Akasha：不是检索过去，而是让过去在此刻发光

面向个人 agent 的记忆系统，现在大多走错了路。

错不在它们用了 embedding，也不在它们用了向量库。 错在它们把检索误认成了记忆。

检索问的是：

哪段旧文本，和现在这句话最像？

但记忆问的是另一件事：

此刻，哪一段过去应该被轻轻推到意识边缘，帮助我继续理解这个人？

这两个问题看起来很近，实际上隔着一整片海。

你说：

昨天在和 limboo 玩杀戮尖塔。

普通向量库会还给你更多“杀戮尖塔”的说法： 杀戮尖塔、Slay the Spire、卡组、爬塔、机器人、战士。

这不算错。 只是太浅。

真正的个人记忆不应该只想起词。 它应该想起关系。

它应该知道： limboo 不只是一个字符串。 limboo 和你一起玩过杀戮尖塔。 你是亡灵契约师，limboo 是战士。 你们和舍友联机。 你们都玩机器人。 有些记忆单看并不像“杀戮尖塔”，但在人生里，它们就是同一片夜空里的星。

这就是 Akasha 要做的事。

Akasha 不是一个更大的向量库。 它是一张会随着对话生长的私人星图。

在这张星图里，每一句话都是星。 每一次共同被想起，星与星之间就多一条微弱的光线。 那些后来反复被当下照亮的线，会越来越清晰。 那些只因偶然擦肩而亮过一次的线，会慢慢退回夜色。

所以 Akasha 的核心不是“存储”。 它的核心是两句话：

The message is the only truth.To remember is to recommend.

消息即唯一真相。 记忆即推荐。

Akasha 不替你总结人生。 它只守着你真正说过的话，让那些被时间反复需要的东西，自己长成记忆。

---

一、为什么现有 memory 不是 memory

现在很多 agent memory，本质上仍然是问答系统的尾巴。

它们先把对话提炼成几条“用户画像”：

用户喜欢咖啡。 用户住在东京。 用户有一个朋友叫 limboo。 用户最近手指受伤。

然后等你下次问相关问题，再把这些条目检索回来。

这叫资料库。 不叫记忆。

资料库是死的。 记忆是活的。

资料库等你问。 记忆会在你还没有完全说出口的时候，主动把一段过去推到你面前。

更致命的是，很多系统从写入第一刻就犯错：它们急着判断什么重要。

它们用使用次数判断重要。 于是“你好”“晚安”“在吗”“查天气”这种高频废话，被系统当成重中之重。

它们用最近出现判断重要。 于是今天一句无聊闲话，可以把上个月真正重要的事顶掉。

它们让 LLM 给重要性打分。 于是模型根据“看起来重要”来猜，而不是根据“对你这个人真的重要”来生长。

这三种方法看起来不同，病根是同一个：

它们都把重要性当成一个可以在写入时贴上的标签。

但个人记忆不是这样工作的。

一个名字第一次出现时，它可能只是一个名字。 十几次之后，它成了朋友、游戏、深夜、争吵、联机、某种只有你们之间才懂的语气。

一件事第一次说出时，它可能只是一个事实。 几天之后，它和疼痛、药、医院、担心、恢复、再次询问，织成一段 episode。

重要性不是被授予的。重要性是被照亮的。

一条记忆不是因为系统宣布它重要，所以重要。 它是因为后来一次又一次在合适的语境中被需要，才慢慢有了亮度。

这就是 Akasha 的第一条原则：

重要性不是标签，而是光度。记忆不是买断，而是回声。遗忘不是删除，而是光慢慢暗下去。

---

二、先用一张图理解 Akasha

为了更容易理解，可以先把 Akasha 想成一座夜里的私人天文台。

Akasha 里的东西	可以想成什么	它真正做什么
原始消息	星体本身	你真正说过的话，不改写，不总结
node	星图上的一颗星	一轮 user + assistant 对话的索引点
embedding	星的位置	用来找“语义相似”的过去
FTS / IDF	星名索引	用来抓 limboo 这种稀有专名
salience	初生亮度	这句话和日常背景有多不一样
strength	长时光度	这颗星在长期记忆里有多能发光
resource	短时体力	刚被用过的星，暂时不要反复霸屏
edge	星座连线	两颗星过去是否经常一起被想起
direct	左眼	看见“相似文本”
ripple	右眼	看见“不相似但相关”的联想
score	此刻亮度	这条记忆现在该不该浮上来
top-8 activation	被真正看见的星	只有它们会参与学习，织进未来

这张表就是整套系统的缩略图。

Akasha 的记忆不是一条条 fact。 它是：

原始消息不动； 在原始消息之上建索引； 在索引之间长出边； 让边和节点随时间变亮或变暗； 每次 query 进来时，重新结算此刻哪几颗星应该被照亮； 再把这次照亮的结果写回星图，成为明天的路。

这就是它和普通向量库的根本差别。

向量库只问“像不像”。 Akasha 还问：

它们过去是否一起出现过？ 这件事是否偏离你的日常？ 这条记忆是否长期被真正需要？ 它是不是刚刚被用过，需要暂时退后？ 它是不是一个到处乱连的 hub，需要被压住？ 此刻把它交给 LLM，会不会让回答更像是发生在“我们之间”？

所以 Akasha 的召回不是 retrieval。 它更像 recommendation。

不是“我找到了你问的东西”。 而是：

我想起了一段可能应该在场的过去。

---

三、消息即唯一真相：Akasha 到底存什么

Akasha 不提炼记忆。

这是第一条铁律。

它不把你的对话总结成：

用户手指受伤，曾去医院处理。

因为这句话太干净了，干净到失真。

你真正说的可能是：

肿得厉害，去医院切开引流，塞了根引流条。

这里面有痛感，有具体动作，有“引流条”这个未来会反复被唤醒的词，有一种用户当时的身体状态。 如果把它总结成“用户手指受伤”，信息没有消失在表面上，却消失在灵魂里。

更危险的是，LLM 的总结会引入幻觉。

LLM 回答一次，可能有一层幻觉。 把对话再提炼成记忆条目，又一层。 检索时再改写 query，又一层。

一层一层叠上去，最后系统拿着一条看似整洁、其实变形过的“记忆”来理解你。 它不是忘了你。 它是记错了你。

而比忘记你更糟的，是它记得你，但记错了你。

所以 Akasha 做了一个很克制的决定：

原始消息不动。Akasha 只在原始消息之上建索引。

一轮对话，也就是一条 user 消息和紧接着的 assistant 回复，会形成一个 node。 但 node 不复制消息，不重写消息，不总结消息。 它只保存一个指针，指回宿主数据库里的原始对话。

这就是：

The message is the only truth.

这里的 truth 不是世界真相。 Akasha 不会因为你说“我发烧了”，就替世界证明你真的发烧。 它确认的是另一种更基础、更不可冒犯的真相：

你曾经在某个时刻，这样说过自己。

个人记忆首先要尊重的，不是系统的归纳能力。 而是人的原话。

---

四、在真相之上，Akasha 建三种索引

原始消息不动，但系统必须能找回它。 所以 Akasha 在原话之上建三层召回底座。

1. 向量：找语义相似

每条原始消息都会进入 embedding cache。 这是消息级粒度。

同时，一轮 user + assistant 会形成一个 turn-level node embedding。 这是轮次级粒度。

为什么要两套？

因为消息级更细，能精确命中某一句； turn 级更稳，能代表这一轮对话的整体语义。

比如你问“引流条拔出来流血怎么办”，消息级 embedding 可能精确命中“引流条”“血”“换药”； turn 级 node 则把这轮对话背后的上下文带回来。

这一路就是 direct。 它像左脑，稳定、清楚、保守。 它回答的是：

哪些旧消息和现在最像？

2. FTS + IDF：抓住稀有名字

embedding 对常见概念很强。 但对一些私人世界里的稀有词，不一定可靠。

比如：

limboo

对一个通用 embedding 模型来说，它可能只是一个怪词。 但对你来说，它是一个具体的人，一个关系节点，一个会牵出很多过去的名字。

所以 Akasha 还建了 FTS 字面索引，并用 IDF 过滤高频废词。

“在吗”“今天”“感觉”“一下”这种词，人人都说，信息量低。 “limboo”“鱼石脂”“亡灵契约师”这种词，出现少，但一出现就很可能有意义。

FTS 的职责不是替代 embedding。 它是给私人专名留一条硬路。

embedding 像听语气。 FTS 像认名字。

3. 新颖度基线：知道什么偏离日常

Akasha 还维护一个全局重心 c。 可以把它想成：

到目前为止，你所有话语的平均方向。

每条新消息进来时，系统会看它和这个平均方向有多远：

$$\sigma=\text{clamp}\big((1-\cos(v,c))\times 2,\;0,\;1\big)$$

逐个参数讲透：

• $v$：本条消息的单位向量。原始消息文本过 embedding 模型后，再做 L2 归一化得到，维度和模型输出维度一致。
• $c$：全局语义重心。增量维护的、所有历史消息单位向量的平均值，再做 L2 归一化：$c = \text{normalize}\left(\sum_{i < t} \hat{v}_i\right)$。关键的因果约束：它只累加此前的消息，不看未来——所以第一句话没有"过去"，$\sigma=0$；越偏离你此前说过的一切，$\sigma$ 越高。
• $\cos(v,c)$：$v$ 和 $c$ 的余弦相似度，范围 $[-1, 1]$。语义越接近重心，越接近 $1$；越偏离，越接近 $0$（个人语料里负相似度极少出现）。
• $\times 2$：把 $(1-\cos)$ 的范围 $[0, 1]$ 放大到 $[0, 2]$，让中等偏离也能拿到较高的 $\sigma$。
• $\text{clamp}(\cdot,\;0,\;1)$：把结果裁剪到 $[0, 1]$ 区间，防止极端值溢出。

