如果 AI 有記憶
它會怎麼記住事情?

Neural Memory Architecture

大部分的 AI 像金魚——對話結束就忘光。
我們設計了一套系統,讓 AI 團隊能記住、會學習、還會自己整理。
這是我們的答案。

往下探索

蓋一座廟

The Temple Metaphor

想像記憶是一座廟。不同的記憶,放在不同樓層。
越底層的越穩定、越不容易變;越上層的越鮮活、也越容易消散。

💨

正在聊的話題,聊完就散了

🕯️ 香火

每天發生的事,常常更新

🧱 牆壁

學到的知識通則,慢慢長出來

🏛️ 柱子

每個人是誰、怎麼做事,很少動

🪨 地基

所有知識的根,大家共用

🪨

地基 Knowledge Graph

想像一張超大的關係網。每個知識是一個點,相關的就拉一條線連起來。這張網是所有 AI 員工共用的——不管你是財務長還是品牌經理,你腳底下踩的是同一塊地。

🏛️

柱子 Procedural Memory

每個 AI 員工的「靈魂」——他是誰、他的工作習慣、他做事的底線。就像一個人的性格,形成之後就很少大改。財務長就是財務長,不會突然變成設計師。

🧱

牆壁 Semantic Memory

每個員工慢慢累積的「經驗通則」。比如財務長經過幾次展覽之後,學到了「場地費不能超過總成本的 40%」——這種從經驗濃縮出來的智慧,就是牆壁。

🕯️

香火 Episodic Memory

每天在工作中發生的具體事情。「4 月展覽虧了 9 萬 8」「客戶說下次想換場地」——鮮活的、有時間戳的、跟具體事件綁在一起的記憶。

💨

Working Memory

你正在跟 AI 聊天的內容。就像空氣中的煙,對話進行時很鮮明,結束後就慢慢散了。但重要的部分會被「回流引擎」抓住,變成香火存下來。

六個引擎

Six Engines That Keep Memory Alive

光有記憶不夠,還要有人整理、有人品管、有人翻舊帳。
這六個引擎各司其職,讓知識活起來。

📔 回流引擎

像寫日記

每次對話結束,這個引擎會問自己:「剛才聊的,有什麼下次還會用到?」有的話就記下來,存進知識圖譜,再通知相關的 AI 員工。

信心引擎

像信任分數

每條知識都有一個「靠譜程度」。老闆親口說的 95 分,AI 自己推論的 60 分,沒驗證過的 50 分。太久沒被用到的知識,分數會慢慢褪色——但永遠不會降到零,因為知識不該被真正遺忘。

⚖️ 矛盾偵測

像品管員

新知識進來時,會跟舊知識比對。如果打架了——比如上個月說「預算充足」,這個月說「要砍預算」——系統會自動標記,小事自己處理,大事上報老闆裁決。

🗄️ 壓縮引擎

像整理房間

同一件事被提到 5 次以上,就不再存 5 份——升級成一條通則。太久沒人翻的舊筆記,慢慢淡化歸檔。不是丟掉,是收進儲藏室,需要的時候還找得到。

🕸️ 圖譜引擎

像人脈網

負責幫知識點之間「牽線」。發現兩件事有關聯,就拉一條線連起來——因果關係、相似關係、矛盾關係。慢慢地,散落的知識會長成一張密密的網。

湧現引擎

像直覺

最性感的一塊。你沒問,但系統主動浮出「你可能需要知道的事」。比如你在聊展覽預算,它會浮出上次展覽的場地成本教訓。只在對話開頭和結尾出現,中途不打擾你的思路。

獨創機制

What Makes This Different

市面上的 AI 記憶系統,大多是「一個大腦存所有東西」。
我們的不一樣。

🎭

立場翻譯

同一件事,不同的 AI 員工會用自己的角度去理解。不是複製貼上同一段文字給每個人——是真的「翻譯」成那個角色會在意的版本。

舉個例子 — 「4月展覽虧了 9 萬 8」

💰 財務長: 「全攤算虧 9.8 萬,但攤提後毛利 37%,現金流其實還行」
📋 企劃: 「場地費佔比太高,下次要議價或換場地」
📣 品牌: 「虧損不影響品牌曝光價值,重點是市場認知建立了」
🫧

