让 AI 不只回答当前问题
而是持续理解一个人
一个真实运行的个人上下文与记忆原型：知识、状态、偏好和行动被外显，AME 用来验证长期记忆与 RAG 的真实边界。
CONTEXT · MEMORY · PROTOCOLS
AI 很强，但它并不知道"你现在是谁"
对话会重置
新对话一开，项目、决定、偏好和昨天的状态都需要重新解释。
保存不等于可调用
网页、文件、笔记和日志都在，但真正需要时往往还是重新搜索、重新问。
相关不等于有用
语义检索可以找到"像答案的材料"，却未必找到最强证据。
行动缺乏连续性
AI 能完成单次任务，却很难延续昨天的未闭环事项和当前重点。
Afu OS 管理 AI 如何持续使用这些内容和状态。
A CONTEXT LAYER FOR LONG-TERM HUMAN–AI COLLABORATION.
普通 Memory 让 AI 记得你，Afu OS 让 AI 接着和你做事
Agent Memory
- 你是谁、偏好什么
- 你最近在做什么
- 你希望 AI 如何回答
- 项目推进到哪一步
- 哪些事项仍未闭环
- 这次该读哪类记忆
- 读取后可以采取什么动作
Afu OS
- Knowledge：我知道什么
- Working State：我此刻做到哪里
- Open Loops：哪些事情尚未完成
- Decisions：我为什么这样判断
- Protocols：何时读取、何时行动、何时确认
Afu OS 不是一个功能，而是五层关系。
真正运行起来的，不是知识库，是一个日循环。
恢复今天的重点、未闭环事项和时间敏感状态。
读、摘要、关联、路由、确认，再沉淀为可调用资产。
把当天事实、决定、遗留和纠正写回系统。
变成行动
一篇 Clip 不是被"存起来"，而是被系统理解。
收编丰富知识记忆；退朝丰富情景记忆；用户纠正形成偏好规则；下一次上朝再把这些内容转化为行动上下文。
当资料增长后，我没有让所有问题都走向量检索。
Local vault as source of truth
Preserve authored semantic boundaries
Local, bilingual, 1,024 dimensions
Metadata: source, layer, authority, offsets
Direct · Broad Hybrid · Host Adjudication
Candidate clues, not verified evidence
Direct Read。已知文件与程序规则不需要绕一圈向量库。
Directory / Keyword Search。结构本身就是检索信号。
AME Semantic Retrieval。用于跨文档、跨领域的未知召回。
Return to source。任何关键结论必须回原文件核实。
不是"万能记忆入口"，而是多路检索中的语义召回与证据导航层。
RAG 表面成功，但真实任务失败了。
Retrieved
Missed / under-ranked
≠ Answer utility
结构完整的 Memory Pack 会让 Agent 误以为资料已经找全，从而过早停止搜索与原文核实。
一份包装精美的半成品，比明显残缺的草稿更危险。
这个项目最后教我的，不是继续做加法。
修协议，不先换模型
批量收编时 Agent 跳过阅读直接归档。根因不是"不会读"，而是协议允许它走捷径。于是把 Read → Summarize → Connect → Route 设为不可跳过。
跑通自动化后，主动 Freeze
Morning Brief 已验证可行，但维护成本、错误风险和控制权损失高于收益。自动化不是越多越好，显式触发本身也是用户控制。
多 Agent 不是卖点
它只是当前模型能力、入口和价格差异下的妥协。真正应该共享的是 状态、协议和记忆；如果一个 Agent 足够强，多 Agent 本身没有价值。
The operating rule changed.
不是成熟产品，
而是一套真实获得的判断。
我真正学到的，不只是怎么搭检索、记忆和 AI 工作流，而是：什么时候该用 RAG、检索该优化什么、Context Packaging 如何改变 Agent 行为，以及自动化应该停在哪里。