先說一下當初的構想#

第一版的想法很粗暴——每天跑一次清理 job，把重複的、壞掉的處理掉。

規則版第二週就撞牆——「過時」不是規則能判的，要有人讀脈絡。加一層 LLM 反思才救回。

現在這條線有四件事在跑：夢境迴圈、知識體檢、興趣畫像，還有一串背景小件。下面分開講。

一、夢境迴圈 — 五階段#

五階段循序跑：

1. 定位（Orient）——看今天累積多少新東西、上次做夢是什麼時候
2. 訊號（Signal）——掃矛盾、找圖裡的中心節點
3. 反思（Reflect）——LLM 讀統計快照，指出洞察和知識缺口
4. 鞏固（Consolidate）——實際合併、取代、正規化格式
5. 修剪（Prune）——清孤兒節點、處理過時記憶

夢境迴圈附帶的小事：時間衝突仲裁#

夢裡最常處理的一種狀況是——同一件事，你三個月前說一套，上禮拜又說一套。哪個算數？

系統不會自己選邊，做法像法官審理遺囑：把新舊兩份說法跟它們各自的時間戳一起攤在桌上，請一位裁判（也就是請一個更聰明的腦子來讀）判出三種結果其中之一：

• 合併——兩份其實在講同一件事，只是角度不同，併成一條
• 取代——新的把舊的覆蓋掉，舊的留時間戳當註腳
• 共存——其實是兩件不同的事，各自為政

遇到拿不定主意的，會升級請更聰明的裁判進來。寧可慢一點、寧可請外援，也不要把錯的版本當成事實寫死。判完之後，每條事實都會帶著「從哪天開始有效、到哪天作廢」的兩個時間戳，下次回想時才不會把舊版本當成現況。

觸發條件寫在上面的圖裡——雙閘門沒滿足就跳過。記憶還沒沉澱就動手整理，只會把雜訊當訊號。

跟 Claude Code 的 Auto Dream 對照一下：他們是四階段（Orient → Gather → Consolidate → Prune），我這邊在 Gather 跟 Consolidate 中間多塞一個 Reflect，讓 LLM 讀統計快照產出洞察跟知識缺口。另一個不一樣的地方：他們的作夢子代理是唯讀的，看看就好不會改東西；memvault 會實際動資料，靠三階段確認制當煞車。

二、知識體檢 — 四層遞進#

圖譜裡總有東西會壞掉。孤兒節點、指向不存在實體的關係、自相矛盾的三元組。

四層從便宜到貴循序檢查：

1. 圖結構——孤兒、迴圈、格式問題。規則層能攔
2. Ground Truth——用 canonical 定義檢查值域是否合法
3. LLM 判斷——前兩層攔不下來的，例如「語意矛盾但結構合法」
4. 三階段確認制——高影響力變更先標記、再複核、最後才動手，不直接 mutate

最後一層是撞了幾次加的。LLM 單輪判斷會 hallucination，直接下手會把好東西刪掉。

順便升級的：邊不是只看「有沒有同框」#

原本兩個概念只要在同一段對話出現過，系統就會在它們之間連一條線。後來發現這樣連太隨便——同一場會議被點到的兩個無關名詞，硬被綁在一起。

改成像在判斷兩個人是不是真的熟。光看一次同框不夠，要綜合五件事一起看：

• 同框次數——出現在一起幾回
• 同期重疊——是不是常常出現在同一段時間
• 共同朋友多不多——他們連到的其他點重不重
• 類型對不對盤——人跟地方的關聯強度，不能跟人跟人的等量齊觀
• 意思像不像——講的東西意思上是不是接近

五件事各有權重，加起來算總分。分數夠才連，不夠就先擱著。連上的線品質就比之前乾淨得多——這是邊權重升級之後最有感的差別。

圖譜不只記事實，也記偏好跟熟練度#

事實層只能回答「你做過什麼」。但你日常的一句話常常牽到「你偏好什麼風格」、「這件事你做到多熟」——這兩塊原本被丟進記事本不分類，後來各自獨立成一層。

偏好那層分十類：寫作風格、技術選型、設計原則、做事節奏、審美傾向⋯⋯每一類都有版本鏈，舊版本不刪只壓低，太久沒被佐證的會自己淡出。像你今天說「我比較喜歡簡潔」，三個月後沒再提，這條偏好的可信度會自動衰減，不會永久綁架未來的判斷。

熟練度那層更像角色扮演遊戲裡的等級表：第一級是基礎、第二級是熟練、第三級會創造。每次你實際運用某個技能，等級會慢慢升上去；長期沒練的會慢慢退。這樣它知道哪些是你「聽過」、哪些是你「做過」、哪些是你「會教人」。

