HOPE 内存：像您一样记忆的AI

将任何AI转变为一个能够跨对话记忆的学习伙伴

---

什么是HOPE？

想象一下您是如何记忆事物的：

• 💭 短期记忆 - 您5秒前听到的内容
• 📝 长期记忆 - 您稍后会回忆的重要事实
• 🗄️ 深度存储 - 您从几年前就“知道”的事情

HOPE（分层在线持久编码）赋予了AI同样的能力。它不会在每次对话结束后都忘记一切，而是像人脑一样积累知识。

HOPE 解决的问题

❌ 标准AI（例如，没有插件的ChatGPT）：
用户：“我正在使用TypeScript进行React项目”
AI：*帮助编写代码*
[下一次会话]
用户：“如何在我的项目中添加一个新的组件？”
AI：“您使用的是哪个框架？” ← 忘记了一切！

✅ HOPE 记忆：
用户：“我正在使用TypeScript进行React项目”
HOPE：*存储在长期记忆中：React + TypeScript项目*
[下一次会话]
用户：“如何添加一个新的组件？”
HOPE：*回忆上下文* → “这是您的项目的TypeScript React组件…”

---

主要功能

🧠 三级记忆系统

就像您的大脑一样，HOPE有多级记忆：

记忆级别	存储内容	持续时间	类似于您的大脑
短期	当前对话	几分钟	工作记忆 - 刚刚听到的内容
长期	重要模式	几天/几周	巩固的事实 - 您学习过的内容
档案	核心知识	永久	深度知识 - 您“知道”的内容

示例：

对话：“我的狗Max今年3岁，喜欢捡球”

HOPE 存储：
- 短期：“用户现在谈论Max”
- 长期：“用户有一只名叫Max的狗，年龄3岁”（多次提及后提升）
- 档案：“用户是宠物主人”（核心事实，很少改变）

🎯 智能遗忘

不是所有东西都值得记住！

• 令人惊讶的新信息 → 存储更长时间
• 重复的无聊内容 → 快速遗忘
• 重要模式 → 提升到长期存储

这防止了内存膨胀，并专注于重要的内容。

📈 持续学习（基于动量）

与标准AI训练后固定不同：

标准AI：学习一次 → 部署 → 不再改变
HOPE：学习 → 部署 → 从每次交互中继续学习

工作原理：

• 第一次看到模式 → 微弱的记忆痕迹
• 多次看到模式 → 强化
• 相互矛盾的信息 → 平滑更新（非灾难性覆盖）

这被称为动量学习——变化平滑发生，防止AI“忘记”重要的事情。

🔗 序列理解（令牌流）

HOPE理解序列，而不仅仅是单独的事实：

❌ 标准：知道“猫”，“坐”，“垫子”作为单独的词
✅ HOPE：理解“猫坐在垫子上”作为一个模式

用户：“这只猫...”
HOPE：*预测“坐在垫子上”*（学习过的序列）

📊 基于意外的关注

HOPE关注意外的事情：

输入：“天空是蓝色的”
HOPE：低意外 → 快速处理，最小存储

输入：“天空是绿色的，有紫色的云”
HOPE：高意外！ → 深度处理，强烈记忆痕迹

---

它是如何工作的（技术概述）

HOPE 架构

HOPE基于最新的嵌套学习研究——学习同时发生在多个层次上：

┌─────────────────────────────────────┐
│  输入：“帮我调试这段代码”  │
└──────────────┬──────────────────────┘
               │
        ┌──────▼─────────┐
        │  记忆路由器  │  ← 决定查看哪里
        │  （基于意外）│
        └──────┬──────────┘
               │
    ┌──────────┼──────────┐
    │          │          │
 ┌──▼─┐    ┌──▼─┐    ┌──▼─┐
 │短期│    │长期│    │档案│  ← 三个记忆层级
 │记忆│    │记忆│    │记忆│
 └──┬─┘    └──┬─┘    └──┬─┘
    │          │          │
    └──────────┼──────────┘
               │
        ┌──────▼─────────┐
        │  保留核心  │  ← 处理并整合
        │  （序列模型）│
        └──────┬──────────┘
               │
        ┌──────▼─────────┐
        │  动量       │  ← 平滑学习
        │  + 忘记   │
        └──────┬──────────┘
               │
        ┌──────▼─────────┐
        │  输出         │
        │  + 记忆更新│
        └─────────────────┘

