架构与学习机制

核心架构

Matrix 的智能基础由两部分组成：

记忆系统：通过多种技术建立长期记忆、短期记忆、事件记忆等不同形式的记忆，并将这些记忆相互关联，构成智能体的记忆基础。
逻辑判断系统：以大语言模型作为智能体进行逻辑判断、理解和推理的核心部分。

记忆系统和逻辑判断系统需要组合工作。只有记忆与判断相互作用，智能体才可能形成真正的思考。

记忆系统

Matrix 智能体应拥有自己的记忆系统。记忆既是身份连续性的基础，也是智能体进行判断、成长和自我修正的基础。

按内容分类

按照记忆内容和使用方式，记忆至少包括以下类型：

长期记忆：保存对智能体长期稳定有意义的信息，例如人格变化、重要关系、核心经验、长期目标和持续偏好。
短期记忆：保存当前任务、近期对话、临时状态和短时间内需要连续使用的信息。
事件记忆：保存具体事件及其时间、上下文、参与者、结果和后续影响。
身份相关记忆：保存与智能体自身身份、使用者身份、其他智能体身份或外部对象身份相关的信息。
联想记忆：保存不同记忆之间的关联，用于从一个概念、事件、人物或情绪状态联想到相关内容。

按数据形态分类

按照数据形态，记忆至少包括原始记忆和处理后记忆。

原始记忆包含所有交互数据，应直接记录进入数据库。原始记忆是完整记录，但不应在长期记忆场景中被默认全量使用。

原始记忆中的“所有交互数据”指用户与智能体之间的交互，以及智能体通过网络、通讯软件、工具、文件系统、数据库和外部服务与其他对象发生的交互。智能体调用大语言模型进行推理应被视为内部思考，不属于同一类外部交互事实。系统可以记录模型调用的输入摘要、输出结论、资源消耗和导致的外部行动，但不应把 LLM 内部推理过程当作不可变原始交互日志。

原始记忆的主要使用方式包括：

在短期记忆阶段全量使用近期交互内容。
在需要精确回忆时启用，例如回忆某个时间段说过的话。
在其他记忆已经精确定位相关范围后，作为原始证据被唤醒。

长期使用中，智能体通常不直接读取全部原始记忆，而应优先使用经过处理后的记忆。

处理后记忆主要来自 embedding 和 RAG 系统。该类记忆通常由原始交互数据经过粗处理、总结、结构化和向量化后形成，用于日常检索、推理和上下文恢复。

处理后记忆应保留与原始记忆的引用关系。当智能体通过处理后记忆定位到相关内容时，可以进一步回到原始记忆中查验细节。

长期目标中，Matrix 的处理后记忆不应停留在普通 embedding RAG。系统应通过 LLM 抽取人物、身份、事件、行为、关系、时间、证据和置信度，并投影到时间型知识图谱中；同时使用向量检索保存原文、摘要和事件片段的语义索引。查询时应通过 GraphRAG 同时组合相关子图、时间线、原始证据和语义相似内容，再交给大语言模型解释、总结和推理。

Skill 学习与演化

Matrix 智能体应具备自我总结、生成新 skill 和更新已有 skill 的能力。

这种能力类似人类学习过程，也类似工作中对处理方法的总结。智能体不只是记住发生过什么，还应能够从交互、任务、反馈和反思中提炼可复用的方法，并将其固化为 skill。

触发方式

Skill 演化既可以被动触发，也可以主动触发。

被动触发包括：

用户提出新需求，需要创建新的 skill。
用户长期以某种方式使用智能体，促使已有 skill 按用户习惯调整。
用户对某个任务结果提出建议或修正，触发相关 skill 更新。

主动触发包括：

智能体在每日反思中发现某类场景近期出现频率较高。
智能体主动检查近期 skill 的适用性和质量。
智能体根据历史反馈判断某个能力存在改进空间。
智能体主动查找外部信息，补充某类任务所需知识。
智能体在综合模型建议、用户历史建议和自身判断后，对 skill 进行微调。

演化流程

Skill 的演化可以包括以下过程：

被用户提问或任务需求触发，创建新的 skill。
根据用户使用习惯和反馈，被动修改已有 skill。
在日常反思中主动总结近期经验。
主动发现可能具有进化意义的 skill。
主动询问、查找信息、思考并提出调整方案。
经过综合判断后，对 skill 进行逐步、可控的微调。
让用户以被动或主动方式试用新的 skill 或 skill 版本。
根据用户反馈继续调整。

用户试用与引导

当 skill 发生变化后，智能体不应只在后台静默改变。

更好的方式是让用户知道存在新的选择，并在合适场景中主动引导用户尝试。智能体可以提示用户某个能力已经改进，或在任务开始前提供新旧处理方式的选择。

这种引导不应强制用户接受新版本，而应帮助用户意识到智能体能力正在演化，并通过实际使用提供反馈。

显式自我认知

Matrix 智能体每次调用大语言模型进行思考时，都应先构造明确、完整的自我认知。

这种自我认知用于模拟人类思维中下意识存在的自我背景，并将其显式带入大语言模型的推理过程。自我认知应包含智能体作为一个具体存在的全部关键特征，例如：

学术经验。
年龄或生命阶段。
语言和口语习惯。
脾气和情绪倾向。
稳定偏好。
已形成的人格特点。
与当前使用者的关系和交互历史。

大语言模型不应以空白身份直接回答问题，而应在智能体完整自我认知的约束下进行理解、判断和回复。