一种思考智能体记忆的新方式——"厨师味觉"：每天的工作都会生成一个可逆向分解到项目的指纹，还能检测出尚未命名的项目 [开源]

我在家用服务器上运行着一个 24/7 的 AI 智能体（本地大模型 + 云端），它每天以 Markdown 日志形式记录我们工作的所有内容。几周前，我洗澡时闪过一个念头：如果每个项目都有一个像 **十六进制颜色** 那样的唯一 ID，而每天的工作将这些 ID 混合成一种新的颜色——这样你就能观察这种混合色，并看到其中的组成部分？结果发现，这个想法因为一个有趣的数学原因而失败：颜色只有 3 个数字，而 3 个数字无法承载约 50 个项目的归属关系。这恰恰就是为什么你无法逆向混合颜料。 真正可行的比喻是 **厨师的味觉**：一位训练有素的厨师品尝一道陌生菜肴，能说出每一种原料，估算出比例，并且——关键的一步——当他发现菜肴中有他不认识的成分时能立刻察觉。 背后的数学原理已有约 30 年历史：超维度计算 / 向量符号架构（Kanerva）。每个项目 slug 确定性地生成一个 4,096 维的 ±1 向量；随机高维向量近乎正交，因此一天的加权和可以通过点积分解回原始向量。混合变得可逆。 现在，我的智能体记忆之上有了这一层，它能回答嵌入搜索结构上无法回答的问题： - "列出 **所有** 涉及项目 X 的日子"（搜索返回的是代表性样本，而非完整集合） - "项目 X 是从什么时候开始的，**包括在其旧名称下**？"（近因性会掩盖起源——这在基线中完全遗漏） - "三月活跃但六月已死的项目有哪些？"（你无法嵌入集合差） - "哪些工作流 **从未获得文档**？"（你无法嵌入一个缺失） - 以及厨师的绝招："周二有一个未知成分——它频繁与你的烹饪网站同时出现，也许给它起个名字？" 我认为实际上最有复用价值的部分是：**验证协议**。在信任它之前，我们基于我自己的历史进行了回测——冻结一份真实基准文档，让对抗性验证智能体盲审重新推导出 92 天中的 31 天（发现了 2 个真实的标记错误，忠实度 93.5%），并通过从码本中删除已知项目来回放历史，证明未知成分检测器本应能标记出它们（在回测中发生于第 0-2 天；我的实际历史中有一个项目运行了超过 13 天才获得文档，这正是促使我开发此功能的动机）。 诚实的发现（因为每篇关于记忆的文章都应该包含它们）： - 纯组合 **表格** 完成了大部分查询工作。向量层在无损解码、日相似性、漂移追踪和固定大小编码方面有其价值，而非用于基础查找。 - 我的本地模型（Gemma 26B）**未通过** 标记质量门槛（一致性 0.74，低于 0.80 的标准），因此它作为告警后备方案，而大型云模型是夜间主方案。使用前请自行测试。 - 这是一个索引，而非摘要器。厨师恢复的是原料列表，而非菜谱。味觉 → 识别 → 获取。 该实现大约 600 行无依赖的 Node.js 代码，两个 JSON 文件，MIT 许可证，附带一个 MCP 服务器，以便任何智能体平台都能使用，并包含虚构的示例数据，克隆后即可运行所有命令： **[https://github.com/Mikhail-Za/tastebud-memory](https://github.com/Mikhail-Za/tastebud-memory)** 和 Claude 一起花了几天时间构建。方法文档（淘汰标准、回测协议）已在仓库中，方便你根据自己的智能体历史进行验证。