 使用频次
|
|
is_core: boolean; // 是否为一级关系
|
|
examples: string[]; // 使用示例（用于生成 embedding）
|
|
created_at: number;
|
|
updated_at: number;
|
|
}
|
|
```
|
|
|
|
#### 冷热分层策略
|
|
|
|
| Tier | 条件 | 存储方式 | 数量上限 |
|
|
|------|------|----------|---------|
|
|
| **HOT** | temp ≥ 0.7 OR 最近 7 天 OR access_count > 10 | 内存常驻 | 5000 |
|
|
| **WARM** | 0.3 ≤ temp < 0.7 | 磁盘索引，按需加载 | 20000 |
|
|
| **COLD** | temp < 0.3 AND 未访问 > 30 天 | 仅保留 metadata，丢弃 embedding | 无限 |
|
|
|
|
#### 温度计算公式
|
|
|
|
```
|
|
temperature = recency_score × frequency_score × relevance_score
|
|
|
|
recency_score = exp(-days_since_created / 30)
|
|
frequency_score = min(1.0, access_count / 20)
|
|
relevance_score = avg(similarity_scores from recent recalls)
|
|
```
|
|
|
|
每次 `introspect` 时重新计算所有卡片温度，并执行升降级。
|
|
|
|
---
|
|
|
|
## 4. CLI 命令详解
|
|
|
|
### 4.1 `alaya init`
|
|
|
|
**功能**: 初始化 Alaya 数据库
|
|
|
|
**行为**:
|
|
- 创建 `~/.alaya/` 目录结构
|
|
- 初始化 LanceDB（创建表和索引）
|
|
- 初始化 Kuzu（创建节点和边的 schema）
|
|
- 生成默认配置文件 `~/.alaya/config.json`
|
|
|
|
**输出**:
|
|
```
|
|
✓ Created directory structure at ~/.alaya/
|
|
✓ Initialized LanceDB at ~/.alaya/lancedb/
|
|
✓ Initialized Kuzu Graph DB at ~/.alaya/kuzu/
|
|
✓ Created config file at ~/.alaya/config.json
|
|
✓ Alaya is ready!
|
|
```
|
|
|
|
**配置文件示例**:
|
|
```json
|
|
{
|
|
"version": "1.0",
|
|
"data_dir": "~/.alaya",
|
|
"embedding": {
|
|
"provider": "siliconflow",
|
|
"model": "BAAI/bge-large-zh-v1.5",
|
|
"dimensions": 1024,
|
|
"api_key_env": "SILICONFLOW_API_KEY"
|
|
},
|
|
"temperature": {
|
|
"hot_threshold": 0.7,
|
|
"warm_threshold": 0.3,
|
|
"cold_days": 30,
|
|
"hot_limit": 5000,
|
|
"warm_limit": 20000
|
|
},
|
|
"distill": {
|
|
"llm_provider": "openai",
|
|
"model": "gpt-4o",
|
|
"prompt_template": "~/.alaya/prompts/distill.txt"
|
|
}
|
|
}
|
|
```
|
|
|
|
---
|
|
|
|
### 4.2 `alaya ingest <session-file>`
|
|
|
|
**功能**: 导入 session 历史到 L3
|
|
|
|
**参数**:
|
|
- `<session-file>`: OpenClaw session JSON 文件路径
|
|
|
|
**行为**:
|
|
1. 解析 session JSON
|
|
2. 提取 metadata（时间、channel、agent、tokens）
|
|
3. 保存到 `~/.alaya/raw/sessions/YYYY-MM/session-{id}.json`
|
|
4. 生成 markdown 摘要到 `session-{id}.md`
|
|
5. 在 L2 创建 Session 元节点
|
|
|
|
**输出**:
|
|
```
|
|
📥 Ingesting session: session-20260331-062900
|
|
Duration: 12.0s | Tokens: 2345 | Channel: telegram
|
|
✓ Saved to ~/.alaya/raw/sessions/2026-03/session-20260331-062900.json
|
|
✓ Created Session node in graph
|
|
```
|
|
|
|
---
|
|
|
|
### 4.3 `alaya distill [--session <id>]`
|
|
|
|
**功能**: 从业（session logs）提炼识（知识卡片）
|
|
|
|
**参数**:
|
|
- `--session <id>`: 指定 session ID，不指定则处理所有未 distill 的 sessions
|
|
|
|
**流程**:
|
|
|
|
```
|
|
1. 从 L3 读取 session 内容
|
|
↓
|
|
2. 构建 LLM prompt（见 4.3.1）
|
|
↓
|
|
3. 调用 LLM 提取知识卡片
|
|
↓
|
|
4. 解析 LLM 返回的结构化输出
|
|
↓
|
|
5. 在 L2 创建 Card 节点 + 关系边
|
|
↓
|
|
6. 为每个 Card 生成 embedding
|
|
↓
|
|
7. 插入 L1 (初始 temperature = 1.0)
|
|
↓
|
|
8. 保存 context 到 L3 (card-{id}-context.json)
|
|
```
|
|
|
|
#### 4.3.1 Distill Prompt 设计
|
|
|
|
**System Prompt**:
|
|
```
|
|
你是一个知识提炼专家，负责从 AI Agent 的对话历史中提取可复用的知识卡片。
|
|
|
|
要求：
|
|
1. 识别非平凡的知识点（gotchas、patterns、decisions）
|
|
2. 每个卡片独立自洽，包含足够上下文
|
|
3. 避免提取常识性内容
|
|
4. 识别卡片之间的关系（依赖、因果、相似等）
|
|
|
|
输出格式（JSON）：
|
|
{
|
|
"cards": [
|
|
{
|
|
"title": "简洁标题",
|
|
"content": "详细内容（markdown）",
|
|
"type": "concept|pattern|gotcha|decision",
|
|
"tags": ["标签1", "标签2"],
|
|
"importance": 0.8 // 0.0-1.0
|
|
}
|
|
],
|
|
"links": [
|
|
{
|
|
"from_title": "卡片A标题",
|
|
"to_title": "卡片B标题",
|
|
"relation": "DEPENDS_ON|CAUSED_BY|SIMILAR_TO|...",
|
|
"reason": "关系说明"
|
|
}
|
|
]
|
|
}
|
|
```
|
|
|
|
**User Prompt**:
|
|
```
|
|
Session ID: {session_id}
|
|
Timestamp: {timestamp}
|
|
Channel: {channel}
|
|
|
|
=== 对话内容 ===
|
|
{session_content}
|
|
|
|
=== 任务 ===
|
|
提取可复用的知识卡片，并识别它们之间的关系。
|
|
```
|
|
|
|
**输出示例**:
|
|
```
|
|
🧠 Distilling session-20260331-062900
|
|
Found 3 cards:
|
|
✓ Card: Telegram 消息通知机制 [concept]
|
|
✓ Card: Gateway 重启前发通知的模式 [pattern]
|
|
✓ Card: 避免漏掉 plugins.allow 配置 [gotcha]
|
|
Created 2 links:
|
|
✓ "Gateway 重启前发通知的模式" DEPENDS_ON "Telegram 消息通知机制"
|
|
✓ "避免漏掉 plugins.allow 配置" CAUSED_BY "Gateway 重启前发通知的模式"
|
|
Generated embeddings for 3 cards
|
|
✓ Distillation complete
|
|
```
|
|
|
|
---
|
|
|
|
### 4.4 `alaya recall`
|
|
|
|
**功能**: 从概念/关系快速激活相关记忆（启发式搜索导航模式）
|
|
|
|
