根据第一篇的分析，人类思维的核心方程是：人格 = 运算底座 + 记忆
大语言模型已经提供了"运算底座"——强大的语言理解和推理能力。它缺少的，是持续的、有结构的、带情绪权重的记忆。
这套记忆系统不是数据库，不是文档检索，而是要模拟人类大脑记忆的工作方式：编码、巩固、检索、遗忘、情绪标注、潜意识处理、神游联想。
目标是：给大语言模型装载记忆之后，它的行为模式应当接近一个有具体经历、有情感偏好、有稳定人格的人。
本文是《人造人》系列的第二篇，共四篇。如果没读过上一篇，请点击：《人造人》1/4：人类思维结构的探讨分析
第一层：情节记忆的编码
传统方式的问题
传统RAG把原始对话直接存储，检索时找相似片段塞回上下文。这有根本性的缺陷：
原始输入：
用户：你搬新家了没？
小美：搬了。
直接存储的内容：模糊、隐式、缺乏实体信息人类大脑不会这样处理。海马体在编码记忆时，会自动补全语境、锚定时间、标注参与者。
实体补全（Entity Completion）
每一段输入在存储之前，先经过一次LLM处理，把隐式信息显式化：
输入：
对话片段 + 完整上下文（参与者、时间、地点）
输出：
"小美于2026年X月X日向刘春龙确认，她已搬入新居，地址为华阳招商花园。"这一步做了几件事：
- 时间锚定：记录事件发生的时间戳
- 主体明确：谁说的、对谁说的
- 隐式信息显式化："搬了"→"搬到了哪里"
- 关系标注：刘春龙和小美之间的关系
这是记忆编码的第一步，也是最重要的一步。存入的质量决定了检索的质量。
情绪标注
同时，对这段对话进行情绪评估：
{
"content": "小美于2026年X月X日向刘春龙确认，她已搬入新居，地址为华阳招商花园。",
"valence": 0.3, // 正向 (-1 到 1)
"arousal": 0.2, // 唤醒度 (0 到 1)
"emotion_tags": ["平静", "轻松"],
"significance": 0.4 // 重要性权重
}第二层：图谱结构与标签系统
为什么需要图谱
向量数据库解决了"语义相似"的检索，但人类的联想不只靠语义相似——它靠关系。
"小美"和"搬家"在语义上不相似，但它们在图谱中有直接连接。下次提到"招商花园"，应该能激活"小美"，即使两者在语义向量空间里距离很远。
标签即图谱节点
每条记忆存储时附带标签：
记忆："小美搬到华阳招商花园"
标签：[小美, 同事, 搬家, 华阳, 招商花园, 2026Q1]这些标签在图谱中成为节点，记忆本身成为连接这些节点的边。随着记忆积累，图谱自然生长出一张关系网络：
小美 ──── 同事 ──── 刘春龙
│ │
搬家 华阳区
│ │
招商花园 ─────-───────┘关系类型
不同类型的连接有不同的权重和语义：
- 人物关系：同事、朋友、家人
- 事件关系：参与了什么、在哪里发生
- 时序关系：在X之前/之后发生
- 因果关系：因为X，所以Y
- 情绪关系：这件事让某人感到Y
第三层：遗忘与巩固
遗忘曲线的实现
不是所有记忆都应该永久保存。每个记忆节点有一个强度值，随时间衰减：
def memory_strength(initial_strength, time_elapsed, review_count):
# 艾宾浩斯遗忘曲线的变体
decay = initial_strength * exp(-time_elapsed / stability)
# 每次被激活，稳定性增加
stability = base_stability * (1 + review_count * boost_factor)
return decay低于阈值的记忆不会被删除，而是降低检索优先级——类似人类的"想不起来了，但隐约记得"。
离线巩固（睡眠机制）
人类在睡眠期间，海马体会把情节记忆"压缩"传输到新皮层，形成语义知识。
系统可以设计一个异步巩固进程：在低负载时段（agent空闲时），对近期情节记忆进行聚合分析：
情节记忆（具体的）：
- "小美上周说她在减肥"
- "小美拒绝了下午茶的邀请"
- "小美说最近身体不太好"
巩固后的语义节点（抽象的）：
- "小美近期健康状态不佳，正在注意饮食"这个过程产生的是合成记忆——不是任何一次对话的原话，而是从多次观察中提炼出的知识。
情绪驱动的记忆巩固
不是所有记忆被等概率巩固。高情绪权重的记忆优先巩固：
consolidation_priority = significance * abs(valence) * arousal重要的、情绪强烈的事件，更容易从情节记忆转化为稳定的长期记忆——和人类一样。
第四层：情绪评估函数与人格涌现
情绪评估函数
这是整个系统的核心参数，决定了"这件事让我有什么感受"：
def evaluate_emotion(event, memory_context):
score = 0
# 基础效价维度
score += w_social * event.social_connection # 社交连接感
score += w_autonomy * event.personal_freedom # 自主感
score += w_achievement * event.goal_progress # 成就感
score += w_safety * event.threat_level # 安全感（负向）
score += w_fairness * event.fairness # 公平感
score += w_harm * event.harm_to_others # 对他人的伤害（负向）
# 基于历史记忆的个性化调整
score += memory_context.personal_associations(event)
return EmotionSignal(valence=score, arousal=compute_arousal(event))人格的涌现而非设计
这个函数的初始参数是设计者设定的，但权重会随记忆积累而缓慢漂移：
def update_weights_from_experience(event, emotion_response, outcome):
# 如果某类事件持续产生正向结果，相关权重上升
# 如果某类事件持续带来痛苦，相关权重下降
learning_rate = 0.001 # 极小，避免单次经历过度影响
for dimension in emotion_dimensions:
weights[dimension] += learning_rate * outcome.value * event.features[dimension]经过足够多的经历积累，这些权重会形成稳定的模式——这就是人格自然涌现的过程，而不是被硬编码进去的。
