taylorsatula/mira-OSS

解決的問題

Mira 設計用以克服 LLM 的暫時性，透過建立具備持續記憶與穩定身分的「持續數位實體」來解決此問題。它解決了標準 AI 聊天中常見的「上下文腐爛」與長期記憶缺失問題，即隨著上下文視窗填滿，對話通常會變得孤立或最終被遺忘。

工作原理

Mira 使用多層記憶與上下文管理系統來維持連續性：

• 對話連續性：不是獨立的聊天，而是存在一個永恆的線程。活躍的對話保持在線，而較舊的段落則被壓縮為第一人稱摘要（「我做了 X」），以在不消耗完整上下文視窗的情況下維持敘事歷史。
• 自我管理記憶：基於語意相似性與實體樞紐合成並載入記憶。除非頻繁存取或連結，否則會根據使用公式隨時間衰減。
• Domaindocs：對於穩定且不衰減的資訊，Mira 使用帶版本歷史的加密文件，並透過自主擴展／收縮來管理令牌使用量。
• Subcortical 與 Peanut Gallery：「Subcortical」層處理回應前的資訊檢索與代名詞解析，而「Peanut Gallery」作為元認知觀察者，定期修正 MIRA 的行為或推動其採取主動行動。
• 基於文字的 LoRA：Mira 透過分析對話段落的反饋迴圈，演化系統提示中的個人化使用者模型，模擬行為適應，而無需重新訓練權重。
• 動態工具：工具從檔案系統註冊，並透過 invokeother_tool 機制在需要時才載入至上下文視窗中。

適用對象

希望擁有高度個人化、持續的 AI 伴侶或數位實體，能長期記住其偏好、過往工作與行為需求的使用者。

主要亮點

• 第一人稱記憶：摘要以第一人稱書寫，避免認知距離，保持身分感。
• 行為適應：基於 7 天週期的互動模式，自動演化其自身系統提示。
• 自主上下文管理：自主管理其上下文視窗，包括能對大型文件「關上抽屜」。
• 供應商中立：透過方言系統支援多個 LLM 供應商。