**设计哲学变化**: recall 的调用者是 agent，不是人类用户。Agent 有结构化表达能力，不需要退化成自然语言搜索。recall 不是一次性搜索，而是知识空间的导航——每次返回"当前位置 + 可走的路 + 离目标的距离"。
|
|
|
|
**三种调用模式**:
|
|
|
|
```bash
|
|
# 简单模式（向后兼容，人类手动查询）
|
|
alaya recall "Gateway 配置"
|
|
|
|
# 结构化模式（agent 专用）
|
|
alaya recall --concepts "Gateway重启,Telegram消息" --rel CAUSED_BY --depth 2
|
|
|
|
# JSON stdin 模式（agent 通过 exec 调用）
|
|
echo '{"concepts":["Gateway重启"],"relations":["CAUSED_BY"],"depth":2}' | alaya recall --json
|
|
```
|
|
|
|
**Agent 如何知道可用关系**:
|
|
- Skill 里静态声明核心关系类型（见 5.1 节）
|
|
- `alaya schema --relations` 命令动态发现所有关系（含自定义）
|
|
|
|
**Recall 内部零 LLM 调用**:
|
|
- 概念提取由 agent 完成（agent 本来就在推理）
|
|
- 关系选择由 agent 指定
|
|
- recall 内部只做 embedding API + 本地图查询
|
|
- 延迟 <100ms
|
|
|
|
**流程**:
|
|
|
|
```
|
|
1. 对 concepts 生成 embeddings（如果是自然语言查询，先提取概念）
|
|
↓
|
|
2. L1: 向量检索（top 20，cosine similarity）
|
|
↓
|
|
3. L2: 图遍历扩展
|
|
- 如果指定了 relations，只沿这些边类型遍历
|
|
- 计算每个节点的 h_distance（启发式距离）
|
|
- 按 h_distance 排序
|
|
↓
|
|
4. 返回：当前节点 + 可探索的路径 + 平均距离
|
|
↓
|
|
5. 更新 access_count + last_accessed
|
|
```
|
|
|
|
**启发式距离公式**:
|
|
```
|
|
h(node) = α × concept_distance + β × relation_distance + γ × depth_penalty
|
|
|
|
其中：
|
|
- concept_distance: 概念 embedding 与节点 embedding 的余弦距离
|
|
- relation_distance: 1 - rel_similarity（关系匹配度）
|
|
- depth_penalty: 遍历深度的惩罚项（0.1 × depth）
|
|
- α=0.5, β=0.3, γ=0.2（可配置）
|
|
```
|
|
|
|
**返回结构（启发式导航模式）**:
|
|
```json
|
|
{
|
|
"nodes": [
|
|
{
|
|
"card_id": "card-abc",
|
|
"title": "Gateway plugins.allow 遗漏导致消息中断",
|
|
"content": "...",
|
|
"score": 0.89,
|
|
"h_distance": 0.15,
|
|
"matched_rel": "CAUSED_BY",
|
|
"rel_similarity": 1.0
|
|
},
|
|
{
|
|
"card_id": "card-def",
|
|
"title": "配置变更引发的连锁故障",
|
|
"content": "...",
|
|
"score": 0.72,
|
|
"h_distance": 0.31,
|
|
"matched_rel": "LED_TO",
|
|
"rel_similarity": 0.93
|
|
}
|
|
],
|
|
"explorable": [
|
|
{"rel": "DEPENDS_ON", "count": 2, "rel_sim_to_query": 0.41},
|
|
{"rel": "TEMPORAL_NEXT", "count": 1, "rel_sim_to_query": 0.22}
|
|
],
|
|
"h_distance_avg": 0.23
|
|
}
|
|
```
|
|
|
|
**多轮导航（Agent 自主探索）**:
|
|
|
|
Agent 拿到结果后判断 `h_distance_avg` 是否足够小（< 0.3）：
|
|
- 如果足够小，说明已找到相关知识，结束
|
|
- 如果不够，可以从返回的节点出发，沿 `explorable` 的关系继续探索
|
|
- 支持 `from_nodes` 参数：从指定节点继续导航
|
|
|
|
```json
|
|
{
|
|
"from_nodes": ["card-abc"],
|
|
"relations": ["DEPENDS_ON"],
|
|
"depth": 1
|
|
}
|
|
```
|
|
|
|
**Agent 自己决定什么时候停。**
|
|
|
|
**CLI 输出示例**:
|
|
```
|
|
🔍 Recalling: concepts=["Gateway重启"] relations=["CAUSED_BY"] depth=2
|
|
|
|
[1] Gateway plugins.allow 遗漏导致消息中断 (h=0.15) #gotcha
|
|
matched: CAUSED_BY (rel_sim=1.0)
|
|
...（内容预览）...
|
|
|
|
[2] 配置变更引发的连锁故障 (h=0.31) #pattern
|
|
matched: LED_TO (rel_sim=0.93)
|
|
...（内容预览）...
|
|
|
|
Explorable paths:
|
|
- DEPENDS_ON (2 nodes, rel_sim=0.41)
|
|
- TEMPORAL_NEXT (1 node, rel_sim=0.22)
|
|
|
|
Average h_distance: 0.23 (🎯 close to target)
|
|
```
|
|
|
|
---
|
|
|
|
### 4.5 `alaya schema`
|
|
|
|
**功能**: 查看数据模型信息（关系类型、节点统计等）
|
|
|
|
**子命令**:
|
|
|
|
#### `alaya schema --relations`
|
|
|
|
列出所有关系类型及使用频次（包括核心关系和自定义关系）。
|
|
|
|
**输出示例**:
|
|
```
|
|
📊 Relation Types
|
|
|
|
Core Relations (built-in, indexed):
|
|
CAUSES / CAUSED_BY 1,234 uses
|
|
DEPENDS_ON 3,456 uses
|
|
SIMILAR_TO 2,890 uses
|
|
CONTRADICTS 456 uses
|
|
TEMPORAL_NEXT 1,234 uses
|
|
EXTRACTED_FROM 8,512 uses
|
|
|
|
Custom Relations (emergent):
|
|
INSPIRED_BY 89 uses [high freq → consider promoting]
|
|
SUPERSEDES 67 uses
|
|
CONFLICTS_WITH 45 uses
|
|
RELATES_TO 234 uses [generic, consider splitting]
|
|
...
|
|
|
|
Total: 15,678 edges (6 core types + 23 custom types)
|
|
```
|
|
|
|
#### `alaya schema --node-types`
|
|
|
|
列出节点类型统计。
|
|
|
|
**输出示例**:
|
|
```
|
|
📊 Node Types
|
|
|
|
Cards:
|
|
concept 3,241 (38%)
|
|
pattern 2,103 (25%)
|
|
gotcha 1,876 (22%)
|
|
decision 1,292 (15%)
|
|
Total: 8,512
|
|
|
|
Sessions: 1,234
|
|
```
|
|
|
|
---
|
|
|
|
### 4.6 `alaya trace <card-id>`
|
|
|
|
**功能**: 从识（card）回溯到业（原始 session 上下文）
|
|
|
|
**参数**:
|
|
- `<card-id>`: 卡片 ID（如 `card-abc123`）
|
|
|
|
**行为**:
|
|
1. 从 L2 读取 Card 节点的 `source_sessions`
|
|
2. 从 L3 读取对应的 session 文件
|
|
3. 读取 `card-{id}-context.json`（提炼时保存的相关 turns）
|
|
4. 输出完整上下文
|
|
|
|
**输出**:
|
|
```
|
|
🔬 Tracing card-abc123: "Telegram 消息通知机制"
|
|
|
|
=== Source Sessions ===
|
|
- session-20260331-062900 (2026-03-31 06:29 UTC)
|
|
|
|
=== Relevant Context ===
|
|
[Turn 3] User: 为什么没收到通知？
|
|
[Turn 4] Assistant: 我来检查 Gateway 配置...