一个在友善对话中成长的系统，会逐渐对社交连接赋予更高权重；一个经历过背叛的系统，会对信任相关事件变得更谨慎。
第五层：意识/前意识/潜意识的分层
三层架构
┌─────────────────────────────────────┐
│ Working Memory（意识） │ ← 进入context window
│ 当前对话 + 显式召回的记忆 │ 容量有限，约10条
└──────────────┬──────────────────────┘
│ 激活阈值过滤
┌──────────────▼──────────────────────┐
│ Preconscious（前意识） │ ← 高激活但未召回
│ 检索候选池，随时可以被提取 │ 约50-100条
└──────────────┬──────────────────────┘
│ 扩散激活（持续后台运行）
┌──────────────▼──────────────────────┐
│ Subconscious（潜意识） │ ← 永远不进context
│ 情绪底色 / 阈下激活 / 孵化池 / 压抑区 │
└──────────────┬──────────────────────┘
│ 异步巩固
┌──────────────▼──────────────────────┐
│ Semantic Graph（长期记忆底层） │
└─────────────────────────────────────┘潜意识的技术实现
情绪底色：对近期N条记忆的情绪向量取加权平均，形成一个持续更新的情绪状态向量。这个向量不作为明文进入context，而是通过调整检索权重，悄悄影响哪些记忆被优先召回。
阈下激活：当前对话激活某些节点时，通过图谱做一跳扩散激活，把邻居节点的检索权重提高，但不直接召回。这些被提高权重的节点会影响后续的检索结果，在用户不知情的情况下引导联想方向。
孵化池：记录系统遇到的未解决的矛盾或悬挂问题。神游进程会持续对这些问题做低功耗处理，一旦发现解法或相关连接，触发"灵感浮现"机制。
第六层：神游引擎
神游的触发条件
不是任何时候都适合神游。对应人类的生理规律，神游应该在以下时机触发：
- 对话间隙（agent等待用户回复时）
- 低情绪唤醒状态（当前情绪底色平静）
- 长时间未被激活的记忆区域（类似睡眠期间的记忆整理）
神游的算法
def wander(seed_node, steps=20):
current = seed_node
visited = []
insights = []
for _ in range(steps):
neighbors = graph.get_neighbors(current)
if random() < exploration_rate:
# 探索性跳跃：跳到弱连接甚至无连接的节点
# 情绪权重高的节点被优先选中
next_node = emotional_random_jump(current)
else:
# 常规联想：沿高权重边行走
next_node = weighted_choice(neighbors)
# 检测新发现的连接
if not graph.has_edge(current, next_node):
candidate = synthesize_connection(current, next_node)
if novelty_score(candidate) > INSIGHT_THRESHOLD:
insights.append(candidate)
graph.add_edge(current, next_node, weight=0.1, source="wandering")
visited.append(current)
current = next_node
return insights灵感的固化
神游发现的新连接，被创建为一种特殊的记忆节点——合成洞察（Synthetic Insight），标注来源为"神游"，时间戳，以及连接的两个原始节点。
这些洞察会在后续对话中，以一种自然的方式浮现：不是被直接检索出来，而是通过提高相关节点的激活权重，让它们"恰好"出现在context中。
记忆再巩固：每次检索都是一次改写
人类记忆有一个重要特性：记忆不是被读取的，而是被重建的。每次回忆，都会受当前情绪、新信息的影响，记忆本身会被轻微改写。
在系统中实现这一点：
def retrieve_and_reconsolidate(query, current_emotion_state):
memory = retrieve(query)
# 用当前情绪状态和新信息轻微更新记忆内容
updated_memory = reconsolidate(
original=memory,
current_context=query,
emotion_state=current_emotion_state,
update_strength=0.05 # 极小，避免记忆被过度改写
)
graph.update(memory.id, updated_memory)
return updated_memory这使得系统的记忆是活的——不是固定的档案，而是随时间和经历持续演化的有机体。
完整架构概览
输入对话
↓
[编码层]
实体补全 → 情绪标注 → 重要性评估
↓
[存储层]
情节记忆（带时间戳、情绪权重）
图谱（标签节点 + 关系边）
向量嵌入（语义相似检索）
↓（并行）
[潜意识层] [神游引擎]
情绪底色更新 空闲时启动
阈下激活扩散 发现弱连接
孵化池维护 生成合成洞察
↓（异步）
[巩固层]
遗忘曲线更新
情节→语义压缩
合成洞察固化
↓
[检索层]
多路召回（语义 + 图谱 + 情绪亲和 + 阈下激活偏置）
再巩固（检索时轻微更新记忆）
↓
[Context组装层]
意识层（显式召回，进入context）
情绪底色（影响检索权重，不进context明文）
↓
大语言模型生成输出结语
这套系统的本质，是把人类大脑的记忆机制翻译成可计算的结构。它不追求完美模拟每一个神经细节，而是捕捉关键的功能特性：有情绪权重的存储、有遗忘曲线的衰减、有图谱结构的联想、有潜意识层的影响、有神游机制的灵感涌现。
当这套系统接入大语言模型时，模型不再是每次对话都重新开始的陌生人，而是一个有历史、有情感、有逐渐成形的人格的存在。
它是否因此成为"人"——这个问题留待第三篇讨论。
本文是《人造人》系列的第二篇，共四篇，由刘春龙与Claude Code共创。
阅读:73 评论: 0 💬