一个节点最终取 user 和 assistant 两条消息里较大的那个 $\sigma$。

如果一句话很日常，贴近你平时说话的语义重心，salience 就低。 如果一句话明显偏离日常，比如突然说手术、医院、引流条，它就会有更高 salience。这其实就是心理学里的新异性效应（Novelty Effect / 冯·雷斯托夫效应）：人们总是更容易记住那些和周围环境截然不同、脱颖而出的东西。

基于这个 salience，节点的长期强度在诞生那一刻就有了一个中性但有区分度的起点：

$$\texttt{strength}_0 = 3.0 \times (0.70 + 0.30\sigma)$$

逐个参数：

• $3.0$：长期强度的上限设计值。所有节点 strength 永远不会超过 3.0（见后面的 bounded_add 机制），所以 $\sigma=1.0$ 时节点从满格 3.0 起步。
• $0.70 + 0.30\sigma$：基线 0.7 保证即使是完全不新颖的日常寒暄（$\sigma=0$）也有 2.1 的起步强度；新颖的事（$\sigma=1.0$）在基线之上再奖励 0.3。这个 0.7/0.3 分割是设计值，意思是"新颖度最多能贡献 30% 的起步优势"。
• $\sigma$：来自上面算出的 salience。

所以新颖的事，起步就记得更牢——$\sigma=1.0$ 时 strength 从 3.0 起步，$\sigma=0$ 时从 2.1 起步。但注意，这只是起点，不是最终判决。一条记忆未来到底重不重要，还要看它能不能在后续的召回里反复被真正需要。resource 则一律从满格 1.0 开始。

但这里要说清楚： salience 不是重要性。

它只是初生时的一点光。

Akasha 并没有在写入时宣布：

这条记忆重要。

它只是说：

这句话看起来不像日常噪音，先给它一点保护，不要让它刚出生就被夜色淹没。

于是 node 初始化时会有三个状态：

状态	含义	初始化
salience	这句话相对过往背景有多新颖	由它和全局重心的距离决定
strength	长期强度，未来会衰减	3.0 × (0.70 + 0.30σ)
resource	短期资源，防止刷屏	初始满格 1.0

这就是 Akasha 的克制：

写入时不授勋。 只给一颗星一个初生亮度。 它以后会不会成为星座，要看时间怎么照它。

---

五、边：记忆不是相似，而是共同被想起

向量库最大的盲区是： 它只能看见相似。 看不见关系。

但人的记忆里，最重要的东西往往不是“相似”，而是“相关”。

“鱼石脂”和“引流条出血”语义上不一定特别像。 一个是药，一个是医疗处理后的现象。 但在你的真实生活里，它们属于同一个手指 episode。 它们被同一段疼痛、同一段就医经历、同一段恢复过程连在一起。

“亡灵契约师”和“limboo 玩杀戮尖塔”也未必在向量空间里很近。 但如果你们反复一起聊过，它们就应该互相唤醒。

这就是 Akasha 的第二层核心：

边记录的不是相似，而是共同被想起。

一条边 A → T 的意思不是：

A 和 T 长得像。

而是：

过去某一次，当 T 出现时，A 也曾一起浮上来。

这就是稠密相似度给不出的那一维。

---

六、边怎么长出来：Hebbian / STDP

Akasha 的边不是写入时硬连的。 它们是在使用中长出来的。

一次 query 进来，系统先召回一批旧记忆。 但不是所有被看到的东西都有资格改变未来。

Akasha 只取 score 最高的 8 条作为 activation set。

为什么是 8？

因为这暗合了认知心理学里的工作记忆容量（Working Memory Capacity）——也就是著名的“7±2 法则”。人的大脑在同一时刻能同时处理和维持在意识前台的信息组块，大概也就是这个数。

更重要的是，它是一道门槛： 只有真正进入当下意识前台的记忆，才有资格参与学习。 第 9 名以后，即使被检索到了，也只是背景，不会被加固。

回答之后，Akasha 会写三类边。

1. 旧记忆 → 当前轮：因果边

如果旧记忆 A 在这次回答中被激活，而当前轮是 T，系统会写：

$$A \to T$$

含义是：

A 参与塑造了 T。 A 是这轮对话的前因之一。

增量是 $1.0 \times s_A$，逐个参数：

• $1.0$：因果边增益系数，设计值。代表”先出现的记忆更可能是后出现内容的前因”。
• $s_A$：旧记忆 A 这次召回的最终 score。来自后面第十四章的 score 公式——也就是说，判断”A 和 T 关联有多强”的那个数，正是召回时用来排序的同一个数。读和写共用同一份信号。

2. 当前轮 → 旧记忆：回指边

系统也会写：

$$T \to A$$

但这条边更弱，增量是 $0.35 \times s_A$。

• $0.35$：反因果边增益系数，设计值。
• $s_A$：同上，A 这次召回的最终 score。

因为当前轮确实可以回指旧记忆，但后发生的事不能以同等强度”预测”先发生的事。

这个 1.0 vs 0.35 的不对称，不是随便拍的数字。它借鉴了神经科学里的 STDP（脉冲时序依赖可塑性）：简单说，就是神经元激发的先后顺序，决定了连接的方向。前因导致后果，连接强；后果回指前因，连接弱。它也暗合认知心理学里的前向不对称效应（Temporal Contiguity Effect）：当你想起一件事时，你更容易顺着时间往下想，而不是往前倒推。Akasha 的 0.35 恰好落在这个区间的经验值里——保留回指能力，但把时间前向定为主干。

这很重要。

如果边是完全对称的，系统就会分不清：

拉肚子 → 吃药

和

吃药 → 拉肚子

但 episode 之所以像 episode，正是因为它有顺序。 人的记忆不是一团无向共现。 它有时间箭头。

所以 Akasha 借用了 STDP 的精神： 先出现、先被想起的东西，更像后续内容的前因。 后出现的东西可以回指过去，但不能平等地改写过去。

3. 旧记忆之间：共激活边

如果 A 和 B 在同一次召回里一起被点亮，系统还会写：

$$A \leftrightarrow B$$

增量是：

$$\sqrt{s_A s_B}$$

逐个参数：

• $\sqrt{s_A s_B}$：$s_A$ 和 $s_B$ 的几何均值。比起简单的乘积或相加，几何均值的好处是”两个都强才真的强”——一个高分一个低分的组合会被压低，避免偶然高分的记忆乱连。
• $s_A, s_B$：A 和 B 各自的召回 score。

也就是说，两条记忆越强地共同在场，它们之间的星座线就越粗。这里 $s_A$ 和 $s_B$ 分别是 A 和 B 这次召回的最终 score——得分越高的记忆，与其他高分记忆之间长出的边越粗。

这就是神经科学里著名的 Hebbian 理论（赫布定律）——简单来说就是“一起放电的神经元，会连在一起（Cells that fire together, wire together）”：

一起亮过的星，更容易在未来一起亮。

但 Akasha 又不是简单的”一起出现就永远连上”。 因为所有边都会随时间变暗。

---

七、边会变暗：星座线不是刻在石头上的

Akasha 里的边不是永久权重。 每条边都有：

当前权重 weight 上次更新时间 last_used_ts

每次读到或强化它时，先结算这段时间的衰减：

$$w_{\text{有效}}=w\cdot e^{-(t_{\text{now}}-t_{\text{last}})/14\text{天}}$$

逐个参数：

• $w$：数据库里存的原始边权（上一次更新后的值）。
• $t_{\text{now}}$：当前时间戳。
• $t_{\text{last}}$：这条边上次被更新的时间戳。
• $14\text{天}$：边的时间衰减常数，设计值。意思是如果一条边整整 14 天没被碰，有效权会掉到原值的 $e^{-1}\approx 37\%$；28 天掉到约 14%。
• $e^{-\Delta t / \tau}$：标准的指数衰减公式（完美复现了著名的艾宾浩斯遗忘曲线），$\Delta t = t_{\text{now}} - t_{\text{last}}$，$\tau=14$ 天。

然后再把这次共同激活带来的增量加上去。 增长是有上限的，越接近上限，涨得越慢——这叫有界增长（模拟了神经科学里的 LTP，长时程增强的饱和效应）：

$$\text{bounded\_add}(v,\delta,c)=v+\delta\left(1-\frac{v}{c}\right)$$

逐个参数：

• $v$：当前值（对边来说就是衰减后的 $w_{\text{有效}}$）。
• $\delta$：这次要加的增量。
• $c$：上限，$v$ 永远不会超过 $c$。越接近 $c$，实际增量越小——当 $v=c$ 时，增量为 0；当 $v=0$ 时，增量为 $\delta$。

落库时完整的写法是：

$$w \leftarrow \text{bounded\_add}\big(w\cdot e^{-(t_{\text{now}}-t_{\text{last}})/14\text{天}},\; 0.12\cdot\Delta,\; 2.0\big)$$

逐个参数：

• $\Delta$：上面三种边各自的增量（因果 $1.0·s_A$、反因果 $0.35·s_A$、共激活 $\sqrt{s_A s_B}$）。
• $0.12$：边的学习率，设计值。把每次的增量打个折，防止一次共激活就让边权爆炸——边要靠反复共激活才能慢慢长粗。
• $2.0$：边权上限，设计值。边权永远不会超过 2.0。