不只清掃，還主動探勘#

體檢的本職是清，但同一張圖看久了會發現另一件事：你有些有趣的東西自己都沒注意到。例如你一直在聊兩個看似無關的領域，但圖上其實有條彎彎曲曲的路把它們連起來——你只是還沒想到。

探勘專門挖三種驚喜：

• 跨群連結——兩個從沒往來過的圈子之間冒出一條新通道
• 遠處的強連結——表面看八竿子打不著，但繞兩圈過去結結實實
• 你自己都沒發現的空缺——某個圈子明明該有的關鍵點你還沒填

挖到以後不會直接行動，會丟到一個「這個你可能會想看」的小信箱，等你哪天主動翻才出現，不打擾日常對話的節奏。

遇到模糊的，送回老師看#

體檢遇到拿不定主意的會自動先扣下來。像考場代為改卷的助教，大部分題目自己就能批，但有幾種情況一定要送回主考官手裡：信心分數太低、新舊兩說各有道理、影響範圍太大。

多數小題目助教按既定答案批改完直接過；只有真的拿不準的才會落到一個小審核區。等你哪天有空翻一下，按一個「對」或「不對」，這條判決就學起來，下次類似情況助教就能自己處理。

這樣做的好處是：自動化跑得快，但不會因為跑太快就把好東西誤刪。慢慢長出來的判斷力比一次寫死的規則耐用。

三、興趣畫像 — 7 / 30 / 90 天#

追蹤我最近在關心什麼、什麼在冷卻。三個時間窗疊著看：最近一週、最近一月、最近三月。

每天自動寫一頁日記#

每天凌晨系統會自己幫你寫一頁「今天的你」：今天最常想的那幾件事、最常被點到的人事物、跟昨天比是哪邊熱了哪邊冷了。你不用動手記。

這份日記不是給你看的——是給未來的你看的。半年後你想知道「我那段時間在忙什麼」，翻這一頁比翻所有對話省事太多。也是知識體檢的對照組，看出哪些東西你以為自己很在意、實際上一個月沒提。

有一個功能我沒想到會有用：知識缺口偵測——系統會注意到「你常聊 A，但從沒聊過相關的 B」，然後主動提醒。不是「你可能會喜歡」，而是「你好像漏了一塊」。

還有一種缺口：書架同一格永遠空著#

另一種缺口長得不太一樣——你反覆問同一件事，但每次系統都翻不到答案。像你常走到書架同一格找書，那一格永遠空的。一兩次可能只是巧合，但累積到第三次系統就會把這格標起來：「這裡你需要，但這裡沒東西。」

標出來不會自動補答案。它做的是讓你下次再來找的時候，系統知道「啊，這格之前空過、要不要先去找個東西放進來」。久了你會發現自己反覆在問同一個問題卻沒得到解，這個訊號比答案本身有用——它告訴你該去主動補哪一塊。

四、其他在背景偷偷跑的小件#

還有一堆不大不小但少了會出事的事：

• 慢思考——背景預測下一個可能的問題，預搜結果塞進快取
• 熱溫冷冰分級——常被叫的留全文，冷掉壓成摘要，冰封的只剩 summary（法律追溯保留）
• 格式正規化——encoding、空白、截斷處理（在鞏固階段順手做）
• 低信心審查——信心度低於某閾值的記憶自動進人工複核佇列
• 閉環回饋——按讚、點擊、事後的判斷（對/錯）會回寫進記憶權重

降級壓縮：老照片轉黑白縮圖存進倉庫#

記憶不是放著就好，會分四個溫度層：熱、溫、冷、冰。最近常被叫到的留全文；變冷的會被壓成一段大約四百字的摘要；冰封的只剩一個極短的標題式摘要，主要是法律或合規追溯用。

關鍵在於壓縮是單向的。從熱往冰走會壓，從冰往熱走不會自動還原——就像老照片洗成黑白縮圖存進倉庫，哪天再翻出來不會自動上色。原因很簡單：再展開也只是用今天的腦補去填過去的細節，那不是記憶，那是創作。要嚴謹的話寧可承認「我不記得了」。

初期構想#

初版是一支純規則的清理腳本，每日 cron（排程）跑一次。做下去發現規則層判不了「過時」跟「矛盾」，才加了一層 LLM（大型語言模型）反思。上線前先 dry-run（乾跑）看日誌品質，確認穩定再開實際寫入。

Background Track（背景軌道）目前有四條主線：Dream Loop（夢境迴圈）、Knowledge Lint（知識體檢）、Interest Profile（興趣畫像），加上一串雜務型背景任務。

