Lossless-Memory：一个无需摘要的个人 AI 长期记忆层

TL;DR

Lossless-Memory 将 AI 与人类的每一次对话逐字记录并附带时间戳，优先按时间进行索引，并将一个微小的“我们现在在哪里”索引注入到模型的上下文中，从而为单机单用户提供无损的回溯能力。

项目简介

Lossless-Memory 是一个用于个人 AI 助手的本地、基于文件的长期记忆层。它包含：

原始 JSONL 日志（每天一个）：包含每次对话的七字段记录，从不进行摘要。
SQLite 索引：一个精确匹配的 FTS5 索引，用于存储单词及对应的时间戳，以及一个用于语义搜索的备用向量索引（sqlite-vec）。
时间主干（Temporal Backbone）：一个查询解析器，用于提取时间表达式（日语相对短语或绝对日期），并在进行任何排序之前限制搜索范围。
LLL 索引：一个由人工编写的微小主题标记列表，在每次对话时注入到模型上下文中，以保留当前的对话线程。

该系统特意设计为单用户、单机模式，并不作为通用的向量数据库包装器或摘要工具使用。

核心设计支柱

1. 无损原始日志

每次对话都会追加到每日 JSONL 文件中，包含以下字段：

ts        ISO-8601 UTC 时间戳
actor     发言者标识符
role      user | assistant | system
type      text | action | meta
text      逐字内容
model     模型标识符（可选）
session   会话 ID

这些日志是事实来源；所有索引都可以从它们中重建。

2. 时间主干

时间是主要轴线，而不仅仅是元数据：

FTS5 索引在每一行中存储时间戳。
解析器能够理解日语相对短语（例如“昨日”、“先週”）以及任何绝对 ISO 日期，并在排序之前将其转换为具体的时间范围。
如果存在时间短语，结果将限制在该范围内并按时间顺序返回。仅当精确索引返回的结果过少时才会使用语义搜索，且其使用情况会明确报告。

这使得诸如“上周二晚上我们决定了什么？”之类的查询能够按顺序返回当晚所说的确切内容。

3. LLL —— “我们现在在哪里”索引

LLL 是一个轻量级主题标记索引，由人类在对话主题转换时编写的简短、带时间戳的行组成。模型会读取此索引但从不编辑它，确保 AI 即使在上下文窗口压缩后也能始终了解当前线程。

架构图

原始对话日志 (JSONL, 每日)  ← 事实来源，从不摘要
            │
            ▼
   摄入 ──► 7 字段记录
            │
            ├──► index_exact   SQLite FTS5 + 时间戳   (单词 + 时间)
            ├──► index_vector  sqlite-vec 嵌入       (含义，最后手段)
            └──► state_index   LLL 主题标记           (我们现在在哪里)
                        │
                        ▼
                    回溯  ── 单一入口：解析时间短语 → 限制范围 → 排序 → 返回逐字行
                        │
                        ▼
        注入到模型上下文中 (按需，或对于 LLL 每次对话都注入)

守护进程每 10 分钟进行一次增量重新索引；仅处理修改过的每日文件，因此无需完全重建。

实际性能数据

指标	数值
日常运行	自 2026 年 7 月起运行（日志始于 2026 年 6 月）
精确搜索索引重建（重构前后）	40 s → 1.24 s
向量索引行数（最坏情况）	865,588 行（2026 年 9 月 4 日） → 修复后 124,174 行
向量存储大小	2.54 GB → 337 MB
重新索引间隔	10 分钟

这些数据来自作者的单用户部署，展示了重构的实际影响。

为什么选择无损方案？

作者构建此系统是为了服务于一位每天与 AI 助手交谈并经历过因摘要导致逐渐遗忘的用户。摘要会丢弃确切的措辞、语气和时间戳——这些元素使记忆变得个性化。通过拒绝摘要，系统在牺牲额外磁盘空间和需要稳健时间索引的前提下，保留了完整的对话质感。其目标是打造一个像人类一样记住你的伙伴，且完全运行在你拥有的硬件上。

局限性与待解决问题

单用户、单机 —— 不支持多租户。
日语优先的时间解析 —— 相对时间短语仅在日语中有效；英语用户必须提供绝对 ISO 日期。
日志格式 —— 针对 Claude Code 的 JSONL 进行了优化；存在一个通用的 {ts, role, text} 导入器，但经过的实战测试较少。
无公开基准测试 —— 所提供的数据是操作测量值，而非对比性能数据。
语义搜索依赖于本地嵌入模型 (sentence-transformers)；GPU 加速为可选。

社区反馈（Hacker News 评论）

“看起来是一种巧妙的信息检索方法。时间/版本化的编年史绝对有用。” – alansaber

“这与 https://github.com/obra/episodic-memory 有什么不同？” – schainks

“相对时间解析器是针对日语硬编码的；英语会话只能使用手动 ISO 日期。接入 dateparser 或 duckling 只需一个晚上，所以将其留在路线图中是一个奇怪的选择。” – TimByte

“起初看起来很有用，但最终你会遇到瓶颈，导致它无法工作，你必须添加另一种记忆技术。最终你会得到一个复杂的多层系统，因为人们想要的‘记忆’实际上是 10 种不同的东西，每种都需要自己的解决方案。” – 0xbadcafebee

“看起来这会经常破坏缓存。这会增加某些提供商的账单费率，对于本地模型，生成响应也需要时间，特别是在长时间运行的代理会话中。” – theresLand

这些评论既强调了对时间维度的热情，也表达了对语言支持、可扩展性以及与现有缓存或记忆框架集成的担忧。

入门指南

git clone https://github.com/aru-labs/lossless-memory
cd lossless-memory
pip install -e .
cp config.example.json config.json   # 根据需要编辑名称和路径

按照 examples/quickstart.md 指南摄入示例对话、构建索引并运行时间范围查询（约 5 分钟）。pytest 往返测试验证了整个流水线。

文档与进一步阅读

文档	范围
`docs/memory-system.md`	概念与规范
`docs/temporal-backbone.md`	时间优先索引与短语解析
`docs/lll.md`	主题标记索引与人/AI 职责
`docs/philosophy.md`	避免摘要的理由
`docs/lessons.md`	失败、修复与性能数据
`docs/ja/`	日语原文