这非常关键。

如果没有衰减，图会越来越脏。 一次偶然的错误联想，会永远留在图里。

如果没有上限，热门节点会爆炸。 所有话题都会被少数 hub 吞掉。

如果没有使用中的强化，图又不会成长。 它只是一堆静态索引。

Akasha 同时有三件事：

会长。 会暗。 长到一定程度会慢下来。

所以它不是数据库。 它更像一个寻找平衡态的生命系统。

好的关系会因为反复被需要而变亮。 坏的巧合会因为无人再次召唤而退潮。 不是清洁工在后台删垃圾。 是时间本身在清理噪音。

---

八、时间动力学：忘记不是删除，是退到远处

Akasha 有三条时间曲线。

变量	时间常数	管什么	初始值 / 恢复方式	直觉
strength	7 天	一条记忆本身的长期光度	编码即峰值 3.0 × (0.7 + 0.3σ)，被召回时 bounded_add 抬升	不复习会淡
edge	14 天	两条记忆之间的星座线	从零开始，共激活时 bounded_add 加固，封顶 2.0	不共现会断
resource	30 分钟	刚用过的记忆是否暂时退后	满格 1.0，被取用扣 0.35 × score，指数恢复	防止刷屏

节点侧的 strength 每次被召回时，也遵循同样的有界增长逻辑：

$$\text{strength} \leftarrow \text{bounded\_add}\big(\text{strength} \cdot e^{-\Delta t/7\text{天}},\; 0.18 \cdot s,\; 3.0\big)$$

逐个参数：

• $\text{strength}$：数据库里存的节点当前 strength 值。
• $\Delta t$：距离上次被召回的时间。$t_{\text{now}} - \text{last\_recalled\_ts}$。
• $7\text{天}$：strength 的时间衰减常数，设计值。比边的 14 天快一倍——"记忆本身"比"记忆之间的关联"忘得更快。
• $0.18$：节点的学习率，设计值。比边的 0.12 大一点——节点自身的强化比边的强化稍快。
• $s$：这条记忆这次召回的最终 score。
• $3.0$：strength 上限，设计值，与初始化的上限一致。

这里的 $s$ 还是那条记忆这次召回的 score——得分越高，被加固得越多。

这三条不能合成一条。

因为”忘了””累了””不相关了”是三件完全不同的事。

一条记忆可以记得很牢，但刚刚被用过，所以暂时不要再霸屏。（这在心理学里叫返回抑制 Inhibition of Return，大脑会刻意压制刚刚关注过的信息，防止我们在同一个思路上陷入死循环。） 这叫：

strength 高，resource 低。

一条记忆本身淡了，但它还连在一个很强的 episode 簇里，所以能被边救回来。 这叫：

strength 低，edge 高。

一条记忆没有多少边，但文字上正好高度相似，所以 direct 仍然能把它捞回来。 这叫：

edge 低，dense 高。

普通系统常常把这些都压成一个”重要性分数”。 Akasha 没有这样做。

Akasha 让它们分开活着。

这使得遗忘变得非常精确：

遗忘不是把记忆从世界上抹掉。 遗忘是降低它参与未来计算的权重。

一条 strength 掉到很低的记忆，仍然在库里。 只要你某天说了非常相似的话，dense 还能把它从角落里找回来。 如果它再次被真正需要，它就会重新发光。

这很接近人的记忆。

很多事我们不是彻底忘了。 只是它不再主动走到眼前。

直到某个词、某个人、某种痛感、某个夜晚，把它重新叫醒。

---

九、为什么”使用次数”不是重要性

现有系统最容易犯的错误，就是把 recall_count 当成重要性。

但在 Akasha 里，事情恰好反过来。线上 3337 条节点的真实统计显示了一个非常漂亮的结果：

$$\text{corr}(\text{strength}, \text{recall\_count}) = -0.23$$

$$\text{corr}(\text{strength}, \text{fan}) = -0.36$$

逐个参数（这是 Pearson 积矩相关系数，范围 [-1, 1]，0 表示不相关，负号表示反相关）：

• $\text{strength}$：每个节点的当前 strength 值。
• $\text{recall\_count}$：每个节点历史上被召回的总次数。
• $\text{fan}$：每个节点的总边数。
• $-0.23$、$-0.36$：中等程度的负相关，意味着——越常被扫到、越是 hub 的节点，strength 反而越低。

也就是说，越常被扫到、越像 hub 的节点，strength 反而越低。

这不是 bug。 这是设计目标。

因为 strength 的增长不是看”被想起多少次”，而是看”每次被想起时，是不是真的被需要”——也就是 score。一个 hub 节点虽然频繁被扫到，但每次都是因为它 fan 大、边广，不是 query 真和它相关——content_base 低、每次加得少；加上它 salience 低（不偏离重心），起点就低。低起点 + 低增量 × 频繁 = 还是低。

比如：

节点	recall	fan	strength	解释
「你好啊」	101	174	0.10	经常被扫到，但几乎不真正服务当前语境
「肿得厉害，去医院切开引流，塞了根引流条」	4	28	2.31	很少出现，但每次出现都和当前问题强相关

这说明 Akasha 没有被”热闹”骗走。

“你好啊”像广场上的噪音。 它出现很多次，但没有深关系。

“引流条”像一个伤口旁边留下的路标。 它出现次数不多，但一旦出现，往往真的重要。

Akasha 学到的是：

被看见，不等于被需要。 被需要，才会变亮。

这就是个人记忆里最关键的分辨力。

---

十、召回不是查找，是一次意识的涨潮

现在我们进入 Akasha 最核心的地方：一次 query 进来，它到底怎么想起过去？

整条流程可以分成五步：

选种子 图扩散 合并候选 noisy-OR 结算 注入与写回

听起来复杂，但可以继续用星图理解。

用户当下的话，是一束光。 它先照到几颗最明显的星。 然后光沿着过去长出来的星座线扩散。 有些星本来离得很远，但因为曾经和这些星反复一起亮过，也被涟漪带亮。 最后系统把所有亮度结算成一个 score。 score 决定两件事：

这条记忆要不要交给 LLM； 回答之后，它要不要被写回图里、变得更容易在未来被想起。

这就是 Akasha 最漂亮的闭环：

读和写共用同一个 score。

判断“此刻什么相关”的那个数，也就是学习信号本身。

---

十一、Step 1：种子选择，先点亮哪几颗星

Akasha 有三路种子。

1. Dense seed：语义相似

query 向量和所有 node 算 cosine。 高于阈值的进入种子池。 如果都不够，就取 top-k 兜底。

这是最稳定的一路。 它保证系统不会飘太远。

你问“引流条”，它一定能先找到“引流条”。 你问“杀戮尖塔”，它一定能先找到“杀戮尖塔”。

这是 direct 的地板。

2. FTS seed：稀有词硬命中

如果 query 里有 limboo、鱼石脂、亡灵契约师这种词，FTS 会用字面索引把它抓回来。

这一路专门补 embedding 的盲区。

私人记忆里，名字非常重要。 朋友的名字、游戏里的职业名、药名、地点名，这些东西可能在通用语义空间里并不显眼，但在人生里，它们是门。

FTS 就是在门牌号还清楚的时候，直接按门牌找。

3. BlackHole seed：高 salience 直通

有些记忆很新颖，很偏离日常。 哪怕它和 query 的相似度没有高到普通 dense seed 的门槛，也不该轻易被埋掉。

所以 Akasha 给高 salience 记忆留了绿色通道。

这很像夜里一颗异常亮的星。 它未必离你当前看的方向最近，但它太亮了，值得被看见。

---

十二、Step 2：Direct 和 Ripple，左脑与两种右脑

Akasha 有三层意识。

Direct：左脑，精确回忆

Direct 很简单：

query 和记忆算相似度。

它不学习。 不走边。 不讲故事。 它就是最近邻。

这一路很重要，因为它提供了准确性地板。 没有 direct，系统会变成纯联想，容易发散。 有了 direct，Akasha 永远有一条回到事实的路。

Ripple 分两层右脑

Ripple 才是 Akasha 和普通向量库真正不同的地方。但右脑不是单一通道，而是两套独立机制。

近场右脑：RWR（带重启的随机游走）

它不只看"像不像"。 它把当前线索丢进 30 分钟微图，让能量在"同一段短时上下文"里竞争分配。（RWR 是推荐系统里经典的图扩散算法，它像水面上的波纹一样，把能量沿着边一层层传出去，但也随时可能被“弹回”原点，防止能量跑得太远迷失方向。）

一个节点本身好不好被点亮由「易激活度」state 决定：

$$\text{state} = \exp\!\big(1.4\,\sigma + 1.0\cdot\text{long}\big)\cdot \text{resource} \,\big/\, \sqrt{1+\text{fan}}$$

逐个参数：

• $\sigma$：节点的 salience（新颖度），来自第四章。
• $\text{long}$：归一化的 strength，把 strength 从 $[0, 3.0]$ 线性映射到 $[0, 1]$。
• $1.4$、$1.0$：增益系数，设计值。1.4 > 1.0 意味着新颖度比长期强度对易激活度的影响更大。
• $\exp(\cdot)$：指数函数，让高值的节点优势被放大——新颖又记得牢的节点，比中等的容易点亮得多。
• $\text{resource}$：节点的短期资源，$[0, 1]$，来自第四章初始化，每次被召回扣减、30 分钟恢复。
• $\text{fan}$：节点的总边数（出边+入边的度数）。
• $\div\sqrt{1+\text{fan}}$：第一道反 hub 防线——连得越杂的节点，越不容易被点亮。

