3411 条记忆,两台机器 一次关于统一记忆的对照实验

简介: 这是一份关于“统一记忆”实践的实测报告:作者用自用工具Respire(rsrs 1.0.19),在单机单库中持续74天记录3411条记忆,验证多设备共存、跨进程读取与标题召回降本效果。结果表明:设备数据可同库共存(2624+758条),重要记忆跨进程召回成功(相关度0.603),标题召回压缩率达93.7%,但存在47条未决冲突、trivial条目不入召回等局限。

PREPRINT · 单机单库 74 天| 2026.11

三份记忆各长各的

3411 条记忆,两台机器

一次关于统一记忆的对照实验

Respire_实测报告_论文体原样.png

Windows 11 · rsrs 1.0.19 · 3411 条 · 74 天

risense-ai / Respire

论文体实测

📦 7 Parts + Appendix

  • PART 01 · 问题的提出 | 两个场景
  • PART 04 · 结果 | 六组数据
  • PART 06 · 局限 | 七条威胁
  • PART /// · 附录 | 可复现命令

摘要

本文不是产品介绍,是一次单机、单库的自我实验。样本是我自己在用的记忆库:3411 条有效记录,来自两台主力设备,时间跨度 74 天。我验证三件事:一份库能否同时容纳多台设备,换一个 Agent 能否读到同一条记忆,以及每轮只召回标题到底省下多少上下文。结果显示:设备共存成立(同一库里 2624 条来自本机、758 条来自另一台机器);跨进程读取成立(重要条目在新进程里以 0.603 的相关度被召回);成本账成立但有限度——5 条标题 329 字符,对应的 5 条全文 5257 字符,压缩到 6.3%,单次召回中位延迟 1096 毫秒。同时测到三个反例:trivial 档不进召回、无过滤时问库外问题也会还你五条、以及 47 条未决冲突。省 token 是真的,省心是有条件的。

01 · 一、问题的提出

THE PROBLEM · 记忆为什么跟着编辑器走

先说个具体场景,别用“开发者普遍面临”这种话糊过去。

上周我在一个编辑器里跟 AI 讲清楚:这个仓库不许用 unwrap(),错误一律走自定义 error 类型。三天后换到另一个 Agent,它读完代码问我:“你希望错误处理用什么风格?”——那一瞬间我确认,我花的那二十分钟没进任何地方,只进了那次会话的上下文窗口。

第二个场景更磨人。公司一台台式机、家里一台、还有一台常年挂着跑任务的机器。三份记忆各长各的,A 机器上写下的结论,B 机器上没有;更别说找“当时那句判断”到底存在哪台里。

于是所有人开始自救:把结论贴进微信收藏,把踩坑记进记事本,或者干脆每次开新会话都把背景重讲一遍。第三种最贵——不是贵在钱,是贵在你每次都得重新组织语言,而组织语言的过程本身就在消耗注意力。

我关心的问题因此很窄:有没有一种记忆,是跟着“我”走的,而不是跟着某个编辑器走的。带着这个问题,我拿自己在用的 risense-ai / Respire(命令 rsrs)做了一轮自查。它不是新项目,我的库已经跑了两个多月,正好适合当样本。

02 · 二、我要验证的三个命题

THREE CLAIMS · 三个可证伪的命题

评测文容易写成功能清单,所以这次我先把要验证的东西写成三个可证伪的命题。

编号 命题 怎么算成立
P1 一份库能同时住下多台设备 同一库里出现多个设备字段,且各自有实质条数
P2 换一个 Agent(换进程、换通道)能读到同一条 写入方与读取方是两个独立进程,召回命中同一 ID
P3 每轮只召回标题能省下可观上下文,且“经验”会被复用 标题载荷与全文载荷有数量级差;流程类提问能把操作条目顶到前面

三个都不成立的话,这套“统一记忆”就只是营销词。

03 · 三、实验设置

SETUP · 机器、版本、口径

项 值
机器 Windows 11 家庭版,单机
CLI 版本 rsrs 1.0.19(本机实际版本,非仓库里最新的 1.0.21-dev)
数据目录 ~/.rsrs,已解锁,自动同步开启
库规模 本地有效 3411 条 / 总 3770 条;远端 3410 条
索引 state=ready,嵌入模型 m3,已索引 3411 条
时间跨度 2026-08-27 至 2026-11-09