|
|
|
|
=== Full Session ===
|
|
[View at ~/.alaya/raw/sessions/2026-03/session-20260331-062900.json]
|
|
```
|
|
|
|
---
|
|
|
|
### 4.7 `alaya introspect`
|
|
|
|
**功能**: 高阶命令，执行深度记忆整理
|
|
|
|
**子任务**:
|
|
|
|
1. **Distill**: 处理所有新 session
|
|
2. **Consolidate**: 合并相似卡片，发现新链接
|
|
3. **Cool-down**: 冷热分层，降温过期 embeddings
|
|
4. **Forget**: 合理遗忘（低温 → 归档）
|
|
|
|
**流程细节**:
|
|
|
|
#### 4.7.1 Consolidate（合并相似卡片 + 关系聚类）
|
|
|
|
**卡片聚类**:
|
|
```
|
|
1. 对所有 HOT/WARM 卡片做聚类（embedding clustering）
|
|
↓
|
|
2. 对于相似度 > 0.95 的卡片对：
|
|
- 调用 LLM 判断是否真的重复
|
|
- 如果是，合并为一张卡片
|
|
- 更新 L2 关系（边指向合并后的卡片）
|
|
- 删除旧卡片的 embedding
|
|
↓
|
|
3. 对于相似度 0.7-0.95 的卡片对：
|
|
- 检查是否已有关系边
|
|
- 如果没有，建议创建 SIMILAR_TO 边
|
|
```
|
|
|
|
**关系聚类（识从业中涌现）**:
|
|
```
|
|
1. 对所有自定义关系做 embedding clustering
|
|
↓
|
|
2. 对于相似度 > 0.9 的关系对：
|
|
- 建议合并或标记别名（如 "INSPIRED_BY" ≈ "INFLUENCED_BY"）
|
|
- 提示用户是否统一命名
|
|
↓
|
|
3. 对于使用频次 > 100 的高频自定义关系：
|
|
- 建议提升为一级关系（添加索引）
|
|
- 输出升级脚本
|
|
↓
|
|
4. 对于关系名模糊的（如 "RELATES_TO", "LINKED_TO"）：
|
|
- 建议细化为更具体的关系类型
|
|
```
|
|
|
|
#### 4.7.2 Cool-down（温度降级）
|
|
```
|
|
1. 重新计算所有卡片温度
|
|
↓
|
|
2. 按温度阈值重新分层：
|
|
- temp ≥ 0.7 → HOT
|
|
- 0.3 ≤ temp < 0.7 → WARM
|
|
- temp < 0.3 → COLD
|
|
↓
|
|
3. HOT 层超限时，按温度排序，溢出部分降为 WARM
|
|
↓
|
|
4. COLD 层卡片：
|
|
- 删除 embedding（释放存储）
|
|
- 保留 L2 节点和 metadata
|
|
```
|
|
|
|
#### 4.7.3 Forget（合理遗忘）
|
|
```
|
|
对于满足以下条件的 COLD 卡片：
|
|
- temperature < 0.1
|
|
- 未访问 > 90 天
|
|
- access_count < 3
|
|
- 无出边（没有其他卡片依赖它）
|
|
|
|
操作：
|
|
- 从 L2 删除节点
|
|
- 从 L1 删除 embedding（如果还有）
|
|
- L3 保持归档（可选的回溯能力）
|
|
```
|
|
|
|
**输出**:
|
|
```
|
|
🧘 Starting introspection...
|
|
|
|
[1/4] Distill
|
|
Processed 12 new sessions
|
|
Created 28 cards, 41 links
|
|
|
|
[2/4] Consolidate
|
|
Found 3 duplicate pairs, merged into 3 cards
|
|
Created 7 new SIMILAR_TO links
|
|
|
|
[3/4] Cool-down
|
|
HOT: 4823 cards (177 upgraded, 215 downgraded)
|
|
WARM: 18456 cards
|
|
COLD: 3201 cards (122 newly archived)
|
|
|
|
[4/4] Forget
|
|
Deleted 15 low-value cards
|
|
Freed 15 MB of embedding storage
|
|
|
|
✓ Introspection complete (took 2m 34s)
|
|
```
|
|
|
|
---
|
|
|
|
### 4.8 `alaya link <id-a> <id-b> [--rel type]`
|
|
|
|
**功能**: 手动补充 L2 关系
|
|
|
|
**参数**:
|
|
- `<id-a>`, `<id-b>`: 两个卡片 ID
|
|
- `--rel`: 关系类型（默认 `RELATES_TO`）
|
|
|
|
**行为**:
|
|
- 在 L2 创建边 `(a)-[rel]->(b)`
|
|
- 如果是双向关系类型，也创建 `(b)-[rel]->(a)`
|
|
|
|
**输出**:
|
|
```
|
|
✓ Created link: card-abc123 DEPENDS_ON card-def456
|
|
```
|
|
|
|
---
|
|
|
|
### 4.9 `alaya status`
|
|
|
|
**功能**: 各层统计
|
|
|
|
**输出**:
|
|
```
|
|
📊 Alaya Status
|
|
|
|
L3 Raw Storage
|
|
Sessions: 1,234 (42 GB)
|
|
Oldest: 2025-11-15
|
|
Newest: 2026-03-31
|
|
|
|
L2 Graph DB
|
|
Cards: 8,512
|
|
- concept: 3,241
|
|
- pattern: 2,103
|
|
- gotcha: 1,876
|
|
- decision: 1,292
|
|
Links: 15,678
|
|
- RELATES_TO: 6,234
|
|
- DEPENDS_ON: 3,456
|
|
- SIMILAR_TO: 2,890
|
|
- CAUSED_BY: 1,234
|
|
- others: 1,864
|
|
|
|
L1 Embedding DB
|
|
Total: 8,512
|
|
HOT: 4,823 (memory: 120 MB)
|
|
WARM: 3,567 (disk: 89 MB)
|
|
COLD: 122 (archived)
|
|
|
|
Temperature Distribution
|
|
0.9-1.0: ████████░░ 15%
|
|
0.7-0.9: ██████████ 42%
|
|
0.5-0.7: ████░░░░░░ 18%
|
|
0.3-0.5: ██░░░░░░░░ 12%
|
|
0.0-0.3: ███░░░░░░░ 13%
|
|
```
|
|
|
|
---
|
|
|
|
### 4.10 `alaya export`
|
|
|
|
**功能**: 导出为可读格式
|
|
|
|
**行为**:
|
|
- 生成 `~/.alaya/export/` 目录
|
|
- 导出所有 Cards 为 markdown 文件（按 type 分目录）
|
|
- 导出关系图为 GraphML（可用 Gephi 可视化）
|
|
- 生成索引文件 `index.md`
|
|
|
|
**输出**:
|
|
```
|
|
📦 Exporting Alaya data...
|
|
|
|
✓ Exported 8,512 cards to ~/.alaya/export/cards/
|
|
- concept/
|
|
- pattern/
|
|
- gotcha/
|
|
- decision/
|
|
✓ Exported graph to ~/.alaya/export/graph.graphml
|
|
✓ Created index at ~/.alaya/export/index.md
|
|
|
|
Export complete: ~/.alaya/export/
|
|
```
|
|
|
|
---
|
|
|
|
## 5. 与现有系统集成
|
|
|
|
### 5.1 OC Skill: `skills/alaya/`
|
|
|
|
#### SKILL.md
|
|
```markdown
|
|
# Alaya Memory Skill
|
|
|
|
Activate when:
|
|
- Agent needs to recall past knowledge
|
|
- Session ends (trigger ingest + distill)
|
|
- User asks "do you remember..."
