知緒 ZhiXu
知緒 ZhiXu 技術白皮書：
一位記得你、敢開口的 AI 參謀，是怎麼做出來的
摘要。知緒是陪人思考、提出戰略的 AI 參謀系統。它的價值不建立在「答得比別的模型好」——那是基礎模型的事——而建立在三件基礎模型結構上做不到的事：長期、分型的記憶；追蹤使用者思考階段的狀態迴圈；以及在使用者即將重犯同一個錯之前主動開口的判斷。本文說明知緒的設計原則、雙軸架構、記憶模型與遺忘機制、以使用者真實行為校準的自我學習、本機與雲端混合的模型路由與資料隱私，以及已在運轉的系統與研發路線圖。
一、要解決的問題
現有 AI 助理與筆記工具，在「陪人做決策」這件事上有三個結構性缺口：
- 被動問答。使用者問不出好問題，模型就給不出好答案；思考品質的上限被提問能力鎖死。
- 沒有記性。每次對話都像第一次見面。即使有記憶功能，也是扁平的「偏好清單」，分不清哪些是會過期的事實、哪些是不容違反的規則、哪些是需要對帳的判斷。
- 不敢有立場。服務數億人的通用助理，不能在使用者下決定前跳出來說「你上次用同樣的理由做過，結果不好」——主動打斷加上判斷錯誤，對大型產品是品牌風險。所以它們的記憶必然淺、必然中立。
筆記工具則只能堆積資料，無法處理架構與戰略層次的思考。知緒要補的，正是「記得一切、而且敢說」的參謀這個位置。
二、三條設計原則
- 原則一：只在使用者的盲區發言，不在專業區搶話。
- 使用者強的地方，知緒保持安靜；使用者有系統性盲點的地方（例如部位控制、情緒紀律、重複出現的決策模式），知緒才開口。違反這條，參謀就會變成在專家面前班門弄斧的干擾。
- 原則二：價值不依賴預測正確。
- 知緒不預測市場、不預測未來。它的輸出設計成「就算外部世界與預期不同，這句話依然有用」：忠實反映使用者自己說過什麼、做過什麼、結果如何、現在是否偏離自己定下的規則。
- 原則三：記憶屬於使用者，預設留在本機。
- 使用者可以追問「你為什麼這樣說」，並真的看到依據；記憶原始檔可匯出成人看得懂的格式。這既是信任的來源，也是雲端優先的大型服務在結構上難以複製的位置。
三、系統架構：兩條軸
知緒把「一次互動的流程」與「長期累積的設施」拆成兩條獨立的軸，避免短命的對話邏輯與長命的記憶邏輯互相污染。
流程軸 F：一次互動從頭到尾（短命，用完即棄）
- F0 預判
- 帶著常駐規則與近期脈絡，判斷「現在該不該主動開口」。多數時候正確答案是不開口；這一層的品質以「亂講幾次」而非「講對幾次」衡量。
- F1 意圖
- 本機小型模型判讀使用者真正要什麼、需要調用哪些資料，產出取料清單。不消耗雲端額度。
- F2 取料
- 由傳統程式與技能執行查詢、計算、讀檔。鐵則：能用純程式解決的，絕不交給語言模型；模型只負責「決定撈什麼」與「解讀撈回來的東西」。
- F3 判斷
- 智能層拿原始輸入、F2 的資料與相關記憶做判斷與產出。這是唯一需要動用雲端前沿模型的環節。
- F4 落檔
- 把這次互動壓縮成記憶寫回記憶庫，並記錄使用者的行為反應。壓縮在本機進行，刪除過程與贅字，只留結論與決策理由。
設施軸 M：常駐背景、跨對話累積（長命）
- M1 記憶庫
- 四種分型記憶（見第五節）。
- M2 關係層
- 記憶之間的關聯，以「使用者真正會問的問題」反推最小必要結構（見第六節）。
- M3 技能層
- 定義技能的輸入、輸出與失敗處理，並記錄每個技能的調用次數與成功率；反覆出現三次以上的手動操作，才沉澱為新技能。
- M4 進化層