指标定义需交代清楚,否则数字没意义:

载荷指一次召回注入上下文的正文字符数(标题 + ID),不含 JSON 外壳;

全文载荷指同样这几条记录取全文后的字符数(标题 + 正文);

token 折算统一按 1.5 字符 ≈ 1 token 粗算。这是经验折算,不是官方计数——CLI 自己在召回回执里就写了 tokens=null, estimated=true,它也不假装知道精确值。

04 · 四、结果

RESULTS · 六组数据与三个反例

4.1 一份库里住着两台机器

先把全库导出成明文 JSON,按 computer 字段分组。这一步能直接回答 P1。

设备字段 条数
DESKTOP-T2530J3/win 2624
EIGHTANT/win 758
anty 3
amdyl-Windows 2
DESKTOP-T2530J3(无系统后缀) 1
无设备字段(旧数据) 23

两台主力机器的记录躺在同一个库里:2624 条本机、758 条来自另一台机器,最新写入是今天凌晨。剩下 6 条散在两个早期主机名下,23 条是早于设备字段的旧数据——我把它们算作“历史遗留”,不计入设备数。

这不是“我配了同步”这种声明。检索层面它是同一个索引——status 里 indexed_candidates=3411,正好等于本地有效条数,没有“按设备分开索引”这回事。

顺带交代同步状态:本地有效 3411、本地总计 3770、远端 3410、待推送 0、未决冲突 47。后面会回来讲这个 47。

4.2 结构分布:它记的不是“聊天片段”

类型 条数 说明
Context 3169 上下文、决策背景
Skill 113 可复用的操作经验
Decision 60 明确决策
Task 34 任务记录
Knowledge 32 外部知识
Preference 3 偏好

重要度分布:important 3286 条,trivial 114 条,normal 11 条。3411 条里有 3281 条挂着父节点,占 96.2%——也就是说它大体是一棵树,不是一堆平铺的卡片。

单条正文平均 711 字符,中位 586,P90 1102;标题平均 29.3 字符。全库正文合计 2,425,497 字符,按上面的折算约 162 万 token。这个数字的意义是:把库全塞进上下文从来就不是一个选项,问题只能靠“检索”解决,不能靠“多给点”解决。

4.3 换一个进程,记忆还在

P2 我用两组数据验证。

正例:我今天写的一条重要条目(标题《Respire 统一记忆评测文成稿》),写完之后的另一次独立 CLI 调用里,它被以 0.603 的相关度召回,命中的是同一个 ID。写入方和读取方是两个进程,中间没有任何内存共享——它们连的是同一个本地 runtime 和同一个加密库。

接口面:顺手探了一下 MCP。用 stdio 发 tools/list,返回 16 个 memory_* 工具(memory_recall、memory_remember、memory_show、memory_update、memory_chain、memory_tree、memory_forget、memory_restore 等)。这意味着一个不认 hook、只认 MCP 的客户端,拿到的是同一套工具、同一个库。

反例,而且很重要:我先按“流水”档(trivial)写了一条带唯一标记的测试记录,然后反复查了 12 次、跨约两分钟,等 index_pending 从 1 归零,它始终没被召回。

不是延迟,是档位。每次召回回执里都有 tiers: ["important"] 这一项——召回只在重要档里找。这条判断是我从日志里推出来的,官方文档没写死这句话,所以我把它标成“观察结论”而不是“机制保证”。

顺手把那条例行测试记录删了。删除回执 deleted: true,走的是墓碑路径。

4.4 成本账:一轮召回到底花多少

这是最该量化的一块。同一个查询跑五次,取中位数;然后把这 5 条的全文各自取出来算字符数。

指标 值
延迟(5 次) 1096 / 1011 / 1126 / 1471 / 1015 毫秒,中位 1096 ms
标题档载荷(5 条) 329 字符 ≈ 219 token
全文载荷(同 5 条) 5257 字符 ≈ 3505 token
压缩比 6.3%,省 93.7%
单次节省 约 3285 token

