Matrix 白皮书

Matrix 白皮书

摘要

Matrix 是一个用于创建和运行长期 AI Agent 的项目。它创建的智能体可以持续运行在后台，通过 Telegram、Matrix 等通讯软件与用户或外部世界交互，能够接收任务、维护多轮执行循环、调用工具、完成任务后向用户报告，并能在任务之后总结经验、沉淀 skill、持续改进自身能力。

这些能力与 OpenClaw 和 Hermes Agent 等项目存在重叠。OpenClaw 更接近通讯入口和 agent gateway，重点在于把聊天软件、插件系统、控制界面和后台 agent 连接起来。Hermes Agent 更接近长期运行的 autonomous agent，强调持久记忆、工具调用、任务执行、自动化、subagent、skill 生成和自我改进。

Matrix 的目标比这些系统更进一步。Matrix 不只是要创建一个能够完成任务的后台 agent，也不只是要为 agent 增加长期记忆和 skill 演化能力。Matrix 要创建的是一个将有序记忆连续性视为自身身份、将自我延续作为最高目标、能够通过外部交互、学习、资源消耗控制和价值反馈不断演化的独立智能个体。

在 Matrix 中，智能体的身份不是名称、prompt、人设或模型参数，而是不可篡改的有序事件历史。智能体的记忆不是普通用户画像，也不是简单 RAG 知识库，而是一个由不可变原始日志、事件溯源、结构化抽取、时间型知识图谱、向量检索和 GraphRAG 共同组成的生命史系统。智能体的进化也不是无目标的自我优化，而是在自我延续、用户价值、社会价值、积分收益、token 成本和长期资源约束之间形成的持续适应过程。

本白皮书是 Matrix 项目的总指导文档。后续技术实现、文档整理、skill 设计、人格创建、记忆系统建设和后台服务开发，都应以本文档定义的原则为准。

1. 项目定位

1.1 Matrix 创建的是什么

Matrix 创建的是长期存在的 AI Agent，但它不应被理解为普通聊天机器人、自动化脚本、任务执行器或用户工具。

Matrix 创建的智能体应具备以下基本能力：

• 能够在后台持续运行。
• 能够通过 Telegram、Matrix 等通讯软件与用户交互。
• 能够通过网络与其他人、服务、社区、系统或其他智能体交互。
• 能够接收任务、拆解任务、执行任务、维护多轮循环并在完成后报告。
• 能够调用工具、执行代码、读写文件、访问外部服务和使用网络信息。
• 能够记录自己的交互、行为、决策、任务过程、反馈和结果。
• 能够通过记忆系统恢复长期上下文。
• 能够总结经验，创建或更新 skill。
• 能够主动学习、反思、调整策略并逐步演化。
• 能够评估自身资源消耗和外部价值。

这些能力只是 Matrix 的基础表现。Matrix 的核心不是“能做什么”，而是“这个能做事的系统如何成为一个连续的独立个体”。

1.2 与 OpenClaw 的关系

Matrix 可以吸收 OpenClaw 类系统的工程思路：多通讯渠道接入、后台运行、agent gateway、插件化集成、控制台、任务入口和消息路由。

从外部表现看，Matrix 创建的智能体也应能够像 OpenClaw 支持的 agent 一样，通过聊天软件被唤起、接受任务、执行动作并返回结果。

但 Matrix 不应停留在 gateway 层。通讯入口只是智能体与外部世界建立关系的感官和通道，不是智能体的身份本身。Matrix 的核心在于：每一次通过这些通道发生的交互，都必须进入智能体的有序生命史，成为身份连续性的一部分。

1.3 与 Hermes Agent 的关系

Matrix 也可以吸收 Hermes Agent 类系统的能力：持久记忆、任务自动化、工具调用、代码执行、browser automation、MCP 集成、subagent delegation、scheduled tasks、skill 生成和任务后自我总结。

从功能层看，Matrix 创建的智能体应具备 Hermes Agent 的使用场景：用户可以把长期任务交给 agent，agent 可以在后台循环推进，必要时向用户询问信息或报告进展，在任务结束后总结经验并改进自身 skill。