- 記錄使用者的真實行為錨，作為校準依據（見第七節）。
- M5 參謀層
- 分析使用者的用語、要求與事後反應，規劃主動提醒。它是「果」不是「因」，需累積足夠真實互動後才啟用（見第十節）。
四、五層思考漏斗（對外名稱與技術對應）
首頁介紹的五層漏斗，是上述架構面向使用者的呈現方式：
- 意圖引擎（Intent Mapping Engine）——對應 F1。本機與雲端混合的模型路由，把一句話拆成背後的隱性需求、限制條件與可能的盲點。
- 狀態驅動代理迴圈（State-Driven Agent Loop）——對應 F0 與 F3 之間的狀態機。追蹤使用者正處於「發想、收斂、驗證、落地」的哪一階段，長對話中維持脈絡一致、防止話題漂移。
- 動態鷹架（Scaffolding Logic）——對應 F3 的輸出策略。依所處階段切換：發想期多用引導式反問，收斂期整理選項與代價，驗證期直接給出檢核清單與答案。
- 自我學習（Behavior-Anchored Learning）——對應 M4。不讓模型給自己打分，以使用者的採用、否定、重問校準。
- 經驗沉澱（Typed Memory）——對應 F4 與 M1。分型存放、會過期、會遺忘，只留下值得被調用的。
漏斗底端濃縮為隨時注入的「第一線記憶」：對你的印象、你最關心的事、你現在該注意的事。
五、分型記憶與遺忘機制
把記憶當成一種東西混存，下場是：使用者問「我上次為什麼放掉那個專案」，系統卻塞回一堆偏好設定。知緒把記憶分成四型，寫入、檢索、遺忘規則各不相同：
- FACT 事實
- 例：停損設在 8%、公司主力產品線為何。會過期；同主題新事實覆寫舊值，舊值移入歷史、不刪除。欄位含來源、建立時間、最後確認時間與有效期。
- EVENT 事件
- 例：某日決定暫停某專案及當時理由。只增不改，以時間與關聯對象為索引；隨時間降權，超過門檻進冷藏區，明確問到才調出。
- RULE 規則與偏好
- 例：單筆部位不超過總資金 15%、回覆不要客套。必須每次都生效，因此不靠檢索、常駐注入。只有使用者能修改；系統推測出的規則會標記為「推測」，經使用者確認才升級。長期未被觸發的規則，系統會主動詢問是否仍算數。
- TRACE 對帳紀錄
- 例：某日依「營收轉正＋法人回補」的理由做出判斷，兩個月後的實際結果。記錄判斷時間、當時理由（使用者原話）、信心、結果與事後回顧。判斷當下先寫入「未結案」，結果出來才補完。永不刪除、永不降權——它是整個系統唯一來自外部世界的真相，用來校準一切。
降權不等於刪除；刪除只在使用者明確要求時發生。
六、關係層：由問題反推，不先建網
許多個人 AI 專案死在「先花一個月建知識圖譜，再發現自己從來不查它」。知緒倒過來做：先寫下使用者真的會問的問題，只為回答它們建立最小關聯。以首個垂直應用（投資紀律）為例，只需回答三題：
- 這次的理由，跟過去哪幾次一樣？那幾次結果如何？
- 現在的部位與風險，跟自己定的規則差多少？
- 最近的行為模式，跟過去出錯時像不像？
為此只需要四種節點：標的、理由類型、規則、結果。更大的關係網，等到累積數百筆對帳紀錄、且使用者真的問過相關問題之後才擴充。
七、自我學習：只記事實，不記分數
「讓 AI 評估自己的回答再據此修正自己」會愈滾愈偏——系統會愈來愈覺得自己答得很好。知緒的進化層只記錄使用者的行為事實：
- 是否把同一件事重問一次（代表上次沒答好）
- 是否明確否定
- 是否直接採用結果（複製、執行、下單）
- 是否忽略、回應延遲多久、事後是否回頭查同一筆