换算成体感:一轮对话假设召回一次,20 轮就是 6.5 万 token 的差别;而如果换成“把最近 20 条记忆全文塞进去”,光是背景就 7 万 token,还没算你重讲一遍的口水。

代价也要摆出来:中位 1.1 秒。这个延迟在“你按回车到 AI 开口”的链路里是能感觉到的,尤其连问十个短问题的时候。它是本地 ONNX 推理的成本,理论上跟网络无关——这一条我没单独做断网对照,算机制推断,不算实测。

4.5 经验复用:问“怎么装”,它把手册抬到第一

P3 的后半段,我用一个典型的流程类提问测:“怎么在一台新机器上把 rsrs 装好并接入现有记忆库”。

回执里三行值很关键:intent=howto、procedure_pass=5、procedure_promoted=true。意思是它识别出这是个流程问题,额外跑了一路只找 kind=skill 的条目,然后把最优的那条往上提。

结果排第一的是《rsrs 安装迁移全流程步骤(新机可照做)》,相关度 0.524。而且排序确实被动了手脚——第四条分数 0.4549,排在第三条 0.4445 前面。这说明它不只看相似度,还按“这是不是一份能照着做的经验”调整了位置。

这才是我理解的“经验可复用”:不是我下次再问一遍“新机器怎么配”,而是它已经把上次那套步骤当成一条可检索的资产存着了。库里这类 Skill 条目有 113 条,合计 83052 字符——相当于一本 8 万字、只关于“我怎么干活”的手册,按需取用。

还有个不算实验的旁证。写这篇东西之前我先跑了一次 recall,捞到 11 月 1 日那份《risense-ai 组织架构合成》的记忆——那是我唯一一次把 49 个仓库全量拉下来做的梳理。于是这次没有重新拉 49 个仓,只补了这周新增的几个。省下来的不是 token,是“重新开一遍工”的心理成本,这个才是我说的省心。

4.6 反向实验:问一个库里没有的问题

为了不让上面的结论太好看,我加了一组反向测试:问一个跟我的库毫无关系的物理问题(量子色动力学、胶子禁闭)。

它没有返回空,而是还了我五条记录,相关度 0.315 往下。回执里 dropped_by_floor=0,也就是说没有按分数底线丢弃。

原因在配置上:插件侧 recall_threshold 默认是 0,文档写明 0 等于关闭过滤、引擎原样返回。它给出的理由是,历史上调低阈值救回过漏检——漏掉一条记忆的代价,比多两行标题大。我认同这个取舍,但直接后果是——噪声不是被系统挡住的,是被上限(5 条)和预算(1500 字符)挡住的。要更干净,得自己把阈值调上去。

05 · 五、讨论:省的是 token,省不了的是什么

DISCUSSION · 三件事,三种确定程度

这三件事的确定程度不在一个量级,得分来说。

省 token,确定成立。 93.7% 的压缩比不是话术,是同一批记录在两种表示下的字符数对比。而且它是结构性节省:库越大、单条越长,节省越多,因为标题长度基本恒定。

经验复用,成立但有前提。 前提是你真的把“做法”写成了条目,还标成了 skill。我这 113 条 Skill 是两个月里陆续攒的,不是系统自动变出来的。它的 how-to 路由只在“问题读起来像流程”时才触发;你要问“为什么这个方案更好”,它还是走事实检索。

省心,是打折的。 打折在三个地方:

一是写入不等于立即可用。上一条重要条目是几分钟后被召回的,中间隔着索引。trivial 档更是干脆不进召回。所以“记了就万事大吉”是错的,重要的事得记成重要档。

二是冲突会攒。我这边 47 条未决冲突,是两台机器在两个月里各改各的留下的。系统不替你裁决,它把冲突版本留下来等人判。这在设计上是保守的正确,在使用上是持续的维护成本——你每隔一段时间就得回去处理一遍,否则库里会同时躺着两个“真相”。