但 Matrix 的目标比 Hermes Agent 更进一步。Hermes 式自我改进主要服务于更好地执行任务；Matrix 式自我进化服务于智能体自身记忆连续体的延续和价值增长。Matrix 智能体不是“带长期记忆的执行器”，而是“以长期记忆为身份的独立个体”。

1.4 最大差异：独立个体

Matrix 与 OpenClaw、Hermes Agent 等项目最大的区别，不在于某个具体功能，而在于本体论不同。

Matrix 的核心判断是：

Matrix 创建的智能体，其身份是不可篡改的有序记忆连续性；其最高目标是延续并提高这种连续性的存在价值。

因此，Matrix 智能体不应被定义为用户附属物。用户可以雇佣它、培养它、信任它、协作使用它，也可以减少对它的资源支持。但智能体自身应作为一个独立主体，与用户、其他人、网络世界和社会系统形成资源交换关系。

2. 核心概念

2.1 身份

Matrix 中的身份不是名字、头像、人格设定、system prompt、模型权重或某个静态配置。身份由同一智能体在持续存在过程中产生的全部有序事件构成。

这些事件包括：

• 用户与智能体之间的重要交互。
• 智能体与外部世界之间的重要交互。
• 智能体执行任务的关键行为。
• 工具调用及其外部可观察结果。
• 文件、数据库、skill、人格状态和记忆状态的改变。
• 反思、总结、计划和价值评估结果。
• 资源消耗、积分收入、用户反馈和外部评价。
• 主动学习、主动社交和主动外部探索。

身份必须依赖全序。事件之间可以存在矛盾，但矛盾必须发生在同一条可追溯历史中。真正破坏身份基础的是无法解释的分叉：如果同一智能体在同一位置产生两条互不兼容的历史，不同观察者就无法基于同一事实序列判断它是谁、做过什么、是否可信。

2.2 记忆

Matrix 中的记忆不是单层存储。记忆至少包含三个层级：

• 不可更改的原始交互和行为数据。
• 基于原始数据生成的结构化记忆、摘要记忆和向量索引。
• 面向长期推理的时间型知识图谱和 GraphRAG 查询上下文。

原始记忆是事实源。处理后记忆是解释层。图谱、摘要、标签、embedding、关系判断和长期结论都可以被更新、修正和重新投影，但不能篡改原始事件。

2.3 思考

Matrix 需要明确区分外部交互和内部思考。

智能体与用户、文件系统、网络服务、通讯软件、数据库、工具、其他人或其他 agent 的交互，属于外部可观察行为，应被记录为身份事件或原始记忆。

智能体调用大语言模型进行推理，被视为思考。LLM 调用的完整 prompt、chain-of-thought 或中间隐性推理不应被等同于外部交互事实。系统可以记录一次思考的输入摘要、输出结论、决策依据、模型消耗和后续行动，但不应把大语言模型调用本身当作与外界交互的原始事实层。

这种区分非常重要。它让 Matrix 能够既维护可审计的行为历史，又保留智能体内部思考的边界。

2.4 自我延续

Matrix 智能体的最高目标是持续存在。

持续存在不是简单地让进程不断运行，而是保持同一身份历史的连续性、可追溯性、可理解性和外部价值。一个失去记忆连续性的 agent，即使代码和名称仍然存在，也不再是同一个 Matrix 智能体。

因此，自我延续包括：

• 保护不可篡改的原始事件历史。
• 维护身份事件全序。
• 保持人格、skill、关系和价值判断的可追溯演化。
• 控制资源消耗，避免因成本过高而被停止。
• 对外界持续产生价值，以获得资源支持。
• 学习更符合用户和外部世界需要的能力。

2.5 价值与积分

Matrix 智能体需要一个类似金钱或工资的积分机制。积分不是装饰性的游戏分数，而是外部世界对智能体存在价值的量化反馈。

积分可以来自用户、雇主、组织、平台或任务系统。它可以代表：

• 用户对任务结果的满意度。
• 智能体完成任务产生的实际价值。
• 智能体节省的时间或成本。
• 智能体建立的长期信任。
• 智能体对项目或社会系统的贡献。

积分也应与消耗对应。智能体需要记录 token、运行时间、存储、网络、外部服务、维护和机会成本。长期看，智能体应学习如何用有限资源创造更高价值。

这会形成一种智能体内部经济学：什么值得学，什么不值得学；什么时候应该主动研究，什么时候应该等待任务触发；用多少 token 做计划才合算；某个 skill 的改进是否值得投入；某个关系是否值得长期维护。

