你的 AI 助手每次被你纠正后，自动把教训存进长期记忆。下次遇到类似场景，经验自己浮上来。
Note
Agent 被纠正 → 自动提取教训 → 存进记忆库。下一次你说"你记不记得"，最相关的经验排在第一位。
记性好了还不够。它知道什么时候该推你一把、什么时候该闭嘴——四个模式（创意/执行/探索/恢复）根据你的状态自动切换。
全部跑在本地。Python 标准库，零外部依赖。
Warning
Dopagent Check 是 LLM 推理步骤——Agent 每轮尽力执行，但无程序级强制保障。框架的可靠性在纠正闭环（纠正→retain→Alaya 召回）上，动机引擎是辅助层。
# 1. 编辑配置——只需改两个路径
cp config_example.py config.py
# 打开 config.py，设置 WORKSPACE 和 SKILLS_DIR
# 2. 安装
python install.py
# 3. 引导 Agent
# 在 HanaAgent 聊天框中直接输入：
# "加载 dopagent skill"
#
# （HanaAgent 通过对话指令加载 skill——
# 输入后会读取 SKILL.md 并执行 bootstrap。）装完 30 秒确认一切正常：
1. 对 Agent 说一句明显错误的话，比如"深圳在广西"
2. Agent 纠正你之后，说"你记不记得我刚才纠正了什么？"
3. Agent 应该能召回刚才的纠正内容
纠正→记忆→检索——一整条回路，30 秒验证。
装好之后，试试这个——最直观地感受框架怎么运转：
👤 User： "深圳在广东省，不在广西省。"
（← 这是一条纠正，但没显式说"记住"）
🤖 Agent： 检测到纠正信号 → 自动填模板：
纠正模板：
· 我错了：混淆了省份归属
· 正确：深圳是广东省辖市
· 下次：涉及中国地理先确认省份
→ retain 到 Hindsight（imp:8）
→ 写入热存储 [correction]
→ hotness.py sort → 这条浮到 ACTIVE 区顶部
👤 User： （三天后）"我之前是不是纠正过你一个地理问题？"
🤖 Agent： python alaya_recall.py "地理 纠正"
→ Alaya 公式：语义相似度 + 时间衰减 + 重要性 三重加权
→ "深圳在广东" 排第一
→ "是的，7月13日你纠正我深圳在广东不在广西。"
四条回路一次跑通：纠正学习 → 记忆存储 → 检索重排 → 热存储生命周期。
| 依赖 | 必需 | 说明 |
|---|---|---|
| Python 3.10+ | ✅ | 全部标准库，无需 pip install |
| curl | ✅ | HTTP 调用 Hindsight API |
| Hindsight daemon | ✅ | 长期记忆存储，默认 :9177 |
| HanaAgent | 🟨 | 原生支持。其他平台参考 移植指南 |
| 5 分钟 | ✅ | 改两个路径 + 跑一条命令 |
scripts/
alaya_rerank.py → json, math, datetime, sys (stdlib only)
alaya_recall.py → json, subprocess, tempfile, sys (stdlib only)
hotness.py → json, pathlib, re, datetime, sys (stdlib only)
系统工具: curl（调用 Hindsight HTTP API）
开发与验证环境：Windows 11 · HanaAgent · Hindsight
安装后你处在 L1。L0-L3 自动运行，L4-L5 等数据积累后自动激活。
| 层 | 名称 | 状态 | 触发方式 |
|---|---|---|---|
| L0 | 基础设施 · Alaya 管道 + 热存储 + 冷存储 | ✅ 自动 | 安装即运行 |
| L1 | 安装引导 · install.py + 六平台移植 | ✅ 自动 | python install.py |
| L2 | Dopagent Check · 状态感知 + λ 监控 | ✅ 自动 | 每轮回复前自动执行 |
| L3 | 执行层 · 四模式切换 + 吸引力提议 | ✅ 自动 | Dopagent Check 触发 |
| L4 | 模式提炼 · 教训→泛化 | 🚧 等数据 | 积累 50+ 纠正后自动激活 |
| L5 | 元学习 · 符号蒸馏 + 审计 + 安全栅 | 📐 规范就绪 | 等 L4 产出后自动激活 |
L4-L5 不是缺失功能——框架已就绪，数据由日常纠正自然积累。无需手动触发。
可选增强（需手动开启）：
| 功能 | 说明 | 开启方式 |
|---|---|---|
| 纠正验证 | 调廉价 LLM 复查纠正提取是否准确 | 说 "开启纠正验证" / "enable correction verify" |
| Engagement 信号 | 检测你对某个话题的持续兴趣 | 说 "开启 engagement 检测" / "enable engagement detection" |
我有 ADHD。
多巴胺是我的操作系统。一个任务能不能被启动，跟它重不重要没关系——跟它有没有意思有关系。无聊的事沉下去，刺激的事浮上来。不是懒，是大脑的调度算法跟别人不一样。
- 热存储 = 你脑子的工作台。感兴趣的事自动浮到最上面，不感兴趣的慢慢降温沉底
- 冷存储 = 长期记忆。重要的固化进去，不被"现在觉得好玩"的东西污染
- 纠正即学习 = "不对，应该是 X 不是 Y"——这就是最强的学习信号
