记忆与 Sleep

持久记忆

Riverse 跨会话记忆，构建随你演化的用户画像。每一次对话都会加深对你性格、偏好、经历和人际关系的理解。

这由河流算法驱动 — 对话像水流，关键信息像河床泥沙一样沉淀，经过多轮验证逐步从"猜测"升级为"确认"再到"稳固"。

Sleep — 离线记忆整合

Sleep 是 Riverse 消化对话、更新画像的过程。支持自动触发和手动触发：

触发方式	说明
Telegram	发送 /new — 重置会话并在后台运行 Sleep
CLI	退出时自动执行（quit 或 Ctrl+C）
REST API	POST /sleep
定时任务（推荐）	用 cron 设定每晚定时跑，整合一天的对话

cron 示例

每天凌晨 0 点运行 Sleep：

# crontab -e
0 0 * * * cd /path/to/JKRiver && /path/to/python -c "from agent.sleep import run; run()"

知识网络

Sleep 还会构建知识网络 — 用类型化的边连接相关的画像事实（如 causes、related_to、contradicts、supports）。让 AI 看到事实之间的结构关系，而不只是孤立的条目。

当事实被关闭或取代时，相关的边会自动清理。

记忆聚类

开启向量嵌入后，Sleep 还可以对记忆向量做 KMeans 聚类，并为每个簇生成主题标签，提供"鸟瞰"视角了解 AI 对你的认知全貌。

embedding:
  clustering:
    enabled: true
    show_themes: true

语义搜索

开启向量嵌入（BGE-M3）后，Riverse 可以按语义而非关键词检索相关记忆。

embedding:
  enabled: true
  model: "bge-m3"
  api_base: "http://localhost:11434"

会话记忆（Session Memory）

会话记忆通过三层结构管理单次对话中的上下文：

1. 滑动摘要 — 旧对话被 LLM 压缩为滚动摘要，保留历史不超 token 限制
2. 向量召回 — 开启向量嵌入后，根据当前消息的语义相似度召回早期相关对话
3. 最近轮次 — 最近几轮对话完整保留，提供即时上下文

三层系统让对话可以无限进行而不丢失重要上下文。在 settings.yaml 中配置：

session_memory:
    char_budget: 3000        # 会话上下文总字符预算
    keep_recent: 5           # 保留完整的最近轮次数
    summary_ratio: 0.4       # 摘要占预算的比例
    recall_max: 3            # 向量召回最大条数
    recall_min_score: 0.45   # 召回最低相似度

pgvector 加速

默认情况下，向量以 JSONB 存储，余弦相似度在 Python 中计算。对于大数据集，安装 pgvector 扩展可显著提升性能：

# macOS
brew install pgvector

# Debian/Ubuntu
apt install postgresql-16-pgvector

然后运行迁移脚本：

psql -h localhost -U YOUR_USERNAME -d Riverse -f migrations/001_pgvector.sql

这会创建原生 vector(1024) 列和 IVFFlat 索引，实现快速近似最近邻搜索。应用会自动检测 pgvector 并在可用时使用，无需修改配置。

记忆准确性

Info

目前没有任何 LLM 是专门为个人画像提取训练的，提取结果可能偶尔出现偏差。发现不准确的内容时，可以在 Web 面板中拒绝错误记忆或关闭不再适用的记忆。Riverse 不支持手动编辑记忆内容 — 错误的记忆就像河流中的泥沙，应该被水流冲走，而不是人工雕刻河床。随着对话积累，河流算法会通过多轮验证和矛盾检测不断自我修正，画像会越来越准确。