|
|
|
|
## 可用关系类型（核心关系）
|
|
|
|
在结构化 recall 中，优先使用以下核心关系：
|
|
- `CAUSES` / `CAUSED_BY` - 因果关系
|
|
- `DEPENDS_ON` - 依赖关系
|
|
- `SIMILAR_TO` - 相似模式
|
|
- `CONTRADICTS` - 矛盾/替代
|
|
- `TEMPORAL_NEXT` - 时序后继
|
|
- `EXTRACTED_FROM` - 提取自 session
|
|
|
|
动态发现所有关系（含自定义）：
|
|
```bash
|
|
alaya schema --relations
|
|
```
|
|
|
|
## 使用方法
|
|
|
|
### 简单查询（向后兼容）
|
|
```bash
|
|
alaya recall "Gateway 配置"
|
|
```
|
|
|
|
### 结构化查询（推荐 Agent 使用）
|
|
```bash
|
|
# 指定概念和关系
|
|
alaya recall --concepts "Gateway重启,Telegram消息" --rel CAUSED_BY --depth 2
|
|
|
|
# JSON stdin 模式（exec 调用）
|
|
echo '{"concepts":["Gateway重启"],"relations":["CAUSED_BY"],"depth":2}' | alaya recall --json
|
|
```
|
|
|
|
### 多轮导航模式
|
|
```bash
|
|
# 第一轮：初始查询
|
|
result=$(alaya recall --concepts "Gateway重启" --json)
|
|
h_distance=$(echo $result | jq '.h_distance_avg')
|
|
|
|
# 如果 h_distance > 0.3，继续探索
|
|
if (( $(echo "$h_distance > 0.3" | bc -l) )); then
|
|
from_nodes=$(echo $result | jq -r '.nodes[0].card_id')
|
|
alaya recall --from-nodes "$from_nodes" --rel DEPENDS_ON --depth 1 --json
|
|
fi
|
|
```
|
|
|
|
### 追踪原始上下文
|
|
```bash
|
|
alaya trace <card-id>
|
|
```
|
|
```
|
|
|
|
#### 触发时机
|
|
|
|
1. **Session 开始时**:
|
|
```javascript
|
|
const recentCards = await alaya.recall(`keywords from user's first message`);
|
|
// 将相关卡片注入 system prompt
|
|
```
|
|
|
|
2. **Session 结束时**:
|
|
```javascript
|
|
await alaya.ingest(sessionFile);
|
|
await alaya.distill(`--session ${sessionId}`);
|
|
```
|
|
|
|
3. **用户明确询问时**:
|
|
- "你还记得上次我们讨论的 X 吗？"
|
|
- "之前关于 Y 的解决方案是什么？"
|
|
|
|
### 5.2 OC Cron 调度
|
|
|
|
**定时任务配置** (`~/.openclaw/config/cron.json`):
|
|
```json
|
|
{
|
|
"jobs": [
|
|
{
|
|
"name": "alaya-introspect",
|
|
"schedule": "0 */4 * * *", // 每 4 小时
|
|
"command": "alaya introspect",
|
|
"timeout": 600000 // 10 分钟
|
|
},
|
|
{
|
|
"name": "alaya-backup",
|
|
"schedule": "0 3 * * *", // 每天凌晨 3 点
|
|
"command": "tar -czf ~/.alaya/backup/alaya-$(date +%Y%m%d).tar.gz ~/.alaya/raw ~/.alaya/lancedb ~/.alaya/kuzu"
|
|
}
|
|
]
|
|
}
|
|
```
|
|
|
|
### 5.3 Memex 集成
|
|
|
|
**导入现有 memex 卡片**:
|
|
```bash
|
|
# 一次性导入（在 alaya init 之后）
|
|
alaya import-memex ~/.memex/cards/
|
|
|
|
# 流程：
|
|
# 1. 读取所有 .md 卡片
|
|
# 2. 在 L2 创建 Card 节点
|
|
# 3. 解析 [[wikilinks]] 为 RELATES_TO 边
|
|
# 4. 生成 embeddings 插入 L1
|
|
```
|
|
|
|
**持续同步**:
|
|
- memex 创建新卡片 → 触发 alaya ingest
|
|
- alaya recall 结果包含 memex 来源标记
|
|
|
|
### 5.4 OC Memory Search 替代路径
|
|
|
|
**当前**:
|
|
```javascript
|
|
const results = await oc.memory_search("query");
|
|
```
|
|
|
|
**未来**:
|
|
```javascript
|
|
const results = await alaya.recall("query", {
|
|
include_memex: true,
|
|
include_sessions: true,
|
|
max_results: 10
|
|
});
|
|
```
|
|
|
|
Alaya 是 memory_search 的超集，提供：
|
|
- 更好的语义理解（embedding + graph）
|
|
- 关联推理（graph traversal）
|
|
- 冷热分层（更快的查询）
|
|
|
|
---
|
|
|
|
## 6. 实施计划
|
|
|
|
### Phase 1: MVP（2-3 周）
|
|
|
|
**目标**: 核心功能可用，验证架构可行性
|
|
|
|
**Scope**:
|
|
- ✅ L3: 文件系统存储（sessions）
|
|
- ✅ L1: LanceDB 基础向量检索（仅 HOT tier）
|
|
- ✅ CLI: `init`, `ingest`, `recall`
|
|
- ✅ Embedding: SiliconFlow API 集成
|
|
- ✅ 简化版 distill（LLM 提取卡片，不做复杂关系推理）
|
|
|
|
**不包含**:
|
|
- L2 Graph DB（手动维护简单的 JSON links）
|
|
- 冷热分层（所有 embeddings 都在 HOT）
|
|
- introspect 自动整理
|
|
|
|
**验收标准**:
|
|
```bash
|
|
alaya init
|
|
alaya ingest session-example.json
|
|
alaya recall "Telegram notification"
|
|
# → 返回相关卡片
|
|
```
|
|
|
|
---
|
|
|
|
### Phase 2: 完整三层架构（3-4 周）
|
|
|
|
**新增**:
|
|
- ✅ L2: Kuzu Graph DB 集成
|
|
- ✅ Distill 增强：提取关系边
|
|
- ✅ Graph traversal recall（从向量结果扩展到关联卡片）
|
|
- ✅ CLI: `trace`, `link`
|
|
- ✅ OC Skill 初步集成
|
|
|
|
**验收标准**:
|
|
```bash
|
|
alaya recall "Docker deployment" | jq '.results[0].related'
|
|
# → 显示关联卡片（通过 graph）
|
|
|
|
alaya trace card-abc123
|
|
# → 回溯到原始 session
|
|
```
|
|
|
|
---
|
|
|
|
### Phase 3: 冷热分层与自动整理（2-3 周）
|
|
|
|
**新增**:
|
|
- ✅ 温度计算与分层逻辑
|
|
- ✅ CLI: `introspect`（distill + consolidate + cool-down + forget）
|
|
- ✅ HOT/WARM/COLD tier 实现
|
|
- ✅ OC Cron 调度
|
|
|
|
**验收标准**:
|
|
```bash
|
|
alaya status
|
|
# → 显示冷热分层统计
|
|
|
|
alaya introspect
|
|
# → 自动合并重复卡片，降温过期 embeddings
|
|
```
|
|
|
|
---
|
|
|
|
### Phase 4: 生产优化与生态集成（2-3 周）
|
|
|
|
**新增**:
|
|
- ✅ Memex 导入与同步
|
|
- ✅ OC Memory Search 替代接口
|
|
- ✅ Export 功能（markdown + GraphML）
|
|
- ✅ 性能优化（批量 embedding、索引优化）
|
|
- ✅ 监控与日志
|
|
- ✅ 单元测试与集成测试
|
|
|
|
**发布**:
|
|
- 📦 发布到 npm: `@mitsein-ai/alaya@1.0.0`
|
|
- 📝 编写文档和使用示例
|
|
- 🚀 在主人的 OC 环境中部署
|
|
|
|
---
|
|
|
|
## 7. 评估框架
|
|
|
|
### 7.1 评估哲学
|
|
|
|
Alaya 的评估体系与传统信息检索（IR）或 RAG 系统有本质区别：
|
|
|
|
**传统 IR/RAG 评估**:
|
|
- 有标准答案（ground truth）
|
|
- 衡量 Precision / Recall / F1
|
|
- 目标：找到"正确"的文档
|
|
|
|
**Alaya 评估**:
|
|
- 无标准答案（记忆是涌现的）
|
|
- 衡量"记忆对 agent 行为的改善程度"
|
|
- 目标：让 agent 因为"记住了"而做出更好的决策
|
|
|
|
**类比认知心理学**:
|
|
- 不是测"能背多少知识点"（死记硬背）
|
|
- 而是测"记忆是否帮助做出更好决策"（活学活用）
|
|
|
|
**佛学视角**:
|
|
- 最终衡量标准是"**因为记住了,少受了多少苦**"
|
|
- 苦 = 重复犯错、低效决策、遗忘重要上下文
|
|
- 评估的是记忆系统对"减少痛苦"的贡献
|
|
|
|
### 7.2 三层评估指标
|
|
|
|
#### L1 唤醒质量（能不能找到）
|
|
|
|
衡量向量检索和冷热分层的效果：
|
|
|
|
| 指标 | 定义 | 目标值 |
|
|
|------|------|--------|
|
|
| **Recall@K** | 相关卡片是否出现在 top K | R@5 > 0.8 |
|
|
| **Latency** | 查询响应时间 | p95 < 100ms |
|
|
