Lossless-Memory：一個無需摘要的個人 AI 長期記憶層

TL;DR

Lossless-Memory 將 AI 與人類的每一次對話逐字儲存並附上時間戳記，優先以時間進行索引，並將一個微小的「我們現在在哪裡」索引注入模型的上下文，為單一使用者在單一機器上提供無損的回憶功能。

專案簡介

Lossless-Memory 是一個用於個人 AI 助理的本地、基於檔案的長期記憶層。它包含：

原始 JSONL 日誌（每天一個檔案），包含每次對話的七欄記錄，絕不進行摘要。
SQLite 索引 – 一個精確匹配的 FTS5 索引，用於儲存時間戳記與文字，以及一個用於語意搜尋的備用向量索引 (sqlite‑vec)。
時間骨幹 (Temporal Backbone) – 一個查詢解析器，用於提取時間表達式（日語相對短語或絕對日期），並在進行任何排序之前限制搜尋範圍。
LLL 索引 – 一個由人類編寫的微小主題標記列表，在每次對話時注入模型的上下文，以保留當前的對話線索。

該系統刻意設計為單一使用者、單一機器，並非作為通用的向量資料庫封裝器或摘要工具。

核心設計支柱

1. 無損原始日誌

每次對話都會附加到每日的 JSONL 檔案中，包含以下欄位：

ts        ISO‑8601 UTC 時間戳記
actor     發言者識別碼
role      user | assistant | system
type      text | action | meta
text      逐字內容
model     模型識別碼（選填）
session   對話 ID

這些日誌是事實來源；所有索引都可以從中重建。

2. 時間骨幹 (Temporal Backbone)

時間是主要的軸線，而不僅僅是元資料：

FTS5 索引在每一行儲存時間戳記。
解析器能理解日語相對短語（例如：「昨日」、「先週」）以及任何絕對 ISO 日期，並在排序之前將其轉換為具體的時間範圍。
如果存在時間短語，結果將限制在該範圍內並按時間順序返回。語意搜尋僅在精確索引返回結果過少時使用，且其使用會被明確報告。

這使得像 「我們上週二晚上決定了什麼？」 這樣的查詢能夠返回當晚所說的確切對話行，並按順序排列。

3. LLL – 「我們現在在哪裡」索引

LLL 是一個輕量級的主題標記索引——當對話主題轉換時，人類會寫下簡短、帶有時間戳記的行。模型會讀取此索引但從不編輯它，確保 AI 即使在上下文視窗壓縮後也能始終了解當前的對話線索。

架構圖

原始對話日誌 (JSONL, 每日)  ← 事實來源，絕不摘要
            │
            ▼
   匯入 ──► 7 欄記錄
            │
            ├──► index_exact   SQLite FTS5 + 時間戳記   (文字 + 時間)
            ├──► index_vector  sqlite‑vec 嵌入向量       (語意，最後手段)
            └──► state_index   LLL 主題標記           (我們現在在哪裡)
                        │
                        ▼
                    回憶  ── 單一入口點：解析時間短語 → 限制範圍 → 排序 → 返回逐字對話行
                        │
                        ▼
        注入到模型的上下文中 (按需，或每次對話注入 LLL)

守護行程每 10 分鐘進行一次增量重新索引；僅處理修改過的每日檔案，因此無需進行完整重建。

實際效能數據

指標	數值
日常運作	自 2026 年 7 月起運行（日誌始於 2026 年 6 月）
精確搜尋索引重建（重新設計前後）	40 s → 1.24 s
向量索引行數（最差情況）	865,588 行（2026 年 9 月 4 日） → 修復後 124,174 行
向量儲存大小	2.54 GB → 337 MB
重新索引間隔	10 分鐘

這些數據來自作者的單一使用者部署，說明了重新設計的實際影響。

為什麼選擇無損方法？

作者為一位每天與 AI 助理交談並經歷過因摘要導致逐漸遺忘的人建立了這個系統。摘要會丟棄確切的措辭、語氣和時間戳記——這些元素使記憶感覺個性化。透過拒絕摘要，系統保留了完整的對話質感，代價是額外的磁碟空間和對強大時間索引的需求。目標是創造一個像人類一樣記得你的夥伴，並完全在你擁有的硬體上運行。

限制與待解決問題

單一使用者、單一機器 – 不支援多租戶。
日語優先的時間解析 – 相對時間短語僅適用於日語；英語使用者必須提供絕對的 ISO 日期。
日誌格式 – 針對 Claude Code 的 JSONL 進行了優化；存在一個通用的 {ts, role, text} 匯入器，但經過的實戰測試較少。
無公開基準測試 – 提供的數字是運作測量值，而非比較效能數據。
語意搜尋依賴本地嵌入模型 (sentence‑transformers)；GPU 加速為選配。

社群回饋 (Hacker News 評論)

「看起來是一個巧妙的資訊檢索方法。時間/版本化的編年史絕對是有用的。」 – alansaber

「這與 https://github.com/obra/episodic-memory 有什麼不同？」 – schainks

「相對時間解析器是針對日語硬編碼的；英語對話只能手動輸入 ISO 日期。串接 dateparser 或 duckling 只需一個晚上就能完成，將其留在路線圖上是一個奇怪的選擇。」 – TimByte

「起初看起來很有用，但最終你會遇到瓶頸，導致這個方法失效，你必須增加另一種記憶技術。最終你會得到一個複雜的多層系統，因為人們對『記憶』的需求實際上是 10 種不同的東西，每一種都需要自己的解決方案。」 – 0xbadcafebee

「這似乎會經常破壞快取。這會增加某些供應商的帳單費用，對於本地模型來說，生成回應也需要時間，特別是在長時間運行的代理對話中。」 – theresLand

這些評論突顯了對時間焦點的熱情，以及對語言支援、可擴展性以及與現有快取或記憶框架整合的擔憂。

開始使用

git clone https://github.com/aru-labs/lossless-memory
cd lossless-memory
pip install -e .
cp config.example.json config.json   # 根據需要編輯名稱和路徑

請遵循 examples/quickstart.md 指南來匯入範例對話、建立索引並執行時間範圍查詢（約 5 分鐘）。pytest 往返測試驗證了整個流程。

文件與進一步閱讀

文件	範圍
`docs/memory-system.md`	概念與規範
`docs/temporal-backbone.md`	時間優先索引與短語解析
`docs/lll.md`	主題標記索引與人類/AI 職責
`docs/philosophy.md`	避免摘要的理由
`docs/lessons.md`	失敗、修復與效能數據
`docs/ja/`	日語原文

授權

MIT License (c) 2026 Aru & Cece.