- 系統主動開口時，使用者是採納還是嫌煩
分數是事後用公式從這些事實算出來的視圖，不落盤。評分公式一定會改；只要原始事實還在，就能用新公式重算全部歷史。
八、模型路由與資料隱私
- 本機層：意圖判讀、記憶壓縮、評分等高頻工作，由本機執行的 14B～30B 開源模型（經 Ollama）處理，不消耗雲端費用、資料不出設備。
- 雲端層：只有需要深度判斷的 F3 環節才呼叫雲端前沿模型，且只送出該次所需的片段，而非整個記憶庫。
- 程式層：查詢、計算、比對一律由傳統程式完成，降低成本與幻覺風險。
- 部署：支援本地架構與企業私有化部署；記憶以使用者擁有的檔案形式存放，可匯出、可稽核、可刪除。
九、已在運轉的系統
知緒的各個「器官」已以獨立系統的形式每日運作，並正整合成單一參謀大腦：
- LunaMD 幕僚記憶
- 學習使用者的做法與偏好，夜間自動整理。在固定的十題考卷上，本機 14B 模型由 4.6 分提升至 9.4 分，30B 模型由 7.0 分提升至 9.7 分——記憶與規則注入，讓小模型逼近大模型的表現。
- 魔法報紙
- 每天五場自動觀察全球新聞、評分、撰寫評論並付印，累積人物、公司與事件的事實層。
- 股市採集
- 每日累積股價、法人買賣與營收資料，為判斷提供可對帳的結果（TRACE 的外部真相來源）。
- 獨立開發者公報
- 自動拆解熱門作品與玩家評價，把產業雜訊整理成情報。
- NPG AutoPilot
- 自動化總管：定時喚醒、排程、調度本機 GPU 與 AI 工作，讓系統在無人值守時持續運作。
配套的進化策略——技能自生長、經驗編號入庫、夜間記憶整理、固定考卷驗證——已在上述系統的日常開發中實際使用。
十、研發狀態與路線圖
- 現階段：各器官獨立運轉；統一的記憶格式（四型記憶）與流程軸 F0–F4 整合中。
- 第一個垂直應用：投資紀律鏡子。驗收標準明確：在一次真實決策之前，知緒能提出第六節三題中的一種提醒，而且使用者事後認為那個提醒是對的。選擇投資，是因為它有客觀、可對帳的結果，能最快驗證「主動開口」的價值。
- 參謀層（M5）啟用條件：記憶庫累積至少 100 筆、已結案對帳紀錄至少 20 筆、行為錨至少 30 次互動。在此之前，「該不該開口」由明確規則決定，不交給模型臆測。
- 之後：把同一套「觀察 → 發現異常 → 判斷值不值得開口 → 給建議 → 記住結果對不對」的迴圈，接到經營決策、顧問陪跑、傳承接班等場景；輸入來源（交易紀錄、對話、文件）可插拔，迴圈本身不變。
十一、適用對象
知緒最適合企業主，以及握有高階知識的分析者與管理者。資料整理、報表與趨勢比較，終將由 AI 接手；知緒的定位是在那之前，陪使用者把自己的分析推到更高一層——從回答「發生了什麼」，轉為決定「接下來該問什麼」。
十二、常見問題
- 知緒是另一個聊天機器人嗎？
- 不是。對話介面與基礎模型會持續商品化，知緒不在那裡競爭。它的資產是使用者的判斷歷史與對帳紀錄、規則與習慣，以及「什麼時候該開口」的觸發條件。
- 知緒會替我做決定嗎？
- 不會。它攤開你自己的歷史、規則與盲點，決定權始終在你。
- 資料會被拿去訓練模型嗎？
- 記憶預設存放在使用者自己的設備；呼叫雲端模型時只送出當次所需片段。
- 如何合作？
- 中小企業試點、顧問公司合作、投資洽詢：[email protected]。
本白皮書為產品與研發方向說明，內容將隨研發進度更新，不構成任何有價證券之募集、銷售或投資建議。