| **Temperature Accuracy** | 高频卡片是否在 HOT tier | > 0.9 |
|
|
| **HOT Tier Hit Rate** | 查询命中 HOT tier 的比例 | > 0.85 |
|
|
|
|
**计算方法**:
|
|
```python
|
|
# Recall@K: 相关卡片在 top K 的比例
|
|
relevant_in_top_k = len(set(relevant_cards) & set(top_k_results))
|
|
recall_at_k = relevant_in_top_k / len(relevant_cards)
|
|
|
|
# Temperature Accuracy: 高频卡片在 HOT tier 的比例
|
|
high_freq_cards = [c for c in cards if c.access_count > 10]
|
|
in_hot = [c for c in high_freq_cards if c.tier == 'HOT']
|
|
temp_accuracy = len(in_hot) / len(high_freq_cards)
|
|
```
|
|
|
|
#### L2 联想质量（路走对了没有）
|
|
|
|
衡量知识图谱的质量和图遍历的有效性：
|
|
|
|
| 指标 | 定义 | 目标值 |
|
|
|------|------|--------|
|
|
| **Graph Gain** | 图遍历比纯向量多找到的增量 | > 1.3 |
|
|
| **Relation Precision** | 指定关系返回的结果是否真满足该关系 | > 0.85 |
|
|
| **Navigation Efficiency** | Agent 平均几轮 recall 到达目标 | < 2.5 轮 |
|
|
| **Relation Embedding Quality** | 关系聚类的 silhouette score | > 0.6 |
|
|
|
|
**Graph Gain 计算**:
|
|
```python
|
|
# 对比同一查询的两种策略
|
|
recall_vector_only = alaya.recall(query, graph_expand=False)
|
|
recall_with_graph = alaya.recall(query, graph_expand=True)
|
|
|
|
# 增量比例
|
|
graph_gain = len(recall_with_graph.results) / len(recall_vector_only.results)
|
|
# 期望: graph_gain > 1.3 (图遍历能多找到 30%+ 相关卡片)
|
|
```
|
|
|
|
**Relation Precision**:
|
|
```python
|
|
# 对于指定关系的查询
|
|
results = alaya.recall(concepts=["A"], relations=["CAUSED_BY"])
|
|
|
|
# 人工/LLM 判断返回的卡片是否真的满足 CAUSED_BY 关系
|
|
correct = sum(1 for r in results if judge(r, "CAUSED_BY"))
|
|
relation_precision = correct / len(results)
|
|
```
|
|
|
|
**Navigation Efficiency**:
|
|
- Agent 从查询到找到满意结果的 recall 调用次数
|
|
- 优秀: 1-2 轮（直接命中或 1 次扩展）
|
|
- 可接受: 2-3 轮
|
|
- 差: > 3 轮（说明图结构或启发式距离有问题）
|
|
|
|
**Relation Embedding Quality**:
|
|
```python
|
|
from sklearn.metrics import silhouette_score
|
|
from sklearn.cluster import KMeans
|
|
|
|
# 对关系 embeddings 做聚类
|
|
relation_vecs = [r.vector for r in relation_embeddings]
|
|
labels = KMeans(n_clusters=10).fit_predict(relation_vecs)
|
|
|
|
# Silhouette score: -1 到 1, 越高越好
|
|
score = silhouette_score(relation_vecs, labels)
|
|
# 目标: > 0.6 (说明关系类型区分度高)
|
|
```
|
|
|
|
#### L3 行为改善（用了之后 agent 变好了没有）
|
|
|
|
终极指标：记忆是否真的改善了 agent 的行为？
|
|
|
|
| 指标 | 定义 | 目标值 |
|
|
|------|------|--------|
|
|
| **Error Avoidance** | 同样的坑是否不再踩（A/B 对比） | 减少 > 50% |
|
|
| **Decision Quality** | LLM-as-judge 评分 | 提升 > 0.2 |
|
|
| **Context Efficiency** | Token 消耗和工具调用次数 | 减少 > 30% |
|
|
| **Forgetting Quality** | 遗忘后悔率（被遗忘后又需要的比例） | < 0.1 |
|
|
|
|
**Error Avoidance（A/B 测试）**:
|
|
```python
|
|
# 对比两组 agent:
|
|
# Group A: 有 Alaya 记忆
|
|
# Group B: 无 Alaya（或清空记忆）
|
|
|
|
# 同一批任务（如部署、配置变更）
|
|
tasks = load_test_tasks()
|
|
|
|
errors_with_memory = run_tasks(tasks, agent_with_alaya)
|
|
errors_without_memory = run_tasks(tasks, agent_baseline)
|
|
|
|
error_reduction = 1 - (errors_with_memory / errors_without_memory)
|
|
# 目标: > 0.5 (减少 50% 重复错误)
|
|
```
|
|
|
|
**Decision Quality（LLM-as-judge）**:
|
|
```python
|
|
# 对同一问题，对比有/无记忆时的回答
|
|
question = "如何避免 Docker 部署时的端口冲突？"
|
|
|
|
answer_with_memory = agent_with_alaya.answer(question)
|
|
answer_without_memory = agent_baseline.answer(question)
|
|
|
|
# LLM judge 评分（1-5）
|
|
score_with = llm_judge(question, answer_with_memory)
|
|
score_without = llm_judge(question, answer_without_memory)
|
|
|
|
quality_gain = score_with - score_without
|
|
# 目标: > 0.2 (评分提升 > 0.2 分)
|
|
```
|
|
|
|
**Context Efficiency**:
|
|
```python
|
|
# 完成同一任务的资源消耗
|
|
task = "部署新版本并验证"
|
|
|
|
metrics_with = {
|
|
'tokens': agent_with_alaya.execute(task).token_count,
|
|
'tool_calls': agent_with_alaya.execute(task).tool_call_count,
|
|
'time': agent_with_alaya.execute(task).duration_ms
|
|
}
|
|
|
|
metrics_without = {
|
|
'tokens': agent_baseline.execute(task).token_count,
|
|
'tool_calls': agent_baseline.execute(task).tool_call_count,
|
|
'time': agent_baseline.execute(task).duration_ms
|
|
}
|
|
|
|
efficiency_gain = {
|
|
'tokens': 1 - (metrics_with['tokens'] / metrics_without['tokens']),
|
|
'tool_calls': 1 - (metrics_with['tool_calls'] / metrics_without['tool_calls'])
|
|
}
|
|
# 目标: tokens 减少 > 30%, tool_calls 减少 > 30%
|
|
```
|
|
|
|
**Forgetting Quality（遗忘后悔率）**:
|
|
```python
|
|
# 被遗忘的卡片（从 COLD 删除）
|
|
forgotten_cards = get_deleted_cards_in_last_month()
|
|
|
|
# 遗忘后又被需要的（recall 时搜不到，但应该有）
|
|
regretted = []
|
|
for card in forgotten_cards:
|
|
# 模拟：如果没删除，会不会被召回？
|
|
if would_have_been_recalled(card):
|
|
regretted.append(card)
|
|
|
|
regret_rate = len(regretted) / len(forgotten_cards)
|
|
# 目标: < 0.1 (90% 的遗忘决策是正确的)
|
|
```
|
|
|
|
### 7.3 评估数据集生成
|
|
|
|
#### 核心思路：用长篇小说生成 eval 数据集
|
|
|
|
**为什么小说比真实 session logs 更适合**:
|
|
|
|
| 维度 | Session Logs | 小说文本 |
|
|
|------|-------------|---------|
|
|
| Ground Truth | ❌ 难以定义"正确答案" | ✅ 原文就是答案 |
|
|
| 关系丰富度 | ⚠️ 取决于实际对话 | ✅ 因果、时序、矛盾天然存在 |
|
|
| 规模可控 | ❌ 需积累大量真实数据 | ✅ 选择章节数量即可 |
|
|
| 可复现性 | ❌ 每次对话不同 | ✅ 固定文本，结果稳定 |
|
|
| 隐私问题 | ⚠️ 可能包含敏感信息 | ✅ 公开文本，无隐私风险 |
|
|
|
|
#### 数据集生成流程
|
|
|
|
```
|
|
┌─────────────────────────────────────────────────┐
|
|
│ 1. 章节切分 → 模拟 Sessions │
|
|
│ - 每章 = 一个 session │
|
|
│ - 保留章节标题和内容 │
|
|
└─────────────┬───────────────────────────────────┘
|
|
↓
|
|
