非线性的记忆
内容提要
本文介绍hypatia记忆系统如何将线性对话转化为非线性知识结构。系统通过语义信号切分会话，采用对数分层摘要压缩信息，用滑动窗口提取知识点，并构建三元组图以发现隐性关联。同时提供自动回忆和显式读写通道，确保知识可检索、可修正，实现有限记忆下对无限知识的有效利用。
延伸解读
为什么分层摘要优于一次性压缩
文章指出，一次性让模型“读完一万字写出两百字”的信息损失不可控，而分层归档（log₁₆(n)）让每一层只面对上一层已梳理的产物，损失发生在每层边缘而非一次性坍塌。这类似B树逻辑：根节点不存所有数据，但保证从根能找到数据。对读者而言，这意味着记忆系统更注重可回溯性而非压缩率，牺牲一点存储换取了可控的信息衰减。
知识点与聊天记录的本质区别
文章强调“用户说要用sqlite换掉duckdb”只是聊天记录，而“存储层评估过sqlite单库方案，因json contains查询不可行而搁置”才是知识点。前者依赖对话语境，后者自含且可随时检索。这提醒读者：有效的知识管理应提炼脱离上下文的结论和理由，而非保存原始对话。同时，纠错链（问题→错误→纠正→教训）被特别珍视，因为其记录了“为什么错”，比一次答对更有长期价值。
图结构：发现隐性关联的关键
三元组图的价值不在于每条边精确，而在于可遍历性。文章举例：从“sqlite”出发沿关系走两步，可能撞见三年前关于PG jsonb的讨论，这种相遇在全文检索中不会发生。这揭示了非线性知识结构的优势：通过关系网络发现跨时间、跨话题的隐性联系，而错误的三元组可被挑战和修正，未结构化的对话则连犯错的资格都没有。
Q&A
hypatia记忆系统如何将线性对话转化为非线性知识结构？
hypatia通过四个步骤实现转化：首先用语义信号（话题切换、任务边界、时间间隔）切分会话；然后对每个会话生成对数分层的摘要（log16 n压缩）；接着用滑动窗口在对话收敛时抽取知识点，并拆解为三元组存入知识图；最后提供自动回忆和显式读写通道，确保知识可检索、可修正。
hypatia如何切分对话session？为什么不用框架的物理边界？
hypatia主要依据语义信号切分session：话题切换是最强信号，任务边界次之，时间间隔最弱，物理边界（如进程重启）仅作为提示。因为一次会话可能包含多个不相关话题，而同一任务可能跨多次重启，用物理边界会导致整理对象错误。
hypatia的session summary为什么采用对数分层压缩？有什么好处？
hypatia采用log16(n)的分层压缩，每16份原始对话归档为1份摘要，逐层上升。好处是：每层压缩只面对上一层已梳理的高密度内容，避免一次性压缩导致不可控的信息损失；同时保留底层原文，支持逐层下钻回溯，类似B树结构，既控制体积又保证可检索性。
hypatia如何从对话中提取知识点？有哪些提取原则？
hypatia用滑动窗口跟踪对话，当话题收敛时触发梳理，提取自含的知识点。主要原则包括：记录教训而非流水账；梳理是合成而非转录；对质量保守、对时机激进；纠错链是金子（保留initial attempt、错因、正确做法和lesson）；分类决定模板；相对时间改写为绝对时间；宁冗勿漏关系，不存敏感信息。
hypatia中的三元组图有什么作用？如何发现隐性关联？
三元组图将知识点拆解为(主语,谓语,宾语)存入RDF风格图，提供可遍历性。通过图遍历可以从一个节点出发沿关系找到间接相关的知识，例如从'sqlite'出发可能发现三年前关于PG jsonb的讨论，这种关联在全文检索中无法发现。即使三元组有噪声，结构本身仍提供发现路径。
hypatia如何适配不同Agent的回忆机制？
hypatia根据Agent类型提供不同回忆方式：对每轮重建system prompt的Agent，采用确定性注入（任务开始时执行JSE查询并固定放入上下文）；对能自主调用工具的Agent，让回忆保持在技能层，由Agent自行检索；对被动响应的Agent，在对话边界（新任务、用户提醒）触发外部注入。hypatia skill统一封装这些差异。
hypatia的显式写入和显式读取通道有什么用途？
显式写入用于将现成材料（如文档、书籍）直接拆解为条目和三元组入库，无需等待滑动窗口；显式读取是用户明确指令检索，如'读一下hypatia'，作为自动回忆失灵时的手动复位，成本低但能重新激活整个知识库。