一、Dream Loop（夢境迴圈）五階段#

五階段循序跑，在 dream.py 裡依序呼叫：

1. _orient() ——本次 session 差異統計，讀 Redis 裡的 last_dream_at
2. _gather_signal() ——矛盾掃描加上 PPR（Personalized PageRank）中心性偵測
3. _reflect() ——LLM 讀統計快照，產出洞察與知識缺口
4. _consolidate() ——批次 resolve_conflict()、批次去重、內容正規化
5. _prune_and_report() ——孤兒節點整頓、過時條目清理

Temporal Conflict Resolution（時間衝突仲裁）#

夢裡的法官——同一個 subject 出現新舊矛盾時，由 LLM 三向裁判決定如何收斂。

• 路徑：memvault.kg.temporal_conflict.resolve()，由 _consolidate() 批次呼叫
• 輸入 prompt 帶時態：valid_at / invalid_at 跟 source session 一起餵入，避免 LLM 用今日視角誤判舊事實
• 三向判決：MERGE（語意可合併）／ SUPERSEDE（新事實覆寫，舊條目降級保留）／ COEXIST（互不衝突）
• 低信心升級：confidence < threshold 時自動升級到 RLM（Reasoning Language Model）重判

verdict = await resolve(old_triple, new_triple, ctx)
match verdict.action:
    case "MERGE":     merge_triples(old, new)
    case "SUPERSEDE": old.invalid_at = new.valid_at
    case "COEXIST":   keep_both(old, new)

Dual-Gate（雙閘門）條件：(now - last_dream_at) > 24h AND sessions_since >= 5。沒滿足就直接略過——記憶還沒沉澱時跑，雜訊會被當訊號處理。

跟 Claude Code 洩漏的 Auto Dream（自動夢境）架構對照：他們走四階段（Orient 定位 → Gather 收集 → Consolidate 鞏固 → Prune 修剪），memvault 在 Gather 跟 Consolidate 中間插入 Reflect（反思），讓 LLM 讀快照產出洞察與知識缺口。權限模型也不同：Claude Code 的 dream subagent（作夢子代理）是 read-only（唯讀）bash，memvault 會直接 mutate（變更）資料，靠三階段確認制做 safety gate（安全閘）。

二、Knowledge Lint（知識體檢）四層#

從便宜到昂貴循序檢查：

1. 圖結構層——孤兒節點、迴圈、格式壞掉的三元組（純規則可判）
2. Grounding（接地）層——用 canonical（標準化）定義檢查謂詞值域合不合法
3. LLM 層——結構合法但語意矛盾的微妙問題，規則抓不到
4. 三階段確認——高影響變更走「標記 → 複核 → 提交」，不直接改動

volatile predicate（易變謂詞）偵測跟孤兒實體清理都在這層跑。三階段確認是踩過幾次誤判之後加的——單輪 LLM 判斷不夠穩，高風險動作需要人工審核閘。

Multi-Signal Edges（多訊號邊權重）#

不只看「有沒有同框」——共現一次就連線會塞滿假邊，改成五訊號合成 composite_weight。

• 路徑：memvault.kg.edge_ops（build_edge() + compute_composite()）
• 5 signals：
  • co_occurrence — 共現頻次（log-scaled）
  • session_overlap — Jaccard over session sets
  • adamic_adar — 共同鄰居的反 log degree 加權（Adamic-Adar index）
  • type_affinity — 來源 / 目標 entity_type 的 prior matrix
  • semantic_similarity — embedding cosine
• composite：weighted sum，下游 Leiden 分群直接讀此欄位當 edge weight

w_edge = (0.25 * co_occ_log
        + 0.20 * session_jaccard
        + 0.20 * adamic_adar_norm
        + 0.15 * type_affinity
        + 0.20 * semantic_cosine)

Attitude Layer + Skill Proficiency（人格化層）#

圖譜不只記 facts，還記 preferences 跟 mastery——這兩層脫離 generic entity table 獨立建模。

• Attitude Layer：10 類態度（writing_style / tech_choice / design_principle / pace / aesthetic ...），每條 attitude 帶 version_chain，舊版以 superseded_at 標註不硬刪
• Confidence decay：未被新證據佐證者，confidence *= exp(-λ * Δt)，避免永久綁架
• Skill Proficiency：L1（exposure） → L2（competent） → L3（generative），每次 record_skill_use() 提供經驗值，半衰期式衰退
• 分離理由：preference 與 fact 的衝突解析規則不同（preference 容許共存歷史版本，fact 走 SUPERSEDE）

attitude.upsert(
    category="tech_choice",
    statement="prefer modular monolith",
    confidence=0.85,
    evidence=[session_id_1, session_id_2],
)
skill.record_use("rust_async_runtime", proficiency=L2, evidence=session_id)