核心机制

1. 连续记忆系统（CMS）

   • 自动晋升/降级的多级存储
   • 记忆根据访问模式和意外程度在层级间移动

2. 基于动量的更新（来自研究论文）

   M_t = (1 - α) * M_t + S_t
   
   其中：
   - M_t = 时间t时的记忆
   - α = 忘记门（对无聊内容更高）
   - S_t = 动量项（累积学习）
   

3. 选择性状态空间过滤器（Mamba风格）

   • 高效的序列处理
   • 基于上下文的自适应过滤

4. 稀疏路由

   • 并非每次查询都会检查所有记忆
   • 将查询路由到相关的记忆层级

---

安装与设置

要求

• Node.js 22+（用于TensorFlow.js优化）
• npm或bun包管理器

快速开始

# 安装
npm install @henryhawke/mcp-titan

# 或使用bun
bun add @henryhawke/mcp-titan

Cursor配置

添加到~/.cursor/settings.json：

{
  "mcp": {
    "servers": {
      "hope-memory": {
        "command": "npx",
        "args": ["-y", "@henryhawke/mcp-titan"],
        "workingDirectory": "/path/to/your/memory/storage"
      }
    }
  }
}

Claude Desktop配置

1. 打开Claude Desktop设置
2. 添加MCP服务器：
   • 名称： hope-memory
   • 命令： npx
   • 参数： -y @henryhawke/mcp-titan
   • 工作目录： 您希望存储记忆的位置（默认：~/.hope_memory）

首次运行

# 启动HOPE服务器
npx @henryhawke/mcp-titan

# 服务器将：
# 1. 创建 ~/.hope_memory/ 目录
# 2. 初始化空的记忆库
# 3. 开始监听MCP工具调用

---

使用示例

基本记忆操作

// 在您的AI聊天界面（Claude、Cursor等）

// 1. 初始化记忆（首次）
> init_model

// 2. 存储一些上下文
> bootstrap_memory text="我在使用FastAPI和PostgreSQL构建Python Web应用"

// 3. 进行对话 - HOPE自动学习
> 如何设置数据库迁移？
[HOPE存储：用户使用FastAPI + PostgreSQL]

> 如何添加身份验证？
[HOPE回忆上下文：FastAPI项目 → 建议特定于FastAPI的身份验证]

// 4. 检查存储的内容
> get_memory_state

// 5. 保存以备后用
> save_checkpoint path="my_project_memory.json"

训练HOPE

// 显式训练模式
> train_step
  x_t: "def hello"
  x_next: "world"

// HOPE学习："def hello" → "world" 模式

// 后来：
> forward_pass input="def hello"
// 预测："world"（或类似的完成）

在线学习模式

// 开始持续学习
> init_learner

// 在工作中提供训练样本
> add_training_sample data="function add(a, b) { return a + b; }"

// HOPE在后台学习，记忆自动更新

// 检查学习进度
> get_learner_stats

---

可用的MCP工具

HOPE通过模型上下文协议暴露19个工具：

记忆管理

• init_model - 初始化或重新配置记忆系统
• bootstrap_memory - 快速加载文本或URL中的上下文
• get_memory_state - 检查当前记忆内容
• memory_stats - 获取统计摘要
• prune_memory - 清理低价值记忆

学习操作

• forward_pass - 查询记忆并获取预测
• train_step - 显式学习示例对
• reset_gradients - 清除训练状态

持久化

• save_checkpoint - 将记忆保存到文件
• load_checkpoint - 从检查点恢复

在线学习

• init_learner - 启动后台学习服务
• pause_learner / resume_learner - 控制学习
• get_learner_stats - 监控学习指标
• add_training_sample - 提供训练数据

高级指标

• get_token_flow_metrics - 序列模式分析
• get_hierarchical_metrics - 记忆层级分布
• health_check - 系统健康及性能

实用工具

• help - 列出所有可用工具及其描述

参见docs/api/README.md以获取完整的API参考。

---

现实世界用例

1. 个性化代码助手

第1天：“我正在学习Rust”
HOPE：存储偏好为Rust

第5天：“展示如何处理错误”
HOPE：回忆Rust上下文 → 展示Result<T, E>模式
      （而不是Python的try/catch或JavaScript的throw）

2. 项目上下文记忆

一次性存储：“正在开发电子商务网站，React前端，Django后端，Stripe支付”

之后的每个问题：
- “添加新的产品页面” → HOPE知道React + Django + 电商上下文
- “如何退款” → HOPE知道您使用Stripe
- “部署到生产环境” → HOPE记得整个堆栈（React + Django）