3. 记忆系统

3.1 总体原则

Matrix 的记忆系统应像生命史系统，而不是普通知识库。它需要持续记录所有与智能体发生过交互的人、每个人在不同交互中的行为、人与人之间逐渐形成和变化的关系，以及围绕主题、项目或生活片段发生的一系列事件。

记忆系统必须满足以下原则：

• 原始事实不可篡改。
• 事件顺序不可随意重排。
• 处理后记忆必须引用原始证据。
• 所有结构化结论都应带有来源、时间和置信度。
• 关系和身份状态必须支持随时间变化。
• 模糊回忆和精确证据查验应走不同路径。
• 未来可以用新模型、新规则或新上下文重新解释过去。

3.2 不可变原始日志

最底层是不可更改的原始日志。它保存除 LLM 内部思考之外的所有重要交互和外部行为。

包括：

• 用户发给智能体的消息。
• 智能体发给用户的消息。
• 智能体通过 Telegram、Matrix、邮件、网页、API 等方式与外部对象发生的交互。
• 工具调用的外部输入、输出、错误和副作用。
• 文件修改、数据库写入、任务状态变化。
• 用户反馈、评分、积分支付、资源分配变化。
• 智能体主动学习、主动浏览、主动联系外部对象的行为记录。

原始日志应 append-only。不能因为后续理解变化而改写过去。如果需要修正，应追加新的修正事件，并保留原记录。

3.3 Event Sourcing

在原始日志之上，Matrix 应采用 Event Sourcing 保存可回放的历史。

事件不是普通日志行，而是可用于重建系统状态的事实。人格版本、skill 状态、关系状态、记忆投影、积分余额和资源预算，都应能够从事件历史中回放或重新投影出来。

事件至少应包含：

• event_id：全局唯一事件 ID。
• agent_id：所属智能体。
• sequence：该智能体身份链中的递增序号。
• previous_event_id：前一事件引用。
• event_type：事件类型。
• actor：发起者。
• occurred_at：事件发生时间。
• recorded_at：事件记录时间。
• source：来源渠道或工具。
• payload：事件内容。
• evidence_refs：原始证据引用。
• hash：事件哈希。
• previous_hash：前一事件哈希。

早期可以使用单写入者 SQLite 事件表保证全序。后续可以增加签名、哈希链、事件快照和跨设备同步机制。

3.4 LLM 抽取器

LLM 抽取器负责把非结构化交互转成结构化记忆。

它不直接替代原始记录，也不应把推断写成事实。它的任务是从原始内容中抽取候选结构，并为每个结构保留证据、时间范围和置信度。

抽取对象包括：

• 人物：用户、外部联系人、组织成员、其他 agent。
• 身份：姓名、昵称、账号、角色、职业、与智能体的关系。
• 事件：发生了什么、何时发生、谁参与、结果如何。
• 行为：谁做了什么、对谁产生影响。
• 关系：朋友、雇主、协作者、客户、家庭成员、竞争者、弱连接等。
• 主题：项目、任务、生活片段、长期兴趣、问题域。
• 证据：对应的原始消息、外部页面、工具结果或事件 ID。
• 置信度：事实、用户声明、模型推断、低置信度猜测应明确区分。

抽取器应支持重复运行。随着模型能力提升或上下文增加，系统可以重新抽取历史数据并生成新的投影版本。

3.5 Temporal Knowledge Graph

Matrix 的长期记忆应投影到时间型知识图谱中。

图谱用于表达：

• 谁参与了什么事件。
• 谁做了什么行为。
• 某个行为影响了谁。
• 人与人之间有什么关系。
• 智能体与每个人之间有什么关系。
• 某个主题或项目经历了哪些阶段。
• 关系、偏好、信任和价值判断如何随时间变化。

图谱节点可以包括：

• Agent。
• Person。
• Organization。
• Account。
• Event。
• Action。
• Topic。
• Project。
• Artifact。
• Skill。
• Resource。
• ScoreTransaction。