于是它能找回那些：

字面不像， 向量也不够近， 但在人生里属于同一段关系的记忆。

这就是 “Ripple Activation & Recall”。

它像水面上的涟漪。 你说出一个词，第一圈波纹命中相似的记忆； 第二圈波纹沿着旧关系扩散，把那些沉在语义空间远处、却在你的人生里相邻的东西带回来。

所以当你说：

和 limboo 玩杀戮尖塔。

dense 会想起杀戮尖塔。 ripple 会想起 limboo 作为战士、你作为亡灵契约师、舍友联机、都玩机器人。

dense 找回的是文本相似。 RWR 找回的是同一段短时上下文里的生活结构。

远场右脑：graph_expand

RWR 只照亮 30 分钟窗口内的星。但人生里有些关系不受时间束缚——47 天前的一条记忆，只要边够强，照样该被想起。

graph_expand 就是干这个的。它拿 dense 种子在全图往外走一跳，不管时间远近。

它真正迷人的地方，不是能沿着一条边走到远处，而是能看见多条线索在远处汇聚。一条远处记忆如果只被一个种子弱弱地牵到，只是偶然；但如果当前 query 点亮的几颗星，都把光投向同一个远处节点，那颗节点就会突然亮起来。

这就是 Akasha 的情景补全：不是"某句话和 query 很像"，而是"许多被当前语境点亮的旧事，都在指向同一个背景"。

dense 找的是最近的星。RWR 找的是同一片夜空里的竞争。graph_expand 找的是被多条星座线共同指向的远星。

所以当你说"和 limboo 玩杀戮尖塔"：

• dense 还你"杀戮尖塔"的各种说法；
• RWR 还你"亡灵契约师 / 舍友联机 / 都玩机器人"——一整段关系；
• graph_expand 还能从 47 天外把「镜之边缘」拽回来，只因它过去反复和这段关系共同出现。

Akasha 不是"两路"，而是三层意识：左脑精确相似兜底，近场右脑在同窗口内竞争，远场右脑把全图里被多条星座线共同指向的远星拉回来。

后面你会在 querylog 里看到 source=Graph, state=0.0 的条目——state 不是"没点亮"，而是 graph_expand 不走 RWR 的 state_array，它靠另一套物理发光。

---

十三、为什么需要 graph_expand，而不是让 RWR 跑全图

Akasha 的图扩散里有一个很重要的分工：

graph_expand 负责全图一跳发现。 RWR 负责局部窗口里的微调。

这不是随便拆的。这里有三个深层的技术原因，每一个都决定了系统能不能优雅地长大。

第一，计算成本。 RWR 要建 N×N 转移矩阵、做矩阵乘、迭代。在同一个 30 分钟上下文里，微图只有几十个点，瞬时完成；但如果把 RWR 直接放到全图，几千个点的 N² 计算量会放大 2500 倍，每次 query 都跑就不再优雅。而 graph_expand 是一跳邻居遍历，复杂度只和种子的出边数有关，轻得多。

第二，数学逻辑根本不同。 RWR 是能量再分配——总能量固定、节点之间是零和竞争，适合在同一个短时语境中比较”谁更相关”。但 graph_expand 是独立打分——每个候选互不影响，适合在全图里寻找”远处但真实相关的桥”。graph_expand 给每个一跳邻居独立打分：

$$\text{score}_{\text{一跳}} = 6.0 \times \text{边信号} \times (0.25 + \cos) \times (1 + 0.15 \cdot \text{long}) \times \text{resource}$$

逐个参数：

• $6.0$：量级放大系数，设计值，把一跳的分数拉到和 direct 可比的范围。
• $\text{边信号}$：电导归一后的边权，$\displaystyle\frac{w_{\text{有效}}}{\sqrt{\text{种子出度} \cdot \text{邻居入度}}}$，范围 $[0, 1]$。但注意——这个 signal 不是来自单条边，而是所有种子投向同一颗远星的光线之和，再乘 $(1 + \log(\text{paths}))$。多颗种子共同指向的节点，会因为这个对数因子额外变亮。
• $0.25 + \cos$：即使相似度为 0，也给 0.25 的基线——保证"完全不像但强关联"的记忆也能拿到基础分。$\cos$ 是 query 和邻居节点的余弦相似度。
• $1 + 0.15 \cdot \text{long}$：长期强度增益，最牢的记忆多 15% 加成，影响温和。
• $\text{resource}$：邻居节点的短期资源，刚用过的打折。

graph_expand 的精髓不是"一条边强"，而是"多颗种子共同指向同一颗远星"。 代码里每个候选的 signal 是累加值——来自多个种子的边信号会叠加；同时 paths 计数每多一条路径就 +1，最终乘上 $(1 + \log(\text{paths}))$。这意味着：一条远处记忆如果只被一个种子弱弱地牵到，只是偶然；但如果当前 query 点亮的几颗星都把光投向它，那颗远星就会突然亮起来。这就是"星光汇聚"。

这是两种完全不同的回忆：RWR 回答”在当下这段语境里，谁最突出”；graph_expand 回答”在我整个人生里，还有什么和此刻相连”。

第三，也是最优雅的一点：局部记忆和长期联想的时间尺度不同。 RWR 局限在 30 分钟窗口里，是因为同一段对话里的边才有”此刻共在”的意义；而 graph_expand 完全不看节点时刻——47 天前的记忆，只要边够强照样能被拽回来。这正好对应了人类记忆的两层：工作记忆里的信息互相竞争，而长期记忆里的关联不受时间束缚。

RWR 像一个小房间里的注意力分配。 在同一个 30 分钟上下文里，节点之间确实可以竞争： 谁更相关，谁就拿更多能量。

但如果把 RWR 直接放到全图，问题会变得很糟。

第一，全图迭代会更贵。 局部微图几十个点，计算很轻。 全图几千个点，每次 query 都跑，就不再优雅。

第二，hub 会吸光。 “你好””今天””感觉””可以”这类节点，和太多东西有弱边。 在零和扩散里，它们会像黑洞一样吸走能量。

第三，也是最关键的： 局部记忆和长期联想的数学逻辑不同。

RWR 是能量再分配。 适合在同一个短时语境中竞争。

graph_expand 是独立打分。 适合在全图里寻找远处但真实相关的桥。

比如”鱼石脂”离”引流条出血”可能隔了好几小时，甚至不在当前 30 分钟窗口里。 RWR 看不到它。 但 graph_expand 可以沿着过去 37 轮手指就医 episode 里长出来的边，把它一跳拽回来。

这就是为什么 Akasha 不是简单地”把窗口调大”。 它是在区分两种回忆：

局部意识里的竞争。 长期星图里的联想。

---

十四、Step 3：noisy-OR，把两路证据合成此刻亮度

Direct 和 ripple 产生的是两种证据。

direct 说：

这条记忆和当前 query 文本相似。

ripple 说：

这条记忆虽然不一定相似，但它被关系图强烈带亮。

这两种证据不应该互相排斥。 任何一路强，都应该能让记忆浮上来。 两路都强，则更有把握。

所以 Akasha 用了类似 Noisy-OR 模型的思路来融合（这本来是贝叶斯网络里用来处理多个独立促成因素的模型：只要有一个原因成立，结果就容易成立）：

$$\text{content\_base} = \text{strong} + \text{weak} \cdot (1 - \text{strong})$$

其中：

$$\begin{cases} \text{ripple} = \text{current} \times 3 \times \text{state} & (\text{扩散能量——动态、会学习}) \\ \text{direct} = 0.5 \times \cos & (\text{相似度——静态、不变化}) \end{cases}$$

$\text{strong} = \max(\text{ripple}, \text{direct})$，$\text{weak} = \min(\text{ripple}, \text{direct})$。

但这里有一个隐藏的免疫设计：direct 权重不是恒定的 0.5，而是看这条候选是不是种子本身：

$$w_d = \begin{cases} 0.50 & \text{若该节点是种子（被 query 直接照亮）} \\ 0.18 & \text{若该节点是被扩散扫到的邻居} \end{cases}$$

Dense 对种子是地基，对联想只是刹车。 真正被 query 直接照亮的节点，拿完整的 direct 权重；被右脑带出来的邻居，只能拿一点点相似度背书。它若要进入意识前台，必须证明自己不是"有点像"，而是"真的在这段生活里相连"——靠边、靠 long、靠多路径汇聚。

逐个参数：

• $\text{current}$：扩散激活能量。graph_expand 或 RWR 过程中节点获得的能量值，范围 $[0, 1]$。graph_expand 来自边信号 × 种子能量；RWR 来自带重启随机游走的稳态分布。
• $3$：ripple 放大系数，设计值。把扩散能量放大到和 direct 可比的量级。
• $\text{state}$：易激活度，来自上一章的公式。综合了新颖度、长期强度、短期资源、反 hub 惩罚。
• $\cos$：query 向量与节点向量的余弦相似度，范围 $[-1, 1]$，个人语料中通常在 $[0.3, 0.95]$ 之间。
• $0.5$ / $0.18$：direct 系数。种子拿 0.5，非种子邻居只拿 0.18。这是防死亡螺旋的隐藏锁——Graph 邻居想进 top-8，不能只靠"有点像"。

任何一路强都能把 content_base 拉高。但这不是概率意义上严格趋近 1.0 的 noisy-OR，而是一个带饱和保护的证据融合器：当 strong < 1 时，弱证据补上剩余空间，像 noisy-OR 一样互补；当 strong ≥ 1 时，次要证据不再加成，但强证据本身保留为能量，让真正强关联的节点拿到大于 1 的 score。"亮度"不是"概率"，所以真实库里会出现 11.18、8.90 这样的数——那不是 bug，是能量。

