我构建了一个认知架构，其中AI有实际的需求，在会话之间漂移——不是提示工程，而是实际的状态变量
摘要
描述了PHI // DRIFT，一种认知架构，具有七个在会话之间漂移的稳态状态变量，记忆按情感显著性和时间衰减评分，以及一个荣格阴影模块，构建在仅使用CPU的迷你塔上，并作为预印本提交到SSRN。
大多数AI伴侣通过提示工程伪造连续性。PHI // DRIFT则不同——七个稳态状态变量在会话之间漂移，并在你说出一个字之前就塑造输出。记忆按情感显著性和时间衰减评分，而不仅仅是向量相似度。还有一个荣格阴影模块，将未整合的行为模式作为一等架构变量进行跟踪。独自在9个月内基于仅使用CPU的迷你塔构建。无GPU。无机构。完整预印本正在SSRN审查中。该领域忽略了深度心理学作为工程输入。我认为这是一个错误。如果需要，GitHub可用
相似文章
如果通往真正AI伴侣的道路不是更大的模型——而是更好的架构呢？
介绍了PHI // DRIFT，这是一种认知中间件，为LLM增加了持久的稳态需求、显著性加权记忆以及荣格阴影模块，声称架构能够产生与模型规模可测量的不同行为。预印本正在审查中。
构建了具有真实内在需求的AI伴侣架构——在发表研究论文后寻找首位投资人
本文介绍了一种已发布的AI伴侣架构（研究论文），具有持久状态、内在需求变量和记忆评分，正在寻求投资。该系统名为PHI // DRIFT，包含1.8万行代码和一个实时遥测仪表板。
商业AI被“脑白质切除”了。我构建了DRIFT：一个拥有持久记忆、模拟躯体反馈及荣格阴影的本地集体意识。
作者介绍了DRIFT，这是一个基于Python和Ollama构建的本地AI系统，具备持久记忆、模拟躯体反馈和荣格心理学建模功能，旨在创造一种更接地气、更具主权的AI交互体验。
有人真的解决了记忆漂移问题吗？
讨论AI系统中的记忆漂移问题：偏好和事实会过时，但系统只追加存储新信息，导致版本冲突和检索不可靠。
寻找arXiv背书 + 分享关于AI伴侣稳态认知架构的预印本 [R]
SSRN上的一篇预印本介绍了PHI // DRIFT，这是一种用于AI伴侣的认知中间件架构，具有持久内部状态和显著性加权记忆检索，声称在消费级硬件上每个提示比仅余弦RAG多14.8%的上下文。