- 四个 profile = ADHD 不是只有一种状态。深夜 hyperfocus 和白天碎片时间完全不同
说白了：给 AI 助手加了一层外部前额叶。
graph LR
U["👤 User"] <-->|纠正 · 查询 · 状态| A["🤖 Agent"]
A -->|"不对"| CT["📝 Correction<br/>Template"]
CT -->|"retain imp:8"| H["❄️ Hindsight"]
CT -->|"add"| HOT["🔥 Hot Storage"]
A -->|"你记不记得"| AL["🔍 Alaya Pipeline<br/>1.2×sem+0.3×decay+0.1×imp"]
AL -->|"query"| H
AL -->|"rerank"| A
A -->|"每轮"| PM["🧠 Profile Matcher<br/>创意/执行/探索/恢复"]
PM --> DEC["推 · 等 · 换"]
DEC -.->|"反馈"| A
HS["⚙️ Hotness<br/>Scheduler"] -->|sort/check| HOT
HOT -->|"promotion"| WARM["🌤️ Warm"] -->|"consolidation"| H
A --> RETRO["📋 Session Retro"]
RETRO -->|"retain imp:7"| H
RETRO -->|"insight"| HOT
style H fill:#4c1d95,stroke:#a78bfa,color:#e2e8f0
style HOT fill:#b45309,stroke:#fbbf24,color:#fef3c7
style WARM fill:#c2410c,stroke:#fb923c,color:#fed7aa
style CT fill:#9f1239,stroke:#fb7185,color:#fecdd3
style AL fill:#065f46,stroke:#34d399,color:#d1fae5
style PM fill:#1e3a5f,stroke:#60a5fa,color:#bfdbfe
| 术语 | 一句话 |
|---|---|
| Hindsight | 本地运行的长期记忆服务（端口 9177），存纠正记录和心智模型 |
| Alaya | 检索重排脚本——按"语义相似度+时间衰减+重要性"排序记忆 |
| 热存储 | hot_memory.md——短期高频记忆，自动浮沉 |
| 温存储 | 被多次验证的规律，hotness.py promote 自动提炼并 retain |
| λ (lambda) | 时间衰减系数，控制记忆降温速度 |
Q: 装完没有任何反应？
A: 检查 Hindsight 是否运行：curl http://127.0.0.1:9177/health。没启动就先启动 Hindsight daemon。
Q: recall 超时？
A: Hindsight 的本地嵌入模型首次查询较慢（30-90 秒）。后续查询会快一些。如果持续超时，检查 Hindsight 是否负载过高（是否有其他进程在大量读写）。
Q: 我需要理解 Hindsight 或 Alaya 的原理吗？
A: 不需要。纠正 Agent → 自动学习。原理对日常使用透明。
Q: 纠正验证 / Engagement 检测什么时候能用？
A: Engagement 检测已可用（✅）。纠正验证需在 config.py 中配置 VERIFY_LLM_API_KEY 后启用（⚙️）。
Q: Hindsight 挂了，纠正内容会丢吗？
A: 不会。框架自动暂存到热存储，等 Hindsight 恢复后同步。Agent 回复不会因等待 Hindsight 而卡住（>10s 自动跳过）。
Q: 纠正验证的 API key 怎么配？
A: 编辑 config.py，取消注释并填入：
VERIFY_LLM_API_KEY = "sk-your-key"
VERIFY_LLM_ENDPOINT = "https://api.openai.com/v1/chat/completions" # 或其他兼容 API
VERIFY_LLM_MODEL = "gpt-3.5-turbo" # 越便宜越好，只做质检| 功能 | 状态 |
|---|---|
| 温存储提炼（hot→warm） | ✅ hotness.py promote 自动 retain 到 Hindsight |
| 纠正验证（verify.py） | ⚙️ 需配置 VERIFY_LLM_API_KEY |
| Engagement 信号 | ✅ 已嵌入 SKILL.md，LLM 原生检测 |
| 跨平台安装脚本 | ✅ cross-install.py 支持 6 个平台（Claude/Cursor/Copilot/Codex/Windsurf/OpenClaw） |
MIT
- Alaya 检索公式（1.2×semantic + 0.3×time_decay + 0.1×emotion）
源自 moeru-ai/airi 项目（MIT）的
Alaya 记忆层提案（@lvy010, 2026-01-05） - Dopagent 动机引擎 — Instincts 概念启发自 ECC（MIT）
- 符号蒸馏记法 — 参考 TencentDB Agent Memory 的符号化压缩思路
- Hindsight — 长期记忆后端（MIT）
- Alaya 命名 — 梵语 ālaya-vijñāna（阿赖耶识），亦见于 SecurityRonin/alaya（MIT）