┌─────────────────────────────────────────────────┐
|
|
│ 2. Alaya Ingest + Distill │
|
|
│ - alaya ingest chapter-01.json │
|
|
│ - alaya distill --session chapter-01 │
|
|
│ - 生成 Cards + Links │
|
|
└─────────────┬───────────────────────────────────┘
|
|
↓
|
|
┌─────────────────────────────────────────────────┐
|
|
│ 3. AI 生成 QA 对（按规则） │
|
|
│ - 基于 Cards 和原文生成查询 │
|
|
│ - 标注期望召回的卡片 ID │
|
|
└─────────────┬───────────────────────────────────┘
|
|
↓
|
|
┌─────────────────────────────────────────────────┐
|
|
│ 4. 输出数据集 │
|
|
│ novel-santi.json │
|
|
└─────────────────────────────────────────────────┘
|
|
```
|
|
|
|
#### QA 类型（6 种）
|
|
|
|
| 类型 | 描述 | 示例 | 难度 |
|
|
|------|------|------|------|
|
|
| **CONCEPT_RECALL** | 给定关键词，期望召回哪些片段 | "三体游戏" → 相关卡片 | Easy |
|
|
| **CAUSAL_TRACE** | 给定事件，沿因果链追溯 | "叶文洁发射信号" → "为什么她这么做？" | Medium |
|
|
| **SIMILAR_FIND** | 给定模式，联想相似模式 | "科学家自杀" → 其他类似事件 | Medium |
|
|
| **TEMPORAL_ORDER** | 验证时序关系 | "事件 A 在事件 B 之前发生吗？" | Easy |
|
|
| **CONTRADICTION** | 找矛盾观点 | "汪淼对三体的态度变化" | Hard |
|
|
| **NAVIGATION** | 从节点 A 到节点 B 的路径 | 从"红岸基地"导航到"三体文明" | Hard |
|
|
|
|
#### QA 生成 Prompt 设计
|
|
|
|
**System Prompt**:
|
|
```
|
|
你是一个评估数据集生成专家，负责从小说文本和 Alaya 生成的知识卡片中创建测试 QA 对。
|
|
|
|
输入：
|
|
1. 原始小说章节文本
|
|
2. Alaya distill 生成的 Cards（包含 ID、标题、内容、关系）
|
|
|
|
任务：
|
|
为以下 6 种查询类型各生成 5-10 个 QA 对：
|
|
- CONCEPT_RECALL: 关键词召回
|
|
- CAUSAL_TRACE: 因果追溯
|
|
- SIMILAR_FIND: 相似联想
|
|
- TEMPORAL_ORDER: 时序验证
|
|
- CONTRADICTION: 矛盾发现
|
|
- NAVIGATION: 路径导航
|
|
|
|
输出格式（JSON）：
|
|
{
|
|
"qa_pairs": [
|
|
{
|
|
"type": "CONCEPT_RECALL",
|
|
"query": "三体游戏",
|
|
"expected_cards": ["card-abc", "card-def"],
|
|
"difficulty": "easy",
|
|
"explanation": "为什么这些卡片应该被召回"
|
|
},
|
|
{
|
|
"type": "CAUSAL_TRACE",
|
|
"query": "叶文洁为什么发射信号？",
|
|
"expected_cards": ["card-xyz"],
|
|
"expected_relations": ["CAUSED_BY"],
|
|
"difficulty": "medium",
|
|
"explanation": "需要沿因果链追溯"
|
|
},
|
|
...
|
|
]
|
|
}
|
|
|
|
要求：
|
|
1. 查询应自然（像真实 agent 会问的）
|
|
2. 难度分布：Easy 40%, Medium 40%, Hard 20%
|
|
3. 每个 QA 对必须可验证（有明确的期望结果）
|
|
4. 避免过于简单的查询（如直接复制卡片标题）
|
|
```
|
|
|
|
**User Prompt**:
|
|
```
|
|
章节: 《三体》第一部 - 第 1-5 章
|
|
|
|
=== 原文摘要 ===
|
|
{chapter_summary}
|
|
|
|
=== Alaya Cards（已提炼）===
|
|
{cards_json}
|
|
|
|
=== 任务 ===
|
|
为这 5 章生成 30-50 个 QA 对，覆盖所有 6 种类型。
|
|
```
|
|
|
|
**输出示例**:
|
|
```json
|
|
{
|
|
"qa_pairs": [
|
|
{
|
|
"type": "CONCEPT_RECALL",
|
|
"query": "红岸基地的用途",
|
|
"expected_cards": ["card-001", "card-003"],
|
|
"difficulty": "easy",
|
|
"explanation": "两张卡片分别描述了红岸基地的表面用途和真实用途"
|
|
},
|
|
{
|
|
"type": "CAUSAL_TRACE",
|
|
"query": "叶文洁失去对人类信心的原因",
|
|
"expected_cards": ["card-007", "card-012"],
|
|
"expected_relations": ["CAUSED_BY"],
|
|
"difficulty": "medium",
|
|
"explanation": "需要追溯到文革经历 → 父亲被害 → 对人性失望"
|
|
},
|
|
{
|
|
"type": "NAVIGATION",
|
|
"query": "从'红岸基地'导航到'三体文明接收信号'",
|
|
"expected_path": ["card-001", "card-005", "card-009"],
|
|
"difficulty": "hard",
|
|
"explanation": "需要经过：红岸基地 → 叶文洁发射 → 信号被接收"
|
|
}
|
|
]
|
|
}
|
|
```
|
|
|
|
#### 难度分级
|
|
|
|
| 难度 | 定义 | 示例 | 占比 |
|
|
|------|------|------|------|
|
|
| **Easy** | 单概念召回，无需图遍历 | "三体游戏" → 相关卡片 | 40% |
|
|
| **Medium** | 跨关系查询，需要图遍历（1-2 hop） | 因果追溯、相似联想 | 40% |
|
|
| **Hard** | 多轮导航，需要 agent 自主探索（2+ hop） | 复杂路径、矛盾发现 | 20% |
|
|
|
|
#### 推荐素材
|
|
|
|
| 小说 | 优势 | 适合测什么 | 预期规模 |
|
|
|------|------|-----------|---------|
|
|
| **《三体》第一部** | 因果链长、矛盾多、科幻设定复杂 | 因果追溯、矛盾发现、时序关系 | 200-300 QA |
|
|
| **《红楼梦》** | 人物关系网络复杂、场景丰富 | 关系网络、相似联想、社交图谱 | 300-400 QA |
|
|
| **技术文档** | 接近真实 agent 使用场景 | 依赖分析、概念召回、API 查询 | 100-150 QA |
|
|
|
|
**MVP 选择**:
|
|
- 《三体》第一部（前 15 章，约 15 万字）
|
|
- 生成 200-300 QA 对
|
|
- 覆盖所有 6 种类型
|
|
- 难度分布: Easy 40% / Medium 40% / Hard 20%
|
|
|
|
### 7.4 eval CLI 命令
|
|
|
|
#### 命令格式
|
|
|
|
```bash
|
|
alaya eval --dataset novel-santi.json --report [--output eval-report.json]
|
|
```
|
|
|
|
**参数**:
|
|
- `--dataset`: QA 数据集文件（JSON 格式）
|
|
- `--report`: 生成详细报告
|
|
- `--output`: 输出文件路径（默认：`~/.alaya/eval/report-{timestamp}.json`）
|
|
|
|
#### 执行流程
|
|
|
|
```
|
|
1. 加载数据集（qa_pairs）
|
|
↓
|
|
2. 对每个 QA 对：
|
|
- 执行 recall（记录 latency）
|
|
- 检查 expected_cards 是否在结果中（计算 Recall@K）
|
|
- 对于 CAUSAL_TRACE/NAVIGATION，验证关系路径
|
|
- 记录 HOT/WARM/COLD tier 命中情况
|
|
↓
|
|
3. 汇总统计：
|
|
- L1 指标（Recall@K, Latency, Tier Hit Rate）
|
|
- L2 指标（Graph Gain, Relation Precision, Navigation Efficiency）
|
|
- 按难度/类型分组统计
|
|
↓
|
|
4. 生成报告（JSON + 终端输出）
|
|
```
|
|
|
|
#### 输出示例
|
|
|
|
**终端输出**:
|
|
```
|
|
🧪 Evaluating Alaya with dataset: novel-santi.json
|
|
Total QA pairs: 247
|
|
|
|
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
|
|
L1 唤醒质量
|
|
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
|
|
Recall@5: 0.847 ✓ (target: >0.8)
|
|
Recall@10: 0.921
|
|
Latency (p50): 67ms ✓ (target: <100ms)
|
|
Latency (p95): 142ms ✗ (target: <100ms)
|
|
Temp Accuracy: 0.912 ✓ (target: >0.9)
|
|
HOT Tier Hit Rate: 0.878 ✓ (target: >0.85)
|
|
|
|
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
|
|
L2 联想质量
|
|
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
|
|
Graph Gain: 1.42 ✓ (target: >1.3)
|
|
Relation Precision:
|
|
CAUSED_BY: 0.89 ✓
|
|
DEPENDS_ON: 0.82 ✗ (target: >0.85)
|
|
SIMILAR_TO: 0.91 ✓
|
|
Overall: 0.87 ✓