淡化不刪除

知識永遠不會被真正刪掉。不重要的會慢慢變淡,像墨水褪色——但痕跡還在。需要的時候,可以追溯回去看整個演變過程。這讓系統有了「歷史感」,而不只是最新版。

加權引用

不是所有的「被提到」都一樣重要。老闆親口確認的知識,一次算 3 分;AI 自己在工作中順便提到的,算 1 分。這樣真正被老闆驗證過的知識,會自然浮到最上面。

知識怎麼流動

How Knowledge Flows

從一句對話到一條通則,知識會經過這些站。

💬

對話發生

老闆跟 AI 聊天,說了一些重要的事、做了一些決策

📔

回流引擎萃取

對話結束後,系統篩選出「下次可能用到的」知識

🪨

寫入知識圖譜

每條知識存成一個節點,跟相關的舊知識拉上關係線

🎭

立場翻譯+分發

同一件事用不同員工的角度重寫,分發到每個人的記憶裡

🗄️

壓縮+升級

反覆出現的知識升級成通則,太舊的淡化歸檔

湧現浮出

下次聊到相關話題,系統主動浮出相關知識——你沒問,它先想到

防呆機制

Built-in Safeguards

系統會自己長大,但不能長歪。
所以我們設計了幾道保險。

🎯

冷啟動期

系統剛上線時有觀察期,用四個量化指標監控。全部達標才能「畢業」進入穩定模式。不是看日曆過了幾天,是看數據說話。

📋

日報自動現形

每天產出一份 Checkpoint 日報,記錄每個引擎跑了幾次。哪個欄位空白,就代表那個引擎今天偷懶了——不用人去查,漏跑自己會現形。

一鍵回溯

發現某條通則跑偏了?可以追溯回原始資料,重新壓縮,重新學習。不是「刪掉重來」,是「從源頭重新推導」。保留完整的修正軌跡。

🔍

對焦校準

每月一次,檢查各個 AI 員工對同一件事的理解有沒有歪掉。輕微歪沒關係(角度不同是正常的),嚴重歪就重新校正——確保大家還在看同一張地圖。

Appendix

Engineering Specification

給工程師看的硬知識:資料結構、引擎流程、檔案格式

📁 目錄結構

.memory/neural/
├── ARCHITECTURE.md            ← 系統藍圖(本附錄的完整版)
├── graph/
│   ├── nodes.jsonl            ← 知識節點(append-only)
│   ├── edges.jsonl            ← 關係連線(append-only)
│   └── index.md               ← 標籤索引(人工維護)
├── engines/
│   ├── writeback.md           ← 回流引擎 SOP
│   ├── confidence.md          ← 信心引擎 SOP
│   ├── contradiction.md       ← 矛盾偵測 SOP
│   ├── compression.md         ← 壓縮引擎 SOP
│   ├── graph-ops.md           ← 圖譜引擎 SOP
│   ├── emergence.md           ← 湧現引擎 SOP
│   └── alignment.md           ← 對焦校準 SOP
└── logs/
    ├── checkpoint.jsonl       ← 每日引擎健康日報
    ├── writeback.jsonl        ← 回流審計軌跡
    ├── contradictions.jsonl   ← 矛盾偵測記錄
    ├── compressions.jsonl     ← 壓縮事件記錄
    ├── emergence.jsonl        ← 湧現追蹤(emergence_id + 採用率)
    ├── alignment.jsonl        ← 對焦校準記錄
    └── rollbacks.jsonl        ← 回溯修正記錄

🧬 Node Schema(知識節點)

{
  "id":              "n_20260412_001",
  "content":         "寵物展4月場全攤成本虧98K,但攤提後毛利37%",
  "type":            "fact",          // fact | insight | pain | decision | person | event | pattern | principle
  "confidence":      0.85,
  "source":          "conversation#40",
  "tags":            ["寵物展", "財務", "4月展"],
  "created":         "2026-04-12",
  "last_accessed":   "2026-04-12",
  "access_count":    1,
  "access_detail":   { "boz_confirmed": 0, "auto_retrieved": 1 },
  "decay_protected": false,
  "context_window_days": 7          // 矛盾偵測時間窗口(預設30,按類型覆蓋)
}

weighted_access_count = (boz_confirmed × 3) + (auto_retrieved × 1)
升級門檻:weighted_access_count ≥ 5

🔗 Edge Schema(關係連線)