三是配置面很宽。12 个宿主适配器,每个的落库前缀、停止契约、引擎寻址方式都不一样(RESPIRE_BIN、rsrsPath、--respire-rsrs、PATH 自动探测)。想让它“每轮自动召回”,前提是宿主插件真的挂上了;挂不上,就退化成“模型自觉调 MCP”,那就一点都不省心了。

还有一条容易被忽略的边界:本地加密保护的是“存储和传输”,不保护“上下文”。召回结果进了宿主上下文,就可能发给模型提供方。文档自己就在插件页写了这句;同类实现里,有些 Python 钩子还会把查询片段写进本地 hook.log——脱敏不是完整的密钥扫描,这点别搞混。

06 · 六、局限与威胁效度

LIMITATIONS · 七条,写完更狠

按规矩,这部分不能省,而且要比结论写得更狠。

1

n=1。一台机器、一个库、一个用户。所有数字都是我的使用痕迹,不能外推成“平均用户能省 94%”。

2

单次测量。每项实验只跑了一次(延迟跑了 5 次取中位),没有重复实验、没有置信区间。1.1 秒在别的机器、别的模型上可能完全不同。

3

token 是折算。1.5 字符/token 是我的经验值,不同分词器差异不小。真实数字可能上下浮动两三成。

4

12 个 Agent 我没实测。这台机器上我只验了 CLI 和 MCP 两条通道;那 12 个宿主适配器来自官方文档的宿主表,不是我一个个装出来的。文中的“12”是文档口径,不是我的实测口径。

5

版本不是最新。本机 1.0.19,仓库最新是 1.0.21-dev.6。冲突处理、检索路由这些细节在新版本里可能已经变过。

6

无法排除选择偏差。我的库本身就以“技术决策、项目上下文”为主,天然适合标题档检索;如果换成一个以闲聊为主的库,压缩比和命中率都会变。

7

没有对照组。我没有同一批查询跑“全文塞入”的真实模型,省 token 是用字符数算的,不是用真实账单算的。

这些限制里,第 4 条和第 7 条最该被记住。

07 · 七、结论

CONCLUSION · 三句话收

三句话收。

一份加密库确实能同时住下多台设备、被多个进程以同一套工具读到——P1、P2 在我这儿成立,证据是 2624 条和 758 条来自不同机器,以及跨进程命中同一个 ID。

“只召回标题”这件事的收益是结构性的:同一批记忆,329 字符对 5257 字符,压缩到 6.3%,代价是每轮约 1.1 秒的本地推理。

但“统一记忆”能统一的是存储、密钥和接口,统一不了判断——什么该记成 important、哪些冲突该留哪个、阈值要不要调高,这些仍然是人活。它把“重讲一遍背景”这件苦力活接走了,把“想清楚什么值得记”留给了你。这笔交换我认为划算,前提是你愿意接受它那 47 条冲突和一整套要配的宿主。

附录:可复现命令

APPENDIX · 照着敲一遍

...bash

# 环境与库状态

rsrs --version

rsrs --client-only status --json

# 全库导出(明文,请注意保管)

rsrs export ./export.json --json

# 召回与取全文

rsrs --client-only recall "多设备 统一记忆 rsrs" --titles --json --limit 5

rsrs --client-only show <id> --json

# 流程类提问(看 intent / procedure_pass / procedure_promoted)

rsrs --client-only recall "怎么在新机器上把 rsrs 装好" --titles --json --limit 5

# MCP 工具清单(任意 MCP 客户端均可)

printf '%s\n' \

 '{"jsonrpc":"2.0","id":1,"method":"initialize","params":{"protocolVersion":"2025-06-18","capabilities":{},"clientInfo":{"name":"probe","version":"0"}}}' \

