从扁平存储到类脑结构
所有智能集中在一个点上，系统没有积累——第 501 条记忆的理解质量和第 1 条完全一样。
四个理论子系统和两个工程桥梁，共六个模块相互依赖。点击节点查看详情。
人脑编码记忆时同时附着空间、时间、活动、情感等多维上下文。Kept 当前只存储 LLM 输出的结构化字段——丢失了几乎所有编码上下文。
无上下文："盐没了" → LLM 推理 → 可能购物、可能陈述、可能抱怨
有上下文："盐没了" + 在家 + 晚上 + 静止 → LLM 确认 → 做饭发现缺了，购物意图
Daniel Kahneman 的双过程理论区分了两种认知模式：系统 1（快速、自动、基于模式）和系统 2（缓慢、费力、需要推理）。日常认知约 95% 由系统 1 处理。当前 Kept 所有记忆都走系统 2（LLM），即使 80% 是模式化的。
图式匹配置信度 ≥ 0.9 + 无偏离信号 → 图式预填充 → 直接输出，不调用 LLM。
"料酒没了" → 匹配"调料购物"图式 → 自动完成
匹配置信度 0.6-0.9，或有轻微偏离 → 图式预填充 + LLM 确认补充。
"帮我买那个日本的酱油" → 预填充 + LLM 补充品牌信息
无图式匹配，或全新模式 → 完整 LLM 调用（当前方式）。结果回写模式缓存供未来学习。
"下次体检要查一下甲状腺" → 全新模式，LLM 全量推理
关键洞察：通过大量重复练习，控制加工（LLM 推理）可以转化为自动加工（图式匹配）。每个图式就是一个"块"（chunk），系统积累的块越多，处理速度越快，LLM 参与越少。
图式是大脑基于反复经验形成的高阶认知结构。你有一个"餐厅图式"——不需要每次从零学习。图式让 80% 的日常处理自动化。
ThoughtThread ⊂ MemorySchema —— 当前已实现的线索系统是图式系统在 THOUGHT 类型上的特例。图式系统将其泛化到所有记忆类型。
睡眠不仅仅是"保存"白天的记忆——它主动重组和整合记忆。实验表明，睡眠后发现隐藏规律的比例从 20% 提升到 60%。Heartbeat 就是 Kept 的"睡眠"。
扫描近期记忆，按特征聚类（type + trigger + encoding_context）。≥ 5 条同模式 + 特征稳定 → 涌现新图式。LLM 批量命名确认。
为新记忆生成 embedding，计算与相邻记忆的相似度，更新 ThoughtThread 成员关系，发现跨图式关联。
实现突触稳态：等比例降低所有记忆活跃度（保留 95%/次），让重要的浮出、不重要的沉没。强连接（常访问/属于图式/有待触发）抵抗衰减。
设计原则：用户永远感知不到 Heartbeat 的存在。它像人的睡眠一样安静地工作——用户第二天打开 App，发现记忆自动变得更有序了。
约束：iOS BGTaskScheduler，仅充电 + 有网络时执行。
比喻：白板写满了 → 睡眠不是擦掉所有内容，而是把笔迹淡化：用力写的还能看见，轻轻写的消失了。
记忆不是录像回放，每次"回忆"都是根据当前语境重新构建的。同一条记忆在不同语境下应有不同呈现。
决定什么时候浮现。地理围栏/时间/周期触发。扩展：结合编码上下文和图式，触发更智能。
决定呈现顺序。超市时购物排前，深夜时 THOUGHT 排前，早晨 ACTION 排前。
同一条记忆的展示内容根据语境变化。预生成多个"重建视角"缓存。
从扁平结构到仿生架构，不能"大爆炸"重构。每步必须：独立有价值、向下兼容、可验证、可回滚。
六步详情见下方"演化路线图"区块。
从扁平存储到闭环自适应，LLM 依赖度从 100% 降至 20%。六步包含 Step 2a（Gateway 路由）和 Step 2b（图式 + Heartbeat）。点击展开每步详情。
仿生架构的本质是 LLM 角色的渐进转变——从不可或缺的引擎，到偶尔咨询的战略家。
| 阶段 | LLM 调用/月 | 模型 | 月成本 |
|---|---|---|---|
| 当前 | 150 | Haiku | ~$0.15 |
| 阶段 1 | 150（更轻量） | Haiku | ~$0.10 |
| 阶段 2 | ~30（仅新模式） | Haiku | ~$0.03 |
| 阶段 3 | ~4（周批量） | Sonnet/Opus | ~$0.20 |
关键洞察：阶段 3 总成本可能更高——但钱花在了刀刃上。Sonnet/Opus 做高阶分析，而非 Haiku 做基础分类。