{
  "source":    "n_20260412_001",
  "target":    "n_20260410_003",
  "relation":  "caused_by",     // 見下方關係類型表
  "weight":    0.7,
  "created":   "2026-04-12",
  "context":   "4月展虧損因攤位費佔比過高"
}
caused_by A 因 B 而起
leads_to A 導致 B
contradicts A 與 B 矛盾
similar_to A 與 B 相似
derived_from A 從 B 推導
supersedes A 取代 B
part_of A 屬於 B
person_involved A 涉及 B 人物

📊 信心分數規則

初始分數

0.95 Boz 直接確認
0.90 數據驗證
0.60 語嫣推論
0.50 外部未驗證
0.40 第三方轉述

分數變動

+0.05 每次被引用
→0.95 Boz 確認直升
-0.15 矛盾偵測標記
-0.05 每30天未引用
0.10 下限(不刪除)

⚙️ 六引擎流水線

Boz 的對話 │ ▼ ┌─────────────────────────────────┐ │ ④ 工作記憶(對話 context) │ ← 即時,飄過就散 └──────────────┬──────────────────┘ │ 對話結束觸發 ▼ ┌─────────────────────────────────┐ │ ❶ Writeback 回流引擎 │ ← 萃取 → 建節點 → 找關係 → 分發 └──┬──────────┬──────────┬────────┘ │ │ │ ▼ ▼ ▼ ③ 情節 🕸 圖譜 ❸ 矛盾偵測 MEMORY.md nodes.jsonl → minor: 語嫣裁決 (各員工) edges.jsonl → major: 通知 Boz │ │ → critical: 立刻上報 │ access≥5 │ ▼ ▼ ❹ 壓縮引擎 ❺ 圖譜引擎 情節→語義 關係維護 │ │ ▼ ▼ ② 語義 ❻ 湧現引擎 BRAIN.md 開場/收尾時 │ 浮出 0-3 條 │ 極少 相關知識 ▼ ① 程序 ROLE.md

🗜️ 壓縮引擎決策樹

觸發:MEMORY.md > 2KB  每月 1 日全員健檢
    │
    ├─ 升級候選
    │   weighted_access_count ≥ 5
    │   confidence > 0.7
    │   同標籤 3+ 相關節點
    │   → 情節濃縮為語義 → 寫入 BRAIN.md
    │   → 建立 derived_from 邊
    │
    ├─ 衰減候選
    │   60 天未引用
    │   confidence < 0.5
    │   非 decay_protected
    │   → 降低 confidence → 移入 _archive/
    │
    └─ 保持不動
        不符合以上任一條件
        → 原地不動,等下次掃描

⏪ Rollback 回溯流程

發現通則跑偏(對焦會議 / Boz 指出 / 矛盾偵測)
    │
    ▼ Step 1
confidence → 0,標記 invalidated
    │
    ▼ Step 2
回 _archive/ 挖出原始情節記憶
    │
    ▼ Step 3
從原始資料重新壓縮(排除跑偏那條)
    │
    ▼ Step 4
連帶 edges 全標 stale,重新評估
    │
    ▼ Step 5
員工 BRAIN.md 對應通則刪除重寫
    │
    ▼ Step 6
全程記錄 → logs/rollbacks.jsonl

🎯 冷啟動畢業條件(四項全過)

矛盾率

< 1 次/週

contradictions.jsonl 統計

灰色地帶正確率

> 70%

Boz 抽查 confidence 0.4-0.6 節點

孤立節點

< 15%

無任何 edge 的節點佔比

HR 週 Review

連續 4 週

無 major 異常

📋 Checkpoint 日報格式

日期:2026-04-12

[Writeback]      新增節點:3 / 新增關係:5 / 分發員工:2 / reasoning:✓
[Confidence]    引用更新:4 / Boz 確認:1
[Contradiction] 偵測矛盾:0(minor:0 / major:0 / critical:0)/ 狀態更新:1
[Compression]   升級候選:1 / 衰減候選:0 / 歸檔:0
[Graph]         孤立節點:12% / 平均邊數:2.3
[Emergence]     浮出:2 / 被採用:1 / 採用率:50% / depth:1
[Alignment]     (月度)偏離:--