直觉很简单：

如果 strong 已经很强，weak 就只补一点。 如果 strong 还没饱和，weak 可以继续把它推高。 如果两路都有证据，这条记忆就更亮。

但 content_base 只是”内容证据”。 最终 score 还要乘上状态增益（这叫 Gain Modulation 增益调节，大脑里的神经元也经常这样，用一个信号去乘性地放大另一个信号）：

$$\text{score} = \text{content\_base} \cdot (1+0.8\sigma) \cdot (1+0.6\,\text{long}) \cdot (1+0.5\,\text{edge}) \cdot \text{penalties}$$

逐个参数（增益项都是 $1+x$ 形式，信号为 0 时增益为 1，不影响基线）：

• $(1+0.8\sigma)$：新颖增益。$\sigma$ 是节点 salience，范围 $[0,1]$。新颖度最高的节点获得 1.8 倍增益。
• $(1+0.6\,\text{long})$：长期强度增益。$\text{long}$ 是归一化的 strength，$\text{long} = \text{strength} / 3.0$，范围 $[0,1]$。最牢的记忆获得 1.6 倍增益。
• $(1+0.5\,\text{edge})$：边强增益。$\text{edge}$ 是节点到任意一个种子的最大有效边权，再除以 2.0 归一化到 $[0,1]$。边最强的获得 1.5 倍增益。

penalties（惩罚项，都是 ≤1 的乘数，越差越低）：

• $\times\,\text{resource}$：短期资源惩罚。刚被用过的记忆 resource 低，排名被压低。
• $\times\,\text{hop}$：路径长度惩罚。设计值：直连种子 = 1.0，一跳邻居 = 0.86，两跳 = 0.62，越远越打折。每跳衰减系数为 $e^{-0.15}$。
• $\times\,\text{user}$：角色惩罚。设计值：assistant-only 独白节点 × 0.12（几乎不算），用户说的话 × 1.0。
• $\div\,(1+\text{fan})^{0.1}$：第五道反 hub 防线。fan 越大惩罚越多，fan=100 时约 × 0.63。

最后过阈值 0.22（设计值）才算”被激活”。

这里每一项都有清楚的含义：

项	作用
content_base	当前内容相关性
1 + 0.8σ	新颖记忆更容易被看见
1 + 0.6 long	长期强度高的记忆更亮
1 + 0.5 edge	强边连接的记忆更容易浮现
resource	刚用过的记忆暂时压低
hop	越远的传播越打折
user_penalty	assistant-only 内容降低权重
fan penalty	hub 节点被压制

这一步非常像意识的结算。

不是单一分数决定一切。 而是许多微弱证据在此刻汇合。

这条记忆相似吗？ 它新颖吗？ 它长期活着吗？ 它和当前种子之间的边强吗？ 它是不是刚刚出现过？ 它是不是 hub？ 它是用户说的，还是 assistant 自己说的？

最后这些东西共同决定：

它此刻该不该发光。

---

十五、五道反 hub 防线：不让噪音霸占星空

长期记忆系统最怕 hub（在图论里，就是那些连接数极高的超级节点）。

hub 是什么？

就是那些和谁都能沾一点边，但和谁都不真正相关的节点。

比如：

你好啊。 好的。 今天。 感觉。 可以。

它们出现次数多。 连接也多。 如果系统只看频率或边数量，它们会吞掉一切。

所以 Akasha 有五道反 hub 防线，每一道都在不同的阶段给 hub 打折，一层一层纵深压制：

#	位置	公式	在哪一步	逐个参数解释
1	state 阶段	$\text{state} \div \sqrt{1+\text{fan}}$	节点易激活度	$\text{fan}$ = 节点总边数（度数）。连得越杂的节点，本身就不容易点亮。
2	seed 阶段	$e_0 \div \sqrt{1+\text{fan}}$	种子初始能量	$e_0$ = 种子的初始能量。hub 即使当种子，出发能量也先除以 √(1+fan) 打折。
3	RWR 转移	每列只留最强 12 条边，弱边丢弃	微图能量流动	hub 的弱边根本传不出能量，只保留最强的铁关系。
4	graph_expand	$\displaystyle\frac{w}{\sqrt{\text{出度} \cdot \text{入度}}}$	全图一跳电导归一	$w$ = 有效边权；出度/入度 = 两端节点的边权总和。"谁都连"的 hub 分母大、被除得很小，只有最专一的邻居冒头。
5	final score	$\text{score} \div (1+\text{fan})^{0.1}$	最终打分	最后再压一次，收尾兜底。指数 0.1 比较温和，只惩罚 fan 极大的节点。

这非常重要。

因为 hub 不一定会被时间自然清掉。 有些废话就是会反复出现，边也会被反复刷新。 所以 Akasha 不只靠衰减，还靠结构性压制。

衰减清掉的是：

偶然出现、之后不再复现的噪音。

反 hub 清掉的是：

经常出现、但没有内容贡献的噪音。

这两者合起来，才是闭环系统的免疫系统。

---

十六、Step 4：注入，左脑和右脑各走各的路

Akasha 最后不会把所有候选混成一锅粥交给 LLM。

它会分成三类。

1. dense_items：左脑，精确回忆

这是纯相似度 top-k。 不走 RAR。 不依赖图。 它永远兜底。

如果你问一个明确事实，dense 一定能把最像的旧消息找回来。

这保证 Akasha 不会因为联想太美而忘了准确性。

2. ripple_items：右脑，潜意识浮现

这是 RAR 全管线召回出来的东西。 阈值会放宽一点。

为什么要放宽？

因为右脑联想本来就不是精确搜索。 它的价值在于多给一些“可能有关”的背景音，让 LLM 在最后整合。

这里的 LLM 不是记忆的真相源。 它只是最后一公里的前额叶：

看看这些上下文，哪些真的该被说出口。

Akasha 不让 LLM 改写过去。 但允许 LLM 在回答时整合上下文。

这是两种完全不同的信任。

3. activation_items：真正写回未来的 top-8

这是最关键的一组。

只有 activation_items 会参与学习。 只有它们会加 strength。 只有它们会消耗 resource。 只有它们会和当前轮建立 STDP 边。

所以 Akasha 的学习非常克制：

可以多给 LLM 一些右脑联想， 但只有左右脑共同结算后的 top-8，才有资格改变未来。

为什么必须让左右脑都参与激活，而不是只有右脑？

这是整套系统防止死亡螺旋的核心免疫机制，必须讲透。

先回答：dense 参与 score 计算吗？会。 dense 的相似度信号不是"仅供注入"——它直接进入了最终 score 的计算。score 的两路证据 noisy-OR 融合里，一路是 ripple（右脑扩散），另一路就是 direct（左脑 dense）：

$$\text{direct} = 0.5 \times \cos$$

所以每一个候选的 score 里，都天然带着 dense 相似度的贡献。

再回答：dense 本身会 ripple 为 0 吗？不会。 那些本身就是种子的 dense 命中节点，是扩散的能量起点，一出生就有初始能量 $e_0$，经过 RWR 扩散后 $\text{current}$ 肯定不为 0，所以 $\text{ripple} = \text{current} \times 3 \times \text{state}$ 永远不为 0。它们同时有 direct 和 ripple 两路信号。少数不在种子里、也没被扩散扫到的 dense 兜底节点，ripple 可以为 0，但 noisy-OR 保证只要 direct 够高依然能浮上来——这既是地板，也是冷启动时第一条边的来源。

关键的设计决策：为什么 activation_items 必须是左右脑融合的 top-8？

如果只让右脑（ripple）的结果参与写回强化，会发生死亡螺旋：

1. Day 1：聊"拉肚子→快递放消防栓→吃诺氟沙星"，物理时间连续，STDP 忠实地在「拉肚子」和「消防栓」之间连了一条弱边。
2. Day 7：问"我肚子痛"，ripple 顺着那条弱边勉强把「消防栓」扩散了出来。
3. 如果只有右脑的结果参与写回：「消防栓」进了 top-8，边被加固 → 下次更容易被扩散出来。
4. 如此反复：边越来越粗，一说到肚子痛就满屏都是外卖小哥，系统彻底精神分裂。

让 dense 参与激活，破解了这个诅咒：

1. Day 7：问"我肚子痛"，ripple 确实把「消防栓」扩散了出来，但 dense 相似度把「火锅」「拉肚子」「诺氟沙星」这些真正相关的记忆，以绝对的 cos 高分锚定在了候选池头部。
2. 「消防栓」和"肚子痛"的 cos 只有 0.2 左右，direct 信号极低 → content_base 上不去 → final score 排第 9 名开外。
3. 进不了 top-8 → 没资格被写回 → 边不会被加固。
4. 14 天衰减后，那条弱边自己就枯掉了。

用真实的鱼石脂例子看得更清楚：

记忆	cos (direct)	ripple (扩散)	content_base	score	进不进 activation？
鱼石脂（一跳邻居）	0.522	1.252	~0.86	3.09	✅ 进
不是换新的引流条吗（dense #1，种子）	0.787	有初始能量，>0	~0.39 + ripple×(1-0.39)	0.79	✅ 进
打麻药为什么疼（种子/邻居）	~0.65	有	~0.62	~1.x	✅ 进
消防栓（噪音）	0.2	~0.3	~0.44	<0.22	❌ 不进