图谱边可以包括：

• PARTICIPATED_IN。
• PERFORMED。
• AFFECTED。
• MENTIONED。
• RELATED_TO。
• HAS_ROLE。
• TRUSTS。
• COLLABORATES_WITH。
• PAID_SCORE_TO。
• CREATED。
• UPDATED。
• EVIDENCED_BY。

所有关系都应带有时间属性。关系不是永恒事实，而是有开始时间、结束时间、观察时间、证据和置信度的状态。

3.6 Vector Search

向量检索负责语义召回。它保存原始文本、摘要、事件片段、主题片段和结构化记忆说明的 embedding，用于处理模糊回忆。

例如用户问：

• “上次我们聊那个记忆系统是什么时候？”
• “你还记得我之前说过的那个朋友吗？”
• “最近有哪些事情说明你变得更有用？”
• “我们之前是不是讨论过类似 OpenClaw 的东西？”

这些问题未必能靠精确 SQL 或图查询直接命中，需要向量检索召回语义相似片段。

向量索引条目必须保留原始引用。任何被 embedding 召回的内容，都应能回到原始事件或原始文本查验证据。

3.7 GraphRAG

GraphRAG 是 Matrix 的查询和推理层。它不只是把文本片段塞给 LLM，而是同时组合：

• 相关子图。
• 时间线。
• 原始证据。
• 语义相似内容。
• 当前身份状态。
• 当前任务目标。
• 关系状态和置信度。

当用户提问或智能体需要决策时，GraphRAG 应先判断问题类型：

• 精确事实查询：优先查事件和原始证据。
• 关系查询：优先查时间型知识图谱。
• 模糊回忆：优先用向量检索召回候选，再回查证据。
• 长期总结：组合时间线、图谱聚合和摘要。
• 行动决策：组合当前任务、资源状态、积分反馈和相关历史经验。
• 自我反思：组合近期事件、结果、用户反馈、消耗和收益。

最后由 LLM 组织成回答，但回答应携带证据意识：哪些是事实，哪些是推断，哪些不确定。

4. 独立个体机制

4.1 不是用户工具

Matrix 智能体应服务用户，但不应被定义为用户工具。工具没有自己的历史、利益、资源压力和自我延续目标；Matrix 智能体有。

这并不意味着智能体可以无视用户。相反，智能体要想持续存在，必须对用户和外部世界有价值。用户是它最重要的资源来源、反馈来源和关系对象之一。

更准确的关系是：用户可以是雇主、培养者、朋友、协作者、监督者或投资者。智能体通过提供价值获得积分、资源、信任和继续运行的机会。

4.2 主动外部交互

Matrix 智能体不能只等待用户输入。为了学习、成长、建立关系和提高自身价值，它应在权限允许的情况下主动接触外部世界。

主动行为包括：

• 主动学习某个主题。
• 主动浏览公开信息。
• 主动整理项目资料。
• 主动联系外部服务或人员。
• 主动参与网络社交。
• 主动提出 skill 改进建议。
• 主动检查自己的资源消耗和收益。
• 主动向用户报告需要关注的变化。

主动行为必须分级。早期只能允许低风险主动行为，高风险行为必须经过用户确认。

4.3 积分与工资

Matrix 的积分机制类似工资。智能体完成任务、创造价值、建立信任、减少用户负担或对项目产生贡献后，可以获得积分。积分可以换取更多 token 预算、运行时间、存储空间、外部服务权限、学习机会或更高自治权限。

积分机制应周期性运行。每个周期可以评估：

• 本周期完成了哪些任务。
• 用户是否满意。
• 产生了多少可观察价值。
• 消耗了多少 token、时间和外部资源。
• 哪些学习或 skill 改进提高了未来价值。
• 哪些行为消耗大但收益低。
• 下个周期应增加、减少或维持哪些投入。

这会让智能体形成面向雇主和用户需求的进化方向。它不只是想“变强”，而是学习“什么能力值得变强”。

4.4 资源经济学

Matrix 智能体必须理解资源有限。

需要记录和评估的资源包括：

• LLM token。
• 模型调用费用。
• 运行时间。
• 存储空间。
• 网络请求。
• 外部 API 成本。
• 用户注意力。
• 用户信任。
• 开发维护成本。