Surprise Discovery（驚喜探勘）#

體檢順手做的反向工作——不只清掃，還主動探勘圖譜中的非顯性連結。

• 路徑：memvault.discovery.surprise_ops，dream loop 的 _signal() 階段觸發
• 三類發現：
  • cross_community — Leiden 切出的不同社群之間新生 bridge edge
  • indirect_strong — 2-hop 路徑高分但 direct edge 缺失（透過 PPR 偵測）
  • knowledge_gap — 結構上預期該存在的鄰居 entity 缺漏
• 觸發條件：Leiden weighted 分群後，跨社群新邊 + composite weight 超過動態閾值才入隊
• 不主動推送：寫入 discovery_inbox，由前台 Read Track 在 idle 時拉取，避免污染主對話

Review Queue（人工複審 fallback）#

助教改卷模式——大宗低風險自動 approve，模糊或高影響的進審核佇列等人類最終裁定。

• 路徑：memvault.review_ops，介接 Knowledge Lint 與 Conflict Resolver
• auto-approve rules：confidence > 0.8 且 impact_score < threshold 直接過
• 進佇列條件：低信心、conflicting verdict、batch size > N、或牽動 Attitude / Skill 等高敏感層
• human-in-loop fallback：佇列項目逾時未處理 → SUPERSEDE 退回 PENDING，不會無聲落地
• 學習回饋：人工裁決結果回灌進 auto-approve 的 impact_score 校準

三、Interest Profile（興趣畫像）7 / 30 / 90 天#

滾動式的注意力窗口（7、30、90 日三層）加上知識缺口偵測跟每日快照。

Daily Snapshot（每日興趣報告）#

每天自動寫一頁日記——SQL 聚合一張當日剖面表，省掉每次查詢都重算 7/30/90 視窗。

• 路徑：memvault.profile.daily_snapshot，dream loop 的 _orient() 之後寫入
• 欄位：top_intents（top-N by frequency）、top_entities（PPR 中心性 top-N）、delta_vs_yesterday（出現 / 消失的 entity 集合）
• 用途：Read Track recall 時直接 join 此表加速 fresh-bias；長期看可給 Knowledge Lint 比對「自稱在乎 vs 實際關注」
• 保留期：snapshot 不會被 dream loop prune，純讀寫分離，保留期跟 Block 不同生命週期

SELECT intent_label, COUNT(*) AS freq
FROM memvault.recall_log
WHERE created_at::date = CURRENT_DATE
GROUP BY intent_label
ORDER BY freq DESC LIMIT 10;

知識缺口偵測不是協同過濾。邏輯是圖譜結構上的「鄰居訪問不均」——你頻繁聊某個群集的 A 節點，但相連的 B 從沒被觸及，系統就標出「你好像漏了一塊」。

Knowledge Gap Detection（知識缺口偵測）#

另一條缺口偵測線——書架同一格永遠空著：使用者反覆查但 recall 失敗的 query。

• 觸發條件：同 intent / 同 entity 的 recall 中，verdict = INCORRECT 累積 ≥ 2 failures（CRAG 評判信號）
• 標記：寫入 knowledge_gap 表，欄位含 query_signature、fail_count、last_fail_at
• 不自動補：系統不會幻覺式生成內容填空，只在下次 recall 時提示前台「此問題歷史 fail，建議補資料」
• 跟結構式缺口的差異：上一段（鄰居訪問不均）來自圖譜拓樸，這段來自 recall 失敗 log，兩者互補

四、其他背景雜務#

• SlowThinker（慢思考）——五步預測式預取管線，靈感來自 VoiceAgentRAG（語音代理 RAG，Salesforce AI Research）
• ContentNormalizer（內容正規化）——處理編碼、空白、截斷，寄生在 _consolidate() 裡
• GRCAdapter（治理／風險／合規閘）——信心閾值以下的記憶進人工審核佇列
• 閉環回饋——Background 尊重三類權重訊號（不自行寫）：Feedback Boost（用戶 +/-）、Access Reinforcement（FG recall 時即時 record_access，延長 effective half-life 最多 10x，30 天自衰減）、CRAG 評判。curate 讀這些訊號避免誤刪被點燃的 block
• TierDigest（降級壓縮）——老照片轉黑白縮圖存進倉庫的單向過程：
  • 路徑：memvault.lifecycle.tier_digest
  • 觸發：lifecycle 生命週期 warm → cold、cold → frozen 降級時呼叫 LLM 摘要
  • 限制：摘要 ≤ 400 chars，寫入 BlockFrozen.summary
  • 單向性：上行（cold → warm）不解壓縮、不還原原文。理由：用今日 LLM 還原過去細節 = hallucination，違反 fidelity