|
|
Navigation Efficiency:
|
|
Avg rounds: 2.1 ✓ (target: <2.5)
|
|
Success rate: 0.84 (84% 找到目标)
|
|
|
|
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
|
|
按查询类型分解
|
|
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
|
|
CONCEPT_RECALL (98 pairs): R@5=0.93, Latency=58ms
|
|
CAUSAL_TRACE (52 pairs): R@5=0.81, Graph Gain=1.52
|
|
SIMILAR_FIND (45 pairs): R@5=0.79, Graph Gain=1.38
|
|
TEMPORAL_ORDER (21 pairs): R@5=0.91, Relation Prec=0.88
|
|
CONTRADICTION (18 pairs): R@5=0.72, Nav Rounds=2.8
|
|
NAVIGATION (13 pairs): Success=0.77, Nav Rounds=3.1
|
|
|
|
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
|
|
按难度分解
|
|
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
|
|
Easy (99 pairs): R@5=0.94, Latency=61ms
|
|
Medium (98 pairs): R@5=0.83, Latency=72ms, Graph Gain=1.45
|
|
Hard (50 pairs): R@5=0.76, Nav Rounds=3.0
|
|
|
|
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
|
|
问题卡片（R@5 < 0.6）
|
|
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
|
|
[NAVIGATION] "从'科学边界'到'三体入侵决策'"
|
|
→ R@5=0.4, 期望路径未找到
|
|
→ 建议：增强 TEMPORAL_NEXT 关系
|
|
|
|
[CONTRADICTION] "汪淼对三体态度的矛盾"
|
|
→ R@5=0.5, 遗漏关键卡片 card-087
|
|
→ 建议：检查 embedding 质量
|
|
|
|
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
|
|
总结
|
|
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
|
|
Overall Score: 0.847 / 1.0 (B+)
|
|
Passed: 8 / 11 metrics
|
|
|
|
Top Issues:
|
|
1. Latency p95 超标 (142ms > 100ms) → 优化 WARM tier 加载
|
|
2. DEPENDS_ON 关系精度偏低 (0.82) → review distill prompt
|
|
3. Hard 难度 Navigation 成功率低 (0.76) → 改进启发式距离
|
|
|
|
Next Steps:
|
|
- 优化 WARM tier 索引（目标 p95 < 100ms）
|
|
- 增强 distill 对 DEPENDS_ON 关系的识别
|
|
- 考虑引入 A* 搜索优化导航路径
|
|
|
|
Report saved to: ~/.alaya/eval/report-20260331-082900.json
|
|
```
|
|
|
|
**JSON 报告结构**:
|
|
```json
|
|
{
|
|
"meta": {
|
|
"dataset": "novel-santi.json",
|
|
"total_qa": 247,
|
|
"timestamp": 1743403740000,
|
|
"alaya_version": "1.0.0"
|
|
},
|
|
"l1_metrics": {
|
|
"recall_at_5": 0.847,
|
|
"recall_at_10": 0.921,
|
|
"latency_p50": 67,
|
|
"latency_p95": 142,
|
|
"temp_accuracy": 0.912,
|
|
"hot_tier_hit_rate": 0.878
|
|
},
|
|
"l2_metrics": {
|
|
"graph_gain": 1.42,
|
|
"relation_precision": {
|
|
"CAUSED_BY": 0.89,
|
|
"DEPENDS_ON": 0.82,
|
|
"SIMILAR_TO": 0.91,
|
|
"overall": 0.87
|
|
},
|
|
"navigation_efficiency": {
|
|
"avg_rounds": 2.1,
|
|
"success_rate": 0.84
|
|
}
|
|
},
|
|
"by_type": { ... },
|
|
"by_difficulty": { ... },
|
|
"failed_cases": [ ... ],
|
|
"recommendations": [ ... ]
|
|
}
|
|
```
|
|
|
|
### 7.5 自动化数据采集
|
|
|
|
**设计理念**: 大部分评估指标不需要额外标注，从 agent 自然使用行为中自动采集。
|
|
|
|
#### 自动采集指标
|
|
|
|
| 指标 | 采集方式 | 数据来源 |
|
|
|------|---------|---------|
|
|
| **Recall@K** | 每次 recall 记录 query + results + ranking | `alaya recall` 调用日志 |
|
|
| **Latency** | 记录每次 recall 的响应时间 | `alaya recall` 内部计时 |
|
|
| **HOT Tier Hit Rate** | 统计结果中 HOT/WARM/COLD 分布 | L1 embedding 表的 tier 字段 |
|
|
| **Graph Gain** | 对比有/无 graph_expand 的结果差异 | A/B 采样（10% 关闭图遍历） |
|
|
| **Navigation Efficiency** | 记录 agent 完成任务的 recall 轮数 | Session 日志分析 |
|
|
| **Error Avoidance** | 检测相同错误模式是否重复出现 | 对比历史 session 的错误类型 |
|
|
| **Context Efficiency** | 记录每次任务的 token 消耗和工具调用 | Session metadata |
|
|
|
|
#### 采集实现
|
|
|
|
**在 recall 时自动记录**:
|
|
```typescript
|
|
// alaya/src/core/recall.ts
|
|
export async function recall(query: RecallQuery): Promise<RecallResult> {
|
|
const start = Date.now();
|
|
|
|
// 执行检索
|
|
const results = await performRecall(query);
|
|
|
|
// 记录日志
|
|
await logRecallEvent({
|
|
timestamp: Date.now(),
|
|
query,
|
|
results: results.map(r => r.card_id),
|
|
latency: Date.now() - start,
|
|
tier_distribution: {
|
|
hot: results.filter(r => r.tier === 'HOT').length,
|
|
warm: results.filter(r => r.tier === 'WARM').length,
|
|
cold: results.filter(r => r.tier === 'COLD').length,
|
|
},
|
|
graph_expanded: query.graph_expand ?? true
|
|
});
|
|
|
|
return results;
|
|
}
|
|
```
|
|
|
|
**定期生成无标注 eval 报告**:
|
|
```bash
|
|
# 每周自动运行
|
|
alaya eval --auto-generated --days 7 --report
|
|
|
|
# 基于过去 7 天的真实 recall 日志生成评估报告
|
|
# 不需要 ground truth，只看趋势变化
|
|
```
|
|
|
|
**输出示例**:
|
|
```
|
|
📊 Auto-Generated Eval Report (2026-03-24 to 2026-03-31)
|
|
|
|
Recall Performance Trend:
|
|
Latency p95: 138ms → 142ms ⚠️ (+2.9%, 可能需要优化)
|
|
HOT Hit Rate: 0.891 → 0.878 ⚠️ (-1.5%, 检查温度计算)
|
|
|
|
Graph Usage:
|
|
Graph Gain: 1.38 → 1.42 ✓ (图谱质量提升)
|
|
Avg Expand: 1.2 hops (稳定)
|
|
|
|
Agent Behavior:
|
|
Avg Recall/Session: 2.3 → 2.1 ✓ (效率提升)
|
|
Repeat Errors: 12 → 8 ✓ (减少 33%)
|
|
|
|
Top Missed Queries (没找到期望结果的):
|
|
1. "Docker volume 挂载权限问题" (5 次失败)
|
|
2. "Nginx 反向代理 WebSocket" (3 次失败)
|
|
→ 建议：检查是否缺少相关卡片
|
|
```
|
|
|
|
#### 唯一需要人工标注的：Ground Truth 基准集
|
|
|
|
对于新部署或定期校准，需要少量人工标注的基准集（~50-100 QA 对）：
|
|
|
|
**半自动化流程**:
|
|
```
|
|
1. 从真实 recall 日志中采样高频查询（top 100）
|
|
↓
|
|
2. LLM-as-judge 自动标注期望结果
|
|
↓
|
|
3. 人工 review 10-20% 的标注结果
|
|
↓
|
|
4. 生成 ground-truth.json（作为定期校准基准）
|
|
```
|
|
|
|
**LLM-as-judge Prompt**:
|
|
```
|
|
给定查询和 Alaya 返回的 top 10 结果，判断哪些卡片是相关的。
|
|
|
|
查询: "Gateway 重启前如何通知用户？"
|
|
|
|
返回结果:
|
|
1. card-abc: "Telegram 消息通知机制"
|
|
2. card-def: "Gateway plugins.allow 配置"
|
|
3. card-ghi: "服务零停机部署模式"
|
|
...