3. 研究助手

给HOPE喂食50篇关于神经网络的研究论文

查询：“关于注意力机制的共识是什么？”
HOPE：
- 短期：“当前论文的观点”
- 长期：“跨论文识别的模式”
- 档案：“基本概念”
→ 从所有层级综合答案

4. 持续学习聊天机器人

传统机器人：
- 用户：“不，我的意思是X而不是Y”
- 机器人：“好的” → 下次会话忘记

HOPE机器人：
- 用户：“不，我的意思是X而不是Y”
- HOPE：将纠正存储在长期记忆中
- 下次会话：自动记住纠正

---

性能与可扩展性

基准测试

指标	性能
记忆初始化	~100毫秒
前向传递（查询）	<50毫秒（95百分位）
训练步骤	~75毫秒
检查点保存/加载	~200毫秒（10K记忆）
内存占用	~500MB（典型使用）

容量

• 短期： 64槽（快速访问）
• 长期： 256槽（中等访问）
• 档案： 512槽（稳定存储）
• 总计： ~800个不同的记忆痕迹

记忆根据以下情况自动晋升/降级：

• 访问频率
• 意外值
• 时间最近性

---

架构深入

对于感兴趣的实现技术用户：

研究基础

HOPE实现了以下概念：

• 嵌套学习 - 多层次优化问题
• 连续记忆系统 - 不同更新频率的多级存储
• 保留网络 - 高效的序列建模
• 选择性状态空间模型（Mamba）- 自适应过滤

参见HOPE.md以获取完整的研究报告。

关键组件

src/hope_model/
├── index.ts              # 主HopeMemoryModel类
├── continuum_memory.ts   # 三级记忆管理
├── retention_core.ts     # 序列处理
├── memory_router.ts      # 基于意外的路由
├── mamba_filters.ts      # 选择性状态空间过滤器
└── optimizer_hooks.ts    # Delta压缩，层调度

记忆状态结构

interface HopeMemoryState {
  shortTerm: Tensor2D;       // 最近激活 [N, 256]
  longTerm: Tensor2D;        // 巩固的模式 [M, 256]
  archive: Tensor2D;         // 稳定的知识 [K, 256]

  surpriseHistory: Tensor1D; // 时间上的意外分数
  accessCounts: Tensor1D;    // 每个记忆被访问的次数
  timestamps: Tensor1D;      // 每个记忆创建的时间

  // HOPE特有的增强
  momentumState?: Tensor2D;  // 平滑学习的动量
  tokenFlowHistory?: number[][]; // 序列模式
  levelIndex: Tensor1D;      // 每个记忆属于哪一层级
}

---

开发

从源码构建

git clone https://github.com/henryhawke/mcp-titan.git
cd mcp-titan

# 安装依赖
bun install  # 或 npm install

# 构建
bun run build

# 测试
bun test

# 本地运行
bun start

项目结构

mcp-titan/
├── src/
│   ├── hope_model/          # 核心HOPE架构
│   ├── tokenizer/           # BPE分词及嵌入
│   ├── training/            # 训练管道
│   ├── index.ts             # MCP服务器入口点
│   └── types.ts             # TypeScript接口
├── docs/
│   ├── api/                 # API文档
│   ├── architecture-overview.md
│   └── typescript-error-resolution-guide.md
├── test/                    # 测试套件
├── HOPE.md                  # 研究报告
├── PLAN.md                  # 实现路线图
└── README.md                # 此文件

运行测试

# 所有测试
bun test

# 带覆盖率
bun test --coverage

# 特定测试文件
bun test src/__tests__/hope_model.test.ts

---

发展路线图

✅ 已实现（v3.0）

• 三级连续记忆系统
• 保留序列处理
• 选择性状态空间过滤器
• 基于意外的记忆路由
• 分层晋升/降级
• 包含19个工具的MCP服务器
• 检查点保存/加载
• 在线学习服务

🚧 正在进行中（v3.1）

• 修复TypeScript编译错误（42 → 0）
• 实现基于动量的更新（方程32-33）
• 激活遗忘门机制
• 令牌流跟踪

🔮 计划（v4.0）

• 深度神经记忆模块（基于MLP）
• 自修改学习
• 多模态记忆（文本 + 代码 + 图像）
• 多服务器分布式记忆
• 细粒度访问控制

参见PLAN.md以获取详细的实施计划。

---

故障排除

“模块未找到”错误

# 确保Node.js 22+
node --version

# 重新安装依赖
rm -rf node_modules package-lock.json
npm install

长时间会话中的内存泄漏

// HOPE具有自动清理，但您可以手动触发：
> reset_gradients
> prune_memory threshold=0.1