🧠 Hermes + Holographic 记忆手册

结构化代数记忆系统 · HRR 向量 + FTS 全文检索 · 2026-05-14 迁移上线

🏗️ 系统架构

            ┌─────────────────────┐
            │  🧠 Holographic     │
            │  Engine (HRR 推理)  │
            └────────┬────────────┘
                     │
            ┌────────▼────────────┐
            │  🔧 fact_store 工具  │
            │ add·search·probe·   │
            │ reason·contradict   │
            └────────┬────────────┘
                     │
         ┌───────────┴───────────┐
         │                       │
  ┌──────▼──────┐       ┌───────▼──────┐
  │ memory_     │       │  🤖 Agent   │
  │ store.db    │       │  Context    │
  │ SQLite+FTS  │       │  注入       │
  └─────────────┘       └─────────────┘

🔮 什么是 Holographic Memory？

使用 HRR（Holographic Reduced Representations） 向量编码，将事实以代数形式存储在向量空间中。相比旧版纯文本记忆，支持：

• 🔍 FTS5 全文检索 — SQLite 内置全文搜索引擎，精确关键词匹配
• 🧩 实体探测 — probe(entity) → 所有该实体关联事实
• 🔗 关系推理 — reason(entities) → 多实体交集推导
• ⚖️ 矛盾检测 — contradict() → 发现事实冲突
• 📈 信任评分 — fact_feedback 训练，好的上升坏的下沉
• ♾️ 无上限 — SQLite 后端，告别 2200 字符瓶颈

📅 迁移历程

• 此前 — 旧系统：MEMORY.md + USER.md 纯文本，2200 字符硬上限，已 98% 满
• 配置切换 — config.yaml 启用 provider: holographic，但旧数据未自动迁移
• ✅ 2026-05-14 — 手动迁移 13 条旧数据到 fact_store，旧文件 → .migrated 备份

📊 新旧对比

📐 数据模型

facts 表
├── fact_id        INTEGER  主键
├── content        TEXT     事实内容（FTS 索引）
├── category       TEXT     分类：user_pref / tool / project / general
├── tags           TEXT     逗号分隔标签
├── trust_score    REAL     信任值 0-1，初始 0.5
├── retrieval_count INT     检索次数
├── helpful_count  INT     有帮助次数
├── created_at     DATETIME
├── updated_at     DATETIME
└── hrr_vector     BLOB     1024 维 HRR 向量编码

entities 表        → 知识图谱节点
fact_entities 表   → 事实 ↔ 实体 多对多关联
facts_fts 虚拟表    → FTS5 全文搜索引擎

🎯 工具使用指南

📝 fact_store — 核心操作

⭐ fact_feedback — 信任训练

每次使用事实后训练系统：

fact_feedback(action='helpful', fact_id=2)    # ✅ 准确 → 信任值上升
fact_feedback(action='unhelpful', fact_id=5)  # ❌ 过时 → 信任值下降

📌 memory 工具 — 简写入口

• memory(action='add', target='memory') → 等价于 fact_store(category='general')
• memory(action='add', target='user') → 等价于 fact_store(category='user_pref')

📈 当前数据分布

🔬 HRR 向量深入：零 Embedding 模型

核心事实：Holographic Memory 完全不调用任何 Embedding 模型（如 OpenAI ada-002、sentence-transformers 等）。

HRR（Holographic Reduced Representations）是一种经典符号 AI 方法（Plate 1991），纯代数运算：

每个词 → 预生成的随机向量（正态分布，固定种子）
组合（"Trilium" ⊛ "ETAPI"）
  → circular convolution（循环卷积）绑定两个向量
  → superposition（加法）累积语义
结果：一个 1024 维 float64 向量（8KB），微秒级完成

实际检索中 FTS5 是检索主力（精确关键词匹配），HRR 做轻量近似匹配和聚类辅助。两者独立打分后加权合并。「向量相似度」不等于神经网络 embedding——HRR 的"向量"和 LLM embedding 是两套完全不同的技术。

💡 最佳实践

• 🏷️ 善用标签 — tags 是过滤维度，如 "trilium, etapi, auth" 比单标签更精确
• 📂 合理分类 — user_pref / tool / project / general 四类各司其职
• ✂️ 原子化事实 — 每条聚焦一个主题，不塞无关信息
• 🔁 定期反馈 — 用 fact_feedback 训练 AI 记忆的准确度
• 🧹 清理过时 — 过时事实用 update 修正或 remove 删除
• 🔄 技能联动 — 复杂流程存为 skill，简单事实存 memory

⚡ 查询流程

用户提问
  │
  ├→ FTS5 全文检索（SQLite 内置，精确关键词）
  │    └→ "Trilium" → 匹配含 Trilium 的事实
  │
  └→ HRR 向量近似匹配（纯代数，不调模型）
       ├→ 查询文本 → 1024 维 HRR 向量
       └→ dot product 与全部事实
            └→ 按相似度排序
            
 两道结果加权合并 → 信任过滤 → 回答

⚙️ 配置参考

# config.yaml
memory:
  memory_enabled: true
  user_profile_enabled: true
  memory_char_limit: 2200          # 旧系统上限
  user_char_limit: 1375            # 旧系统上限
  provider: holographic            # ✨ 核心开关
  nudge_interval: 10
  flush_min_turns: 6

最后更新: 2026-05-14 · db: /opt/data/memory_store.db · provider: holographic