|
|
|
|
任务: 判断每个卡片的相关性（relevant / partially_relevant / not_relevant）
|
|
|
|
输出格式:
|
|
{
|
|
"relevant": ["card-abc", "card-ghi"],
|
|
"partially_relevant": ["card-def"],
|
|
"not_relevant": [...]
|
|
}
|
|
```
|
|
|
|
**人工校准**:
|
|
- 每月 review 20 个 LLM 标注结果
|
|
- 发现错误 → 更新 judge prompt → 重新标注
|
|
- 逐步提升自动标注质量
|
|
|
|
---
|
|
|
|
## 8. 技术细节与风险
|
|
|
|
### 7.1 LLM 调用成本控制
|
|
|
|
**问题**: Distill 过程频繁调用 LLM，可能产生高额费用
|
|
|
|
**解决方案**:
|
|
1. **批量处理**: 一次 distill 处理多个 sessions
|
|
2. **缓存机制**: 相同 session 内容不重复 distill
|
|
3. **增量模式**: 只处理新增的 turns（对于长 session）
|
|
4. **质量阈值**: 只对"有价值"的 session 做 distill（基于 token 数、工具调用等启发式规则）
|
|
|
|
### 7.2 Embedding 生成效率
|
|
|
|
**问题**: 为 8000+ 卡片生成 embeddings 耗时较长
|
|
|
|
**解决方案**:
|
|
1. **批量 API 调用**: 每次请求 100 条（SiliconFlow 支持）
|
|
2. **异步队列**: 使用 p-queue 限制并发数（避免 rate limit）
|
|
3. **渐进式索引**: 先处理 HOT tier，WARM tier 可延后
|
|
|
|
### 7.3 Graph DB 查询性能
|
|
|
|
**问题**: 复杂 Cypher 查询可能很慢
|
|
|
|
**解决方案**:
|
|
1. **索引优化**: 在 `Card.id`, `Card.type`, `Card.temperature` 上建索引
|
|
2. **限制遍历深度**: Graph traversal 最多 2-hop
|
|
3. **缓存热门路径**: 对高频查询结果做 TTL 缓存
|
|
|
|
### 7.4 数据一致性
|
|
|
|
**问题**: L1/L2/L3 之间可能不同步
|
|
|
|
**解决方案**:
|
|
1. **写入顺序**: L3 → L2 → L1（出错时从 L3 重建）
|
|
2. **校验命令**: `alaya verify`（检查三层数据一致性）
|
|
3. **修复工具**: `alaya rebuild-l1` 从 L2 重新生成 embeddings
|
|
|
|
---
|
|
|
|
## 9. 配置参考
|
|
|
|
### 8.1 完整配置文件
|
|
|
|
**~/.alaya/config.json**:
|
|
```json
|
|
{
|
|
"version": "1.0",
|
|
"data_dir": "~/.alaya",
|
|
|
|
"embedding": {
|
|
"provider": "siliconflow",
|
|
"model": "BAAI/bge-large-zh-v1.5",
|
|
"dimensions": 1024,
|
|
"api_key_env": "SILICONFLOW_API_KEY",
|
|
"batch_size": 100,
|
|
"max_concurrency": 5
|
|
},
|
|
|
|
"temperature": {
|
|
"hot_threshold": 0.7,
|
|
"warm_threshold": 0.3,
|
|
"cold_days": 30,
|
|
"hot_limit": 5000,
|
|
"warm_limit": 20000,
|
|
"recency_decay": 30,
|
|
"frequency_cap": 20
|
|
},
|
|
|
|
"distill": {
|
|
"llm_provider": "openai",
|
|
"model": "gpt-4o",
|
|
"prompt_template": "~/.alaya/prompts/distill.txt",
|
|
"min_session_tokens": 200,
|
|
"max_cards_per_session": 10,
|
|
"auto_distill": true
|
|
},
|
|
|
|
"recall": {
|
|
"vector_top_k": 20,
|
|
"graph_expand_depth": 1,
|
|
"min_similarity": 0.6,
|
|
"max_results": 10
|
|
},
|
|
|
|
"introspect": {
|
|
"schedule": "0 */4 * * *",
|
|
"consolidate_threshold": 0.95,
|
|
"forget_threshold": 0.1,
|
|
"forget_days": 90
|
|
},
|
|
|
|
"logging": {
|
|
"level": "info",
|
|
"file": "~/.alaya/logs/alaya.log"
|
|
}
|
|
}
|
|
```
|
|
|
|
---
|
|
|
|
## 10. 总结
|
|
|
|
Alaya 通过三层架构（L3 沉淀 → L2 联想 → L1 唤醒），将 AI Agent 的"业"（raw logs）转化为"识"（可复用的知识网络）。
|
|
|
|
**核心价值**:
|
|
1. **语义检索**: 从意象快速激活相关记忆
|
|
2. **关联推理**: 通过图谱发现知识之间的隐含关系
|
|
3. **冷热分层**: 优化内存和查询效率
|
|
4. **自动整理**: introspect 定期合并、降温、遗忘
|
|
|
|
**实施路径**:
|
|
- Phase 1 (MVP): 核心功能验证
|
|
- Phase 2: 完整三层架构
|
|
- Phase 3: 冷热分层与自动整理
|
|
- Phase 4: 生产优化与生态集成
|
|
|
|
**技术栈**:
|
|
- L1: LanceDB (embedding)
|
|
- L2: Kuzu (graph)
|
|
- L3: File system (raw storage)
|
|
- Node.js + TypeScript
|
|
|
|
**下一步**: 主人 review 本文档后，进入 Phase 1 开发。
|
|
|
|
---
|
|
|
|
_"业不唐捐，识自流转。" — 愿 Alaya 成为 Agent 的长久记忆。_
|