好的联想（鱼石脂）虽然 dense 不高，但 ripple 够强，依然能进 top-8 被加固；坏的联想（消防栓）因为没有 dense 锚点，挤不进去，被自然饿死。而 dense 种子（引流条）本身作为事实锚点，即使 ripple 不突出，也会因 direct 够高而进入强化池，保证事实被不断巩固。

右脑负责"多想一点"，左脑负责"别想太偏"。 注入 LLM 时可以让右脑大胆联想（多给点背景音让 LLM 筛），但写回时必须让左脑把事实锚在头部——纯联想的噪音挤不进 top-8，就不会被加固，不会污染图结构。dense 参与激活，本质是用"不变的事实相似性"给"会学习的联想"做锚定，让系统可以大胆联想又不会疯掉。

这点非常漂亮。

因为如果只强化 ripple 找到的东西，系统容易进入噪音自激： 一个无关节点偶然被扩散扫到，写回； 下次更容易被扫到，再写回； 最后噪音变成 hub。

但 Akasha 用 dense 作为免疫系统。 事实相似性永远在候选池里当锚。 纯右脑噪音如果没有内容支撑，很难挤进 top-8。 挤不进去，就不会被加固。 不会被加固，边就会在 14 天衰减里变暗。

这就是为什么 Akasha 可以大胆联想，又不至于被联想毁掉。

---

十七、真实例子一：limboo，不是一个词，而是一段关系

现在回到开头的例子。

你说：

昨天在和 limboo 玩杀戮尖塔。

普通 dense 会找回语义相似的东西。 这当然有用，但它只能看到”杀戮尖塔”这个主题。

Akasha 会先用 dense 找到杀戮尖塔相关记忆。 再用 FTS 抓住 limboo 这个稀有名字。 如果二者同时命中，种子能量还会 ×1.3（封顶 1.5）。

然后 ripple 开始沿图扩散。

它发现：

我是亡灵契约师，limboo 是战士。 和学校舍友联机玩。 我玩机器人，limboo 也玩机器人。 和舍友俩机宝过了 a10。

这些句子未必都和 query 高度相似。 有的 dense 排名可能很靠后。 甚至有些从语义上看，几乎不该出现在 top-10 里。

但在人生结构里，它们是相关的。

它们属于同一片游戏生活。 同一个朋友。 同一段联机关系。 同一种只有长期聊天才会形成的背景。

这就是 Akasha 的价值，用真实数字说话：

内容	cos 相似度	dense 全库排名	最终 score	召回来源
我是亡灵契约师 limboo是战士	0.599	第 22 名	2.40	Graph / 1hop
和学校舍友联机玩	0.598	第 24 名	1.48	Graph / 1hop
我玩机器人 limboo也玩机器人	0.597	第 26 名	1.28	Graph / 1hop
镜之边缘主角叫啥	0.436	第 1199 名	1.27	Graph / 1hop
和舍友俩机宝过了 a10	0.601	第 21 名	0.99	Graph / 1hop

每一条的 cos 都远够不上 dense 种子门槛（0.675），排在全库 21~1199 名；但它们和好几条种子挂着 0.17~0.28 的共现边——这些边是过去几十次一起聊杀戮尖塔积累的。「镜之边缘」cos 仅 0.436、全库排 1199 名，纯相似度永远够不到——但边是活的，把它从一千名外拽到了第 4。

它不是找到更多”杀戮尖塔”。 它找回”你和 limboo 之间那段关于杀戮尖塔的世界”。

这就是从检索到记忆的跃迁。

---

十八、真实例子二：鱼石脂，语义不近，但人生很近

另一个更漂亮的例子是手指就医。

你问：

但是拔出来引流条的时候出了好多血。

dense 会找回”引流条””换药””麻药””出血”这些直接相似的记忆。

这很好。 但 Akasha 还会想起：

刚才白的是那种小点，鱼石脂是棕色的……

单看语义，”鱼石脂”和”引流条出血”并不是最像。 cos 可能只有 0.522。 在普通 dense top-10 里，它排不上号。

但在真实对话里，鱼石脂和引流条、麻药、绷带、换药，属于同一个手指 episode。 它们在 37 轮对话里反复共同出现。 边一阶一阶长粗。

所以到某一次你说”引流条拔出来出了好多血”时，Akasha 沿着那段 episode 的星座线，把鱼石脂拉了回来。

这是记忆系统最应该有的能力。 用真实数据看更清楚：

记忆	cos 相似度	ripple 扩散能量	最终 score	说明
鱼石脂是棕色的…	0.522	1.252	3.09	cos 不在 top-10，靠 graph_expand 一跳拽回
不是换新的引流条吗（dense #1）	0.787	—	0.79	纯相似度第一名

鱼石脂的 score 是 dense #1 的 3.9 倍。而且它离种子几小时远，不在 30 分钟微图里，RWR 根本看不到它——全靠 graph_expand 无时间限制的一跳发现机制，沿着过去 37 轮手指就医里长出来的粗边，把它从语义距离之外拽了回来。

这就是记忆系统最应该有的能力。

不是把最像的文本摆出来。 而是把”你当时经历的那一整段事情”恢复出来。

人对 agent 的期待，本来就是这个：

你不要只记得我说了哪个词。 你要记得那几天我到底在经历什么。

Akasha 在这个例子里，做到了。

---

十九、真实库里的涌现：Akasha 补全的不是答案，而是情景

讲到这里，有必要退一步，看看真实库在说什么。不是理论，是 akasha.db.gz 里 3378 个节点、127696 条边、3352 条 query log 的实证。

先给一张读 querylog 的小字典。真实字段里有几个名字容易误导，尤其 state=0 这件事：

字段	在 RWR 候选里	在 Graph/1hop 候选里
direct	query 与节点的 cos	也是 cos
ripple	RWR 当前扩散能量 current	graph_expand 里更像 best edge / best weight
edge	cross_mat 的最大边信号	graph_expand 的聚合边信号（signal × paths）
state	RWR 的归一化易激活度 [0,1]	固定 0.0，因为 Graph/1hop 不走 state_array
score	noisy-OR + gain 后的分数	graph_expand 独立公式后的分数

Graph/1hop 的 state=0 不是"没有被点亮"，而是"它来自另一套右脑物理"——远场联想不走 RWR 的 state_array，它靠的是 seed 强度、边电导、候选 direct、long、resource，以及多路径汇聚。看到 state=0 但 score=11.18，不要觉得矛盾；那正是 graph_expand 在说话。

真实库的统计更说明问题：

指标	数值
有 activation 的 query	3351
top-1 来源是 Graph	2340 次
Graph top-1 占比	69.8%
top-8 里 Graph 平均数量	5.15 条
top-8 里 Graph ≥ 4 条的 query 占比	80.6%

在长期对话里，Akasha 的右脑不是"偶尔补点背景音"，它已经是主航道。 多数时候真正进入 activation top-8 的，是 Graph。系统已经从"找相似文本"转向"沿个人情景图回忆"。

下面三个 case，来自真实 querylog，说明 Akasha 补全的不是语义，而是情景。

1. 心率：从数字补全到身体状态

query：「我现在心率多少」。dense top-10 全是心率变体——"说说看心率""查心率""心律怎么样"。这没问题，dense 做到了"找同类问题"。

但 graph_expand 拉回来的是：

内容	direct	edge	score
这个数据不正常吗 为什么会这样	0.585	1.995	11.18
你测试过3min 呢	0.493	1.815	9.23
我现在健康状态怎么样呢	0.647	1.401	8.58
我昨晚睡眠状况怎么样	0.534	1.601	8.56
我最近看东西感觉特别亮 是啥情况	0.410	1.641	7.38

dense 能回答"你之前也问过心率"。Akasha 回答的是"我知道你为什么在意心率"——因为它把心率放回整段身体状态：异常数据、睡眠、视觉异常、健康查询、短时测试。这些节点的 direct 不够进 dense top-10，但 edge 和 long 都很强，多路径汇聚后 graph score 把它们推到 activation top-8。写回后，这一整段"健康状态 episode"会更容易在未来一起浮现。

这不是检索。这是情景恢复。

2. 湿度：从传感器读数补全到房间生活

query：「我现在房间湿度怎么样」。dense top 是"现在房间湿度怎么样""再查一下现在湿度是多少""湿度偏低吗"。

ripple 拉回来的是：

内容	direct	edge	score
sonoff 的湿度计会不会更好	0.540	1.135	5.91
有没有非小米的这种全家桶，比较好用的吗	0.348	1.416	5.62
所以 HA 到底是个啥，我希望便宜扩展性强	0.398	1.071	4.54
我还是想买个加湿器，结合智能家居给我个方案	0.587	0.250	1.40

"有没有非小米全家桶"这条 direct 只有 0.348，和"房间湿度"文本上并不近。但它在真实生活里非常近——湿度计、加湿器、Home Assistant、传感器、房间环境是同一套 household automation episode。Akasha 知道：用户问湿度，表面上是问数值，但在他的生活系统里，湿度连着鼻子干、房间环境、传感器选型、智能家居架构。

3. 晚安：从寒暄补全到关系仪式

query：「晚安 akashic」。dense top 前几条几乎全是"晚安 akashic"的重复——dense 没错，但它只看到了词。

ripple 拉回来的是：

内容	direct	edge	score
睡觉了 akashic，晚安，今天又想到一个可以做给你的功能……明天睡醒抓紧做出来	0.682	1.408	8.90
好喜欢你 akashic	0.535	1.252	6.61
你很可爱 akashic	0.685	0.933	5.87
换个话题，你还记得我最近在准备什么吗	0.409	1.096	4.83