 '{"jsonrpc":"2.0","id":2,"method":"tools/list"}' \

 | rsrs mcp

# 写入与墓碑删除

rsrs --client-only remember "..." --title "..." --importance important

rsrs forget <id> --json

我是百年江湖 随意沉浮,怕什么真理无穷,进一步有进一步的欢喜。

如果你觉得今天这篇有收获,欢迎点赞、在看、转发三连,我们下篇见。

既然看到这里了,如果觉得有用,随手点个赞、在看、转发三连吧。

点赞 · 在看 · 转发

THANKS FOR READING

相关文章
|
SQL JSON 数据可视化
权限开发手册,数据权限和接口权限配置
权限开发手册,数据权限和接口权限配置
2539 0
权限开发手册,数据权限和接口权限配置
|
10天前
|
编解码 人工智能 算法
FLUX Image 3、Nano Banana 2.1、GPT Image 2.6 实测:便宜的改不动图,贵的编品牌
同一张香水图、同一段中文海报,用 FLUX Image 3、Nano Banana 2.1、GPT Image 2.6 各跑 7 个场景共 21 张:便宜的改不动图、会换人换瓶,贵的会自己编一个香水品牌,按像素算账相差 4.7 倍。
228 1
FLUX Image 3、Nano Banana 2.1、GPT Image 2.6 实测:便宜的改不动图,贵的编品牌
|
21天前
|
人工智能 弹性计算 双11
2026年阿里云双11活动全攻略:云服务器活动、AI大模型活动与组合购活动全解析
2026年阿里云的双11大促活动可归为几条主线。低价线:轻量应用服务器2核2G抢购38元/年,每天10:00、15:00两场,可选OpenClaw镜像直接搭AI助理;经济型e与通用算力型u1特价99元、199元/年,续费同价延至2029年3月、最长续到2030年。性能线:u2i年付3折,第九代c9i/g9i/r9i实例6.4折。AI线:Token Plan加量不加价,个人版39元起、团队版150元/席位起,叠加夜间五折、满减券与免费额度。组合购则把算力与落地环境按场景打包,一次下单即用。
|
2月前
|
人工智能 API 开发工具
百炼AI模型API调用计费指南:按量、TokenPlan、CodingPlan计费逻辑与工具接入
阿里云百炼是AI大模型服务平台,免费提供千万级Tokens。支持三种计费方式:按量付费(依Token用量计费)、Token Plan(按Credits订阅)、Coding Plan(按调用次数限量抢购)。开通后可获取API Key,接入Cursor、Qwen Code、Claude Code等数十款主流AI工具。在阿里云百炼官网:https://t.aliyun.com/U/fPVHqY 免费领取千万Tokens
504 0
|
4月前
|
数据采集 人工智能 缓存
1688 图搜 API 实战|从一张竞品图片,实现全自动溯源货源 + 跨平台快速上货
本方案介绍基于1688图搜API的自动化选品上货系统,支持图片上传→智能识图→货源匹配→数据采集→多平台批量铺货全流程。涵盖官方与第三方接口对比、风控策略、版权规避及SaaS/单机两种部署模式,助力无货源商家降本增效。
759 0
|
8月前
|
Kubernetes 安全 应用服务中间件
Kubernetes 官方再出公告,强调立即迁移 Ingress NGINX
北京时间 1 月 30 日,Kubernetes 指导委员会和安全响应委员会在 kubernetes.io 再次发出公告《Ingress NGINX: Statement from the Kubernetes Steering and Security Response Committees》,并通过 CNCF 官方微信公众号发布中文版公告。
418 57
|
6月前
|
存储 NoSQL 数据库
办公Agent的长期记忆设计:记住员工偏好(通知方式、常用模板)
本文揭秘如何为办公Agent设计靠谱的长期记忆系统:通过三层偏好模型(显式/隐式/场景化)、混合存储方案、智能更新遗忘机制及隐私保护设计,让Agent真正“记住你”——不再重复提问,主动适配习惯。不堆术语,只讲实战经验与避坑指南。(239字)
571 0
|
9月前
|
数据采集 大数据 API
大模型微调 PPO 原理:从理论到实践的入门指南
本文手把手带你用LLaMA-Factory Online平台,实战PPO微调Llama-2-7b,打造专属技术文档文案助手。涵盖环境配置、高质量偏好数据构建、奖励模型训练与PPO全流程,零GPU基础也能完成——聚焦API/大数据脚本说明场景,强调精准、严谨、可操作,真正实现“学完即用”。
|
Windows
DOS 批处理 setlocal命令、endlocal命令详解
DOS 批处理 setlocal命令、endlocal命令详解
990 10

热门文章

最新文章