虹线 ·

一个新的 AI 记忆层概念：哈勃半径

💡 原文中文，约6900字，阅读约需17分钟。

📝

内容提要

文章探讨了为AI代理设置三层记忆：第一层是“我知道的”，记录个人事实；第二层是“我应该知道的”，通过LLM Wiki整理知识；第三层是“我可能知道的”，即哈勃半径，涵盖未读但关注的信息源。哈勃半径帮助AI在回答问题前了解用户的个人信息宇宙，从而提升个性化体验。

🎯

文章探讨了为AI代理设置三层记忆：第一层是“我知道的”，记录个人事实；第二层是“我应该知道的”，通过LLM Wiki整理知识；第三层是“我可能知道的”，即哈勃半径，涵盖未读但关注的信息源。
第一层记忆使用切片式RAG系统，记录用户的个人事实和近期活动，帮助AI了解用户的当前状态。
第二层记忆是LLM Wiki，整理用户的知识和信息，形成结构化的知识网，帮助AI理解用户的长期问题和知识网络。
第三层哈勃半径记录用户可能接触到的信息源，帮助AI在回答问题前了解用户的个人信息宇宙，提升个性化体验。
哈勃半径的意义在于将用户的关注源整合为一个可调用的信息宇宙，使AI能够在回答问题时优先考虑用户的背景和信息，而不是依赖公共搜索引擎。
哈勃半径不是一个搜索引擎，而是一个记忆层，强调上下文的限定和用户的长期关注，帮助AI更好地理解用户的需求和偏好。
每个重度使用AI的人都需要自己的哈勃半径，以便AI能够更好地反映用户的个人经验和信息环境。

🔎

哈勃半径是一个新的记忆层概念，旨在帮助AI理解用户的个人信息宇宙。与传统搜索引擎不同，哈勃半径关注的是用户可能接触到的信息源，而非全网信息。这种个性化的记忆层使得AI在回答问题时，能够优先考虑用户的背景和长期关注的内容，从而提升个性化体验。

文章提出的三层记忆结构分别是：第一层记录用户已知的事实，第二层整理用户应知的知识，第三层即哈勃半径，涵盖用户可能知道的信息。这种结构不仅帮助AI更好地理解用户的当前状态，还能在回答复杂问题时提供更具针对性的背景信息，避免依赖公共搜索引擎。

哈勃半径的引入改变了传统的信息管理方式。用户不再需要逐一阅读所有关注的内容，而是可以在需要时通过AI快速回溯未读信息。这种后置召回的方式，使得未读内容不再是负担，而是潜在的知识资源，提升了信息的利用效率。

❓

哈勃半径帮助AI了解用户的个人信息宇宙，提升个性化体验，使其在回答问题前考虑用户的背景和信息。

三层记忆分别是：第一层是‘我知道的’，记录个人事实；第二层是‘我应该知道的’，通过LLM Wiki整理知识；第三层是‘我可能知道的’，即哈勃半径，涵盖未读但关注的信息源。

构建哈勃半径需要将关注源通过工作流处理成文字，汇总到私有搜索引擎中，以便AI在回答问题时调用这些信息。

哈勃半径关注的是用户的个人信息宇宙，而传统搜索引擎则是全网信息的检索，哈勃半径强调上下文和用户的长期关注。

每个重度使用AI的人需要哈勃半径，以便AI能够更好地反映用户的个人经验和信息环境，提升个性化服务。

哈勃半径通过提供用户可能接触到的信息，帮助AI在回答问题时更准确地反映用户的需求和偏好，从而提升回答质量。

🏷️