taylorsatula/mira-OSS

解决的问题

Mira 旨在克服 LLM 的短暂性，通过创建一个具有持久记忆和稳定身份的「持续数字实体」来解决这一问题。它解决了标准 AI 聊天中常见的「上下文腐烂」和长期记忆缺失问题，即随着上下文窗口填满，对话通常会变得孤立或最终被遗忘。

工作原理

Mira 使用多层记忆和上下文管理系统来维持连续性：

• 对话连续性：不是独立的聊天，而是存在一个永恒的线程。活跃的对话保持在线，而较旧的段落则被压缩为第一人称摘要（"我做了 X"），以在不消耗完整上下文窗口的情况下维持叙事历史。
• 自我管理记忆：基于语义相似性和实体枢纽合成并加载记忆。除非频繁访问或链接，否则会根据使用公式随时间衰减。
• Domaindocs：对于稳定且不衰减的信息，Mira 使用带版本历史的加密文档，并通过自主扩展/收缩来管理令牌使用量。
• Subcortical 与 Peanut Gallery："Subcortical" 层处理响应前的信息检索和代词解析，而 "Peanut Gallery" 作为元认知观察者，定期纠正 MIRA 的行为或推动其采取主动行动。
• 基于文本的 LoRA：Mira 通过分析对话段落的反馈循环，演化系统提示中的个性化用户模型，模拟行为适应，而无需重新训练权重。
• 动态工具：工具从文件系统注册，并通过 invokeother_tool 机制在需要时才加载到上下文窗口中。

适用人群

希望拥有高度个性化、持久的 AI 伴侣或数字实体，能够长期记住其偏好、过往工作和行为需求的用户。

主要亮点

• 第一人称记忆：摘要以第一人称书写，避免认知距离，保持身份感。
• 行为适应：基于 7 天周期的交互模式，自动演化其自身系统提示。
• 自主上下文管理：自主管理其上下文窗口，包括能够对大型文档「关闭抽屉」。
• 供应商中立：通过方言系统支持多个 LLM 供应商。