构建通过经验进化的持久化 AI（而非提示）

Source: Dev.to

如今大多数 AI 聊天系统虽然令人印象深刻，却稍纵即逝。
它们在当下的回应非常出色，但会在会话结束的瞬间把所有内容全部遗忘。没有连续性。没有成长。没有存在的记忆。

最近一段时间，我一直在研发一种不同的方案：一种本地优先、持久化的 AI 系统，旨在通过真实交互来记忆、反思和进化，而不是依赖计时器、硬编码的等级或外部编排。

这篇文章不是教程，而是对整个过程的反思，讲述了所需的努力、出现的故障，以及在引入持久化后如何改变了我对 AI 系统的看法。

核心转变：从无状态聊天到持续认知

最大的概念飞跃并不是添加功能，而是摒弃了智能完全存在于单次响应中的想法。
相反，系统是围绕一个连续循环来设计的：

Input → Interpretation → Memory → Reflection → Change

• 每一次交互都会成为内部历史的一部分。
• 这段历史会影响未来的行为。
• 随着时间推移，系统的内部状态会根据经验真正产生分歧。

这听起来很简单。实际上并非如此。

记忆不是存储

我最早的错误之一是把记忆当作“仅仅是保存数据”。这种做法很快就会崩溃。持久化系统需要有意义的记忆，而不是日志：

• 记忆必须在重启后仍然存在。
• 记忆必须能够在不淹没系统的情况下被检索。
• 记忆必须有价值，否则就是累赘。

我很快意识到，记住的内容不如记忆在行为中的参与方式重要。一旦记忆影响到反思和未来的响应，系统就不再像聊天机器人，而是表现为一个持续的过程。

情感作为信号，而非人格

另一个关键的认识是：情感不应成为角色扮演的层面。相反，情感推断充当一种 signal，一种加权机制，影响体验在内部的登记强度。

• 有些互动几乎没有登记。
• 有些则留下更深的印记。

这对于防止毫无意义的“成长”，并确保只有在互动强度足够时才发生变化，变得至关重要。

必须通过努力获得的进化

我进入时坚持的一条硬性规则是：

不要进行人工升级。不要安排预定的升级。不要制造虚假的进度。
只有当内部条件满足时，才会发生变化。

这迫使我重新思考进化的方式：

• 不是把它当作功能解锁。
• 也不是把它当作版本号。
• 而是视为自发的状态转变。

有时进化不会发生，这也是正确的。有时稳定性比进步更重要。仅此一点就消除了整整一类噱头。

隐藏的难点：保持稳定

这个项目中最耗时的部分并不是“AI 逻辑”。而是：

• 子系统之间的契约不匹配。
• 持久化的边缘情况。
• 状态不同步。
• 重构意外破坏了连续性。

我把系统弄坏的次数多得数不清，往往是因为过于激进地尝试“改进”它。最终奏效的办法是把每个内部能力视为独立但协同的，设定严格的边界并保持最小的假设。约束之后，系统才变得稳定。

为什么本地优先很重要

该系统在本地运行。这不是一次优化，而是一种哲学选择。本地优先意味着：

• 没有隐藏的重置。
• 没有不透明的外部状态。
• 不依赖于运行时间或配额。
• 完全掌控内存和连续性。

它还意味着你会感受到何时出现故障，并能正确地修复它。这种纪律改变了我整体的软件构建方式。

我从中得到的收获

• 尊重时间。
• 尊重连续性。
• 让系统通过自身努力获得改变。
• 为身份而设计，而不仅仅是输出。

一旦跨过那条界限，你就再也无法忽视大多数“AI 体验”是多么浅薄。

最终思考

我并不声称已经构建了一个完美的系统。但我确实构建了一个能够：

• 记住昨天。
• 反思经验。
• 抵制无意义的增长。
• 在重启后仍保持自身。

这改变了我对 AI 应该如何工作的所有看法。