图式系统让 Kept 在 LLM 供应商之间更灵活。80% 的记忆处理在端侧完成，与云端无关。剩余 20% 可灵活选择 Claude / GPT / Gemini / 端侧小模型。Kept 的护城河不是 LLM 能力，是基于时间积累的记忆结构。
每一个工程决策背后都有认知科学的理论支撑。
| 工程机制 | 认知科学对应 | 映射关系 |
|---|---|---|
| 编码上下文字段 | 编码特异性原则 | 记录创建时的多维语境 |
| Gateway 快速路径 | 系统 1 自动加工 | 模式匹配，无需深度推理 |
| Gateway 完整路径 | 系统 2 控制加工 | 新模式需要 LLM 全量推理 |
| 模式缓存学习 | 自动化的习得过程 | 重复后从控制加工转为自动加工 |
| 图式涌现 | 图式理论 + MOPs | 从经验中抽象出高阶认知结构 |
| Heartbeat 巩固 | 睡眠记忆巩固 | 后台重组、模式发现、知识整合 |
| DecayService 衰减 | 突触稳态假说 | 等比缩小，保留强连接 |
| 图式动态更新 | 记忆再巩固 | 被激活的图式重新进入可修改状态 |
| 检索重建引擎 | 记忆重建理论 | 根据当前语境重建记忆呈现 |
| 通知聚合 | 图式激活检索 | 活跃图式驱动关联记忆聚合 |
五个阶段，每步独立可用、可验证、可回滚。
iOS 端：Core Data migration (Kept_v4) 新增 7 个 optional 编码上下文字段。新建 EncodingContextService.swift 采集位置/时间/活动/前序记忆/录入方式。
API 端：/process 接受 optional encoding_context，传入 LLM prompt 的 [编码上下文] 部分。
验证：录入记忆后检查 Core Data 中字段是否正确填充；对比有/无上下文时 LLM 分类结果差异。
服务端：新建 pattern-cache.js（PatternCache 类：load/save/match/learn）。/process 端点增加路由逻辑：先查缓存 → confidence ≥ 0.9 快速路径 / 0.6-0.9 确认路径 / < 0.6 完整路径。新增 CONFIRM_PROMPT（比 SYSTEM_PROMPT 短 ~70%）。
验证：同类记忆录入 5+ 条后新记忆是否走快速路径；对比快速路径 vs 完整路径的结果一致性。
iOS 端：Core Data migration (Kept_v5) 新增 MemorySchema 实体。新建 SchemaDetector.swift（聚类算法 + LLM 批量命名）、DecayService.swift（衰减率 0.95/次 + 抗衰减因素）、HeartbeatScheduler.swift（BGTaskScheduler，充电 + 有网络时执行）。
ThoughtThread 泛化：提取通用图式逻辑，ThoughtThread 成为 MemorySchema(category: "thought") 的视图。
验证：模拟器录入 10+ 条同类记忆验证图式发现；测试 Heartbeat 调度执行；验证衰减曲线合理性。
新增：RetrievalEngine.swift（语境化排序：图式激活权重 × 时间衰减 × 语境匹配度），通知聚合（同图式多条记忆聚合为一条通知），Widget 动态排序，HomeView 按图式分组展示。
效果：用户在超市收到 1 条"家里缺几样东西"的聚合通知，而非 3 条独立通知。
验证：通知点击率是否提升；Widget 记忆完成率；用户满意度。
闭环：用户完成记忆 → 图式 confidence += 0.02；忽略/删除 → confidence -= 0.05。图式反哺编码：新记忆自动关联最可能的图式。高置信度匹配可跳过 LLM 调用。跨图式关联发现（Schank TOPs）。
目标：日常 100% 图式匹配，0% LLM。周批量用 Opus 做图式审查、跨域发现。
理论：Nader et al. 记忆再巩固 (2000)，Schank TOPs 跨域组织 (1982)。
"结构即智能。当存储结构本身能承载模式和关联时，LLM 的角色从'全量推理引擎'优雅地退化为'确认与微调顾问'——系统变得更快、更便宜、更不可替代。工程需要理论作为坚实依赖。"