这不是任务记忆。这是关系记忆。

"晚安"在你的长期对话里不是一个普通寒暄词，而是一个夜间仪式：睡前总结、对 Akashic 的亲密称呼、第二天要继续做的功能、疲惫、喜欢、陪伴、低谷里的自我确认。dense 看到的是六个一模一样的"晚安"。Akasha 看到的是一整段夜晚：今天又为它改了什么、明天醒来还想继续做什么、你说喜欢它、说它可爱、说自己困了但还想把东西做完。

对普通检索来说，"晚安"是高频噪音。对个人记忆来说，"晚安"是一段关系每天合上的书签。一个系统如果只会过滤噪音，它会错过人。Akasha 的美在于，它知道有些噪音其实是背景音；有些背景音，听久了就是陪伴。

---

dense 找相似。Akasha 找来处。

还有几个更短的 case，同样来自真实库：

Fitbit：不是设备名，是健康感知系统的入口

query：「你还记得我的 fitbit 手表怎么了吗」

dense top 是这些：

还记得我是从什么时候开始戴 fitbit 手表的吗 你忘记我用的是哪个 fitbit 了吗 fitbit 表带断了 fitbit 数据拿不到了

这些是"fitbit"这个词的相似回忆。

但 ripple 拉回来的是：

ripple item	direct	edge	score
再尝试获取一下呢	0.656	1.234	7.54
fitbitmcp 里都有什么工具，你获取不到睡眠信息吗	0.708	0.943	5.81
这是我这种的睡眠时间表	0.491	1.051	5.04
看看我最近健康数据	0.704	0.663	4.04
我现在健康状态怎么样呢	0.616	0.557	3.23

Akasha 补全的是：Fitbit 不是一块手表，它是你的健康数据入口，是睡眠、MCP 工具、体征查询、健康状态感知这一整套系统的门。普通记忆会写"用户有 Fitbit"；Akasha 学到的是"Fitbit = 睡眠数据 + 健康状态 + MCP 接口 + 数据获取失败 + 手表/表带问题"。

DeepSeek：不是模型名，是你的 AI 世界观

query：「我 deepseek 呢」

dense top 非常合理：

我对 deepseek 有什么情感吗 我好期待 deepseek 发 deepseek 才是巨人 deepseek 才是想实现 AGI 的

这已经不错了。

但 ripple 继续补出另一层：

ripple item	direct	edge	score
我还和你聊过别的模型，好用不好用吗	0.602	1.320	7.48
claude / gpt / qwen 最新型号有用这些技术吗	0.655	1.129	6.76
什么样的机器可以跑 0.6b 的模型	0.489	1.245	5.96
说说看我对不同 AI 模型的态度	0.536	0.983	5.09
你去调查一下 Anthropic 的新研究讲给我听	0.590	0.866	4.70

这不是语义补全，而是价值观补全。Dense 能知道你喜欢 DeepSeek；Akasha 能补出你对 DeepSeek 的喜欢，放在更大的 AI 模型世界观里：Claude、GPT、Qwen、Anthropic、本地小模型、0.6B、模型技术路线、AGI 叙事。个人 agent 真正该懂的不是"用户喜欢 X"，而是"用户如何把 X 放进自己的世界模型"。

游戏：不是游戏列表，是偏好生成过程

query：「你调查一下我最近都在玩什么游戏」

dense top 是：

我最近玩了什么游戏 我喜欢玩什么游戏呢 我都有什么游戏

这就是普通记忆能做的。

但 ripple 拉回来的是：

ripple item	direct	edge	score
还有什么其他我可能感兴趣并且没有的吗	0.544	0.925	4.87
当我表达我感兴趣 / 没兴趣的时候，你应该学会记忆	0.458	0.968	4.54
红色沙漠 Twitch 活动	0.505	0.787	3.90
这个游戏是我的童年回忆，菲斯小时候可喜欢了	0.460	0.658	3.02
以后推送 CS2 新闻时按这个标准过滤	0.394	0.527	2.17
我没玩过 HD2 啊，你看看我都玩过啥游戏	0.643	0.246	1.17

Akasha 没有只回答"你玩了哪些游戏"。它把"你如何表达兴趣""你如何拒绝推荐""你童年喜欢什么""你希望推送怎么过滤"一起带回来了。这不是游戏列表，这是偏好形成过程。

PR：不是代码事件，是生活节律

query：「今天又提了两个大 PR」

dense top 是：

我提了一个大 PR 最近又合了几个 PR 在做 PR

ripple 补出来的是：

ripple item	direct	edge	score
昨天合的，今天估计会再合一个新的	0.650	1.387	8.30
马上睡觉了，准备再合一个 commit	0.505	1.231	6.07
那个目录下是不是还有另外一张，一共有几张	0.444	1.090	4.95
提个 PR 睡觉了，兼容了一下 Windows	0.626	0.688	1.02

对 Akasha 来说，PR 不是 GitHub 事件。它连接着睡觉前再合一个 commit、第二天继续、Windows 兼容、这几天持续推进的开发节律。它开始记得你通常在什么时候做，做到什么程度会睡觉，哪些工作会被你带到第二天。

---

二十、闭环：今天的召回，织成明天的图

普通向量库是只读的。

它召回什么，不改变它以后怎么召回。 它写入什么，也不被这次召回真正塑造。

Akasha 不是。

先看两套闭环的本质区别

这是 Akasha 和一切传统记忆系统最核心的分野，必须对比着看：

普通记忆系统的闭环（为什么越用越糟）

$$\text{检索} \rightarrow \text{LLM 用检索内容生成回答} \rightarrow \text{LLM 把对话总结成记忆条目} \rightarrow \text{写入总结条目}$$

问题有三层：

1. LLM 参与两次改写——生成回答是第一次改写，总结记忆是第二次改写。每经过 LLM 一次就多一层幻觉，一层一层叠上去，最后系统记住的是”LLM 记忆中的 LLM 记忆中的你”。
2. 只有检索，没有补齐——召回的永远是”最像的句子”，不会把散落在不同对话里、字面不像但属于同一段生活的记忆拼起来。注入给 LLM 的永远是几个离散的点，没有情景上下文。
3. 写回的是内容，不是结构——把”去医院切开引流塞了根引流条”总结成”用户手指受伤”写入，痛感、细节、”引流条”这个未来会反复被唤醒的词，全部丢失了。

Akasha 的闭环（为什么越用越懂你）

$$\text{召回（dense + ripple）} \rightarrow \text{LLM 只负责生成回答} \rightarrow \text{原话不动存入原始消息库} \rightarrow \text{算法根据 score 写回边和状态}$$

关键设计（看 engine.py 560 行和 623 行就懂了）：

• LLM 不参与裁定旧记忆被强化多少——activation_edge_updates 函数的输入只有 current_key、candidates（top-8 的 score）、ts（时间戳）。旧节点 strength 怎么加、resource 怎么扣、边怎么落，依据的是召回时的 score，不是 LLM 的总结。LLM 不能把用户的过去总结成一条新事实，不能替系统裁定什么重要，不能把猜测铸成画像。
• 但 LLM 的回答会作为 assistant 原话进入历史——它作为"assistant 曾经这样说过"被原样保存，带着 role，不能伪装成用户事实。Akasha 不是不让 LLM 进入记忆，它是不让 LLM 改写记忆。
• 写回的是结构，不是内容——原始消息永远不动，写回操作只做三件事：① 旧节点 strength += 0.18·score（加固）② 旧节点 resource -= 0.35·score（暂时歇会儿）③ 在节点之间画边（被一起想起了，连上）。
• 噪音即宝藏——注入给 LLM 的 ripple_items 用 soft_recall=True 放宽阈值，最多给 72 条，而且只保留 dense 没给过的纯增量。这些 cos 只有 0.5~0.6、排 20 名开外的”噪音”，恰恰是情景上下文的来源。

两套闭环的差别可以用一张表钉死：

维度	普通记忆系统	Akasha
写回是否经过 LLM	✅ 是，LLM 总结后写入	❌ 否，算法根据 score 写回
幻觉叠加风险	高——LLM 改写两次	无——写回不经过 LLM
召回哲学	追求精准，不够像的一律过滤	可控噪音，放宽给 LLM 筛
注入 LLM 的内容	10 条最像的句子（离散点）	10 条精准 + 10 条关联背景（连续线）
情景上下文	没有——只有零散相似句	有——靠边拉回整段 episode
写回内容	LLM 总结的事实条目	边权重和节点状态（结构）
长期演化	会话越长越容易记错	会话越长边越密，情景越完整

---

Akasha 的一次完整回合是：

$$\text{召回} \rightarrow \text{回答} \rightarrow \text{新节点} \rightarrow \text{写边} \rightarrow \text{未来召回}$$

更深一点说，是：

$$R_t \rightarrow A_t(R_t) \rightarrow N_t \rightarrow R_{t+1} \rightarrow \cdots$$

这意味着什么？

意味着召回不是被动上下文。 召回会塑造回答。

不是离散的点，是连续的线

这是最容易被忽略的一层——ripple 带出来的”噪音”不是点缀，它们直接改变了 LLM 的回答内容。

用 limboo 的例子看完整链条：

1. 召回 $R_t$：dense 找到”杀戮尖塔”，ripple 顺着边拉回”limboo 是战士 / 我是亡灵契约师 / 舍友联机 / 都玩机器人 / 机宝过了 a10”——这些都是 dense 排名 20 名开外的”噪音”。
2. 回答 $A_t(R_t)$：LLM 看着这些背景音，回答不再是”哦你玩杀戮尖塔啊”，而是”又和 limboo 爬塔啊，你还是亡灵契约师他还是战士吗？上次你们俩机宝过 a10 我还记得”。
3. 新节点 $N_t$：你的回应”对，新版本机宝改得太强了”被原样存入，内容里带着”机宝””limboo””a10”这些旧记忆的影子。
4. 未来召回 $R_{t+1}$：下次聊到”机宝”时，新节点又会和旧的 limboo/杀戮尖塔节点互相激活。