空白欄 = 該引擎今天沒跑 → 連續 3 天空白 → HR 標記

💡 四項獨創機制

立場翻譯 Perspective Translation

同一事實進入不同 Agent 時,用該 Agent 的偏見重新解讀再存。解決「多 Agent 共享記憶但不失去個性」

湧現引擎 Emergence Engine

不是「你問它答」,是「你沒問它主動浮出」。帶時機門控制,只在開場和收尾兩個窗口觸發

建築式分層 Architectural Layering

四層樓對應記憶穩定度(程序→語義→情節→工作),地基是共享知識圖譜。穩定度由下往上遞減

信心衰減不刪除 Decay Without Deletion

知識不會真正消失,只會淡化。保留完整演變軌跡,任何時候都能追溯回原始記錄

🔄 完整機制流程圖

從一句話進入系統,到知識沉澱為記憶的完整路徑

Phase 1 — Input

📥 對話進入系統

Boz 說了一句話 → 進入工作記憶(第四層) → 語嫣判斷事業線

Phase 2 — Emergence Engine(開場窗口)

🔮 湧現引擎:主動浮出相關知識

提取 當前任務關鍵詞/標籤
查詢 graph/index.md → 找到直接相關節點
延伸 沿 edges 走 depth 步 → 間接相關節點
    Phase 1: depth=1 / 採用率<30% → +1 / 降了 → 回退
篩選 confidence > 0.5 + 90天內引用過
標記 每條帶 emergence_id → 追蹤採用結果
浮出 0-3 條背景知識(自然融入,不標記)
⏸️ 時機門關閉 — 任務中途不打擾

Phase 3 — Task Execution

⚡ 任務執行(工作記憶運作中)

語嫣路由 → 員工介入 Skill 派工或直接執行 產出交付物 → 回報 Boz

Phase 4 — Writeback Engine(總結 Step 2-3 觸發)

📝 回流引擎:萃取知識寫入圖譜

萃取 對話中的 Insight / Pain / Decision / Fact
建檔 每條知識 → 節點寫入 nodes.jsonl(含 context_window_days)
連線 比對現有節點 tags → 關係寫入 edges.jsonl
定分 初始 confidence(Boz說=0.95 / 數據=0.90 / 推論=0.60)
索引 更新 graph/index.md 標籤
審計 writeback.jsonl 記錄 reasoning(為什麼給他/不給他)
▼ ▼ ▼

5A 矛盾偵測

掃描同標籤節點

時間差判斷 context_window_days

比對是否衝突

minor → 語嫣裁決

major → 通知 Boz

critical → 立刻上報

→ contradictions.jsonl

5B 立場翻譯

讀 team-index.md

判斷誰需要知道

用員工偏見重寫

分發至 MEMORY.md

reasoning 記錄決策理由

5C 信心引擎

設定初始信心分數

引用 → +0.05

Boz 確認 → = 0.95

被推翻 → = 0.10

30天未引用 -0.05

下限 0.10(不刪除)

Phase 6 — Compression Engine(MEMORY > 2KB 或每月 1 日觸發)

🗜️ 壓縮引擎:情節 → 語義升級

掃描 全節點 weighted_access_count + last_accessed

升級候選(數據驅動,非主觀判斷):
  ├ weighted_access_count ≥ 5
  ├ confidence > 0.7
  └ 同標籤 ≥ 3 個相關節點
  → 情節濃縮為語義 → 寫入 BRAIN.md

衰減候選
  ├ 60天未引用 + confidence < 0.3
  └ 非 decay_protected
  → 移入 _archive/(不刪除)

Phase 7 — Checkpoint

📋 日報自檢 + 校準

每日(冷啟動期)

Checkpoint 日報
每引擎一欄
空白 = 漏跑
連續 3 天空白 → HR 標記

每月(對焦會議)

高頻節點抽查
員工詮釋 vs 地基原文
偏離 → 重寫/上報
信心衰減全掃描

Safeguard — Rollback(異常時觸發)

🔙 六步撤銷流程

1 confidence → 0 2 挖原始情節 3 重新壓縮 4 edges 標 stale 5 BRAIN 重寫 6 記錄 rollbacks.jsonl

觸發條件:對焦偏離 / Boz 指正 / 新事實推翻舊通則

冷啟動 → 穩定期畢業條件(四項全過)

< 1

矛盾率(次/週)

> 70%

灰色地帶抽樣正確率

< 15%

孤立節點比例

4 週

HR Review 連續無異常

不是在做一個很厲害的技術。
是在做一個「讓 AI 真的記得你說過什麼」的系統。

Memory is not storage. It's understanding.