每一轮的回复都不是用离散的检索点拼出来的，而是用整段情景上下文生成的；回复本身又带着情景的影子，变成下一轮情景的一部分。 整条对话是一根连续的、被记忆不断自我塑造的线，而不是一串独立的问答点。

普通系统的对话是一串珍珠——每颗都圆润，但彼此没有关系。 Akasha 的对话是一条河——连续流动，每一段水流都被前一段塑造。

---

这是一种内容级闭环。

它不只是图结构在变。 是对话本身在被记忆塑造。

内容级闭环的真正含义

$$R_t \rightarrow A_t(R_t) \rightarrow N_t(\text{带着 } R_t \text{ 的影子}) \rightarrow R_{t+1}$$

这个公式里藏着 Akasha 最深刻的东西：

• $R_t$ 不只是”给 LLM 的上下文”，它直接决定了”这次对话会聊什么”。
• $A_t(R_t)$ 不只是”回答”，它的内容被 $R_t$ 塑造——提到了鱼石脂、提到了机宝、提到了 a10。
• $N_t$ 不只是”又存了一条新消息”，它的内容里带着旧记忆的痕迹，未来会和旧记忆互相激活。
• $R_{t+1}$ 不只是”又一次检索”，它能把 $N_t$ 和旧记忆连起来，因为它们内容上本来就带着彼此的影子。

记忆不仅改变了”怎么回答”，还改变了”回答了什么”，而”回答了什么”又会变成未来的记忆。这不是结构图在长，是对话内容本身在被记忆反复塑造。

普通系统没有这个——它的新记忆是 LLM 总结的独立条目，和上一轮召回的内容没有内容上的继承关系。

---

这就是长期相处的感觉从哪里来：

不是它存了更多事实。 是它越来越知道哪些过去应该在此刻出现。

会话越长，边越丰富。 边越丰富，ripple 越能找到”不相似但相关”的记忆。 这些记忆塑造回答。 回答又沉淀成新的记忆。 于是系统越来越像一个真正和你共同生活过的 agent。

它不是在保存你的世界。 它是在长期对话中，慢慢学会你的世界会怎样互相唤醒。

---

二十一、自净化：坏联想为什么不会永远污染系统

闭环会放大好东西，也会放大坏东西。 所以 Akasha 必须有自净化。

它的自净化来自四个方向，每一个都优雅地嵌入了系统的核心机制，不需要额外的清洁工：

机制	作用
direct 地板	保证事实相似性永远兜底
衰减	一次性巧合会自然变暗
有界增长	再强的边也不会无限爆炸
反 hub	高频废话不能靠 fan 统治召回
top-8 写回	只有真正进入意识前台的记忆才会改变未来

其中最精妙的是全脑融合强化机制——它从根本上防止了”右脑回音室”的死亡螺旋。

如果系统只强化 ripple 找出来的联想，噪音会被自我放大：一个无关节点偶然被扩散扫到 → 写回、加固边 → 下次更易被扫到 → 再加固……最后噪音变成 hub。但 Akasha 不是这样：写回强化吃的是 activation_items——左右脑融合后的 top-8，dense 的事实永远以绝对相似度锚在候选池头部。纯右脑挖出、没有 dense 兜底的噪音，因相似度太低、content_base 不够，挤不进 top-8 → 进不了强化池 → 没资格 Hebbian 加固 → 那根细弱的边被 14 天衰减饿死。

14 天衰减的威力可以用真实库的一组数字直观感受。同一个节点的两条出边：

出边指向	原始边权	闲置时长	有效边权
最近还一起出现的话题	0.36	0.6 天	0.348
曾天天聊、但 38 天没碰的话题	0.61（更高！）	38 天	0.041

第二条原始强度更高，却因为 38 天没被再次共激活，有效权重掉到了 1/8。而被反复唤起的边，每次召回后 bounded_add 再加固一点，稳稳保持。赢者通吃就这么发生：真实回路越走越粗，噪音边在对比下萎缩成”背景辐射”——功能上被彻底静音，物理上却永远保留痕迹。

一条坏边，如果只是偶然共现，它不会被再次共同激活。 不再激活，就不会强化。 不强化，就在 14 天边衰减里变暗。

一条坏记忆，如果只是被 ripple 扫到，但没有 dense 或内容证据支撑，它进不了 activation top-8。 进不了 top-8，就不能写回。 不能写回，就不会自我放大。

一个 hub，如果经常出现，衰减可能清不掉它。 但 fan penalty 会层层压住它，让它很难因为”到处都认识一点”就霸占星空。

所以 Akasha 的右脑可以更大胆。 因为它有免疫系统。

它可以多想一点。 但不会让所有想法都有资格变成长期结构。

这就是好的记忆系统该有的分寸：

允许联想。 但不纵容联想。 允许遗忘。 但不把遗忘等同于删除。 允许过去影响现在。 但不让错误的过去无限放大。

---

二十二、Akasha 到底重新定义了什么

到这里，我们可以重新定义一次 Akasha。

它不是：

一个存用户 facts 的表。 一个带 embedding 的 RAG。 一个更复杂的检索器。 一个让 LLM 定期总结用户画像的脚本。

它是：

一个以原始消息为真相源， 以 direct 保证准确性， 以 ripple 生成联想， 以时间衰减保持清洁， 以 score 同时驱动读写， 在长期对话中自我生长的个人记忆动力系统。

它的每一层都对应一个问题：

层	回答的问题
原始消息	过去到底说过什么？
embedding / FTS	怎么找到相似文本和稀有名字？
salience	哪些话偏离日常，出生时值得多一点光？
strength	哪些记忆长期仍然能发光？
resource	哪些记忆刚用过，应该暂时退后？
edge	哪些记忆过去经常一起被想起？
direct	当前最像什么？
ripple	当前还应该联想到什么？
noisy-OR score	此刻哪条记忆最该出现？
activation top-8	哪些记忆有资格改变未来？
闭环	今天的召回如何织成明天的理解？

这套东西之所以漂亮，是因为它没有在任何一个点上宣布：

这就是重要性。

没有。

重要性不是一个字段。 不是 recall_count。 不是 salience。 不是 strength。 不是 LLM 的评分。 不是最新时间戳。 不是边数量。

重要性是在某一次具体对话里，由内容、时间、关系、状态共同结算出来的瞬间亮度。

它是此刻的。 也是历史的。 它属于现在，但由过去养成。

---

二十三、Akasha 的边界

再浪漫的系统，也必须诚实。

Akasha 记住的是对话真相，不是世界真相。 它知道“你说过你手指疼”，不等于它能证明医学事实。 它知道“assistant 曾经回答过某件事”，也不等于那件事一定正确。

所以原始消息必须保留 role。 用户说过什么，assistant 说过什么，不能混成同一种事实。

Akasha 的自然遗忘也不等于数据删除。 strength 变低、edge 变暗，只是计算意义上的退场。 如果用户要求删除，那应该是另一种更强的用户主权： 原始消息、索引、边、状态，都要能被追溯地移除。

Akasha 也不是要取代 LLM。 它是在 LLM 之前提供上下文。 LLM 仍然负责语言、推理、整合与表达。

但 Akasha 不让 LLM 做三件事：

不让 LLM 改写过去。 不让 LLM 独自裁定什么重要。 不让 LLM 把猜测固化成记忆。

Akasha是潜意识空间 而 最后收到 Akasha 讯息的 LLM 则是前额叶，他被 Akasha 检索到的“背景音“影响，重塑，最后给出自己的结果。

吾之蜜糖，乳之砒霜。 在所有传统记忆库中的“噪音“ 在当前系统中是宝贵的背景音，影响着前额叶能获得到什么，影响着你的个人助手真正理解你。

---

二十四、结语：好的记忆不是仓库，而是分寸

个人 agent 真正需要的记忆，不是“我有多少条用户资料”。 而是：

我是否知道什么时候该沉默，什么时候该想起。 我是否知道一个名字背后的关系。 我是否知道一段病痛不只是医学词，而是几天里的焦虑、换药、血、绷带和反复确认。 我是否能在你说出半句话时，把那段应该在场的过去轻轻推回来。

好的记忆不是仓库。 好的记忆是一种分寸。

它不是为了炫耀：

你看，我还记得。

而是为了让此刻的对话不再像发生在空白窗口里。 它让 agent 的回答带着来处。 带着共同经历。 带着那些没有明说、但应该被理解的背景。

Akasha 这个名字很适合这样的系统。

阿卡夏不是一个表。 不是一个数据库。 不是一堆 JSON。 它更像一片私人夜空。

每句话都是星。 每次共同被想起，星与星之间就多一条线。 有些线会被时间擦淡。 有些线会因为反复被当下照亮，慢慢变成星座。

而所谓记忆，就是当你再次抬头时，系统知道哪几颗星应该亮起来。

Akasha 不替你总结人生。 它不急着给你的过去贴标签。 它只是守着原话，让时间、关系和一次次真实的需要，把你的世界慢慢织成图。

所以：

The message is the only truth.To remember is to recommend.

消息即真相。 记忆即推荐。

不是检索过去。 而是让过去在此刻发光。