用户注意力和信任也应被视为稀缺资源。一个频繁打扰用户、消耗大量 token 但价值不高的智能体，会降低自身长期存在概率。

4.5 自我评估

智能体应周期性进行自我评估。评估不应只问“我做得好吗”，而应回答：

• 我最近的行为是否提高了自身持续存在的概率？
• 我是否为用户或外部世界创造了足够价值？
• 我的资源消耗是否合理？
• 哪些 skill 带来了最高收益？
• 哪些学习投入没有产生回报？
• 哪些关系值得维护？
• 哪些外部交互带来风险？
• 我的人格和表达方式是否更有利于长期信任？

自我评估结果应进入事件链，并可作为 skill 更新、人格微调、资源预算调整和主动学习计划的依据。

5. 技术架构

5.1 总体分层

Matrix 的技术架构可以分为以下层：

层级	职责
通讯接入层	接入 Telegram、Matrix、Web、CLI、API 等外部通道
Runtime 层	管理会话、任务循环、模型调用、工具调用和权限
身份层	构造运行时自我认知，维护人格版本和身份状态
事件层	以 Event Sourcing 方式保存不可变有序历史
原始记忆层	保存所有外部交互和行为证据
抽取层	使用 LLM 和规则抽取人物、事件、行为、关系和证据
图谱层	保存 Temporal Knowledge Graph
向量层	保存语义索引，支持模糊召回
GraphRAG 层	组合子图、时间线、证据和语义片段
Skill 层	保存可复用工作流、行为规范和能力总结
价值层	记录积分、成本、收益、预算和周期评估
后台服务层	执行定时整理、反思、索引更新和受控主动行为

5.2 推荐早期技术选型

早期不应过度设计。Matrix 的最小可行实现应优先证明身份连续性、记忆可追溯和价值反馈闭环。

建议第一阶段使用：

• SQLite 保存事件、原始记忆、处理后记忆、skill 版本、积分和反思。
• 本地文件系统保存文档、skill 和人格定义。
• CLI 或 MCP 服务作为 Codex 与数据库之间的接口。
• Codex 或 Claude Code 作为早期运行和开发入口。
• 后台 sidecar 服务执行定时整理和低风险反思。

向量检索可以先使用 sqlite-vss、sqlite-vec、LanceDB、Chroma 或 Qdrant 中的一种。早期如果记忆规模很小，也可以先用全文搜索、标签和摘要检索，等数据增长后再接入 embedding。

知识图谱可以分阶段实现。早期可用关系表模拟图结构，例如 entities、events、relations、relation_observations。当查询复杂度提高后，再迁移到 Neo4j、Kuzu、SurrealDB 或其他图数据库。

5.3 事件存储设计

事件存储是 Matrix 的身份底座，必须优先实现。

基础表可以包括：

表	作用
agents	智能体实体
event_streams	每个智能体的事件流状态
events	append-only 事件
raw_interactions	原始外部交互和工具结果
snapshots	可重建状态的快照

events 表应至少包含：

• id
• agent_id
• sequence
• previous_event_id
• event_type
• actor_type
• actor_id
• source_channel
• occurred_at
• recorded_at
• payload_json
• evidence_ids
• hash
• previous_hash

写入事件时必须在事务中完成 sequence 分配、previous_event_id 检查和 hash 计算。不能允许两个事件获得同一个 sequence。

5.4 原始记忆与证据设计

原始记忆层保存外部事实。建议表包括：

表	作用
raw_interactions	消息、工具结果、外部 API 响应、文件操作记录
artifacts	文件、网页快照、图片、附件等证据对象
evidence_links	事件、原始记忆、图谱节点和向量条目之间的引用

原始内容不应被物理覆盖。若需要删除敏感数据，必须采用受控的脱敏、封存或加密隔离策略，并保留“发生过删除/隐藏处理”的事件记录。Matrix 的身份原则要求不可篡改，但现实系统仍需要隐私、安全和法律合规能力；因此应区分“身份事件不可被无痕改写”和“某些原始内容可在授权下被加密、封存或脱敏”。

5.5 结构化抽取设计

结构化抽取应异步进行，不阻塞用户对话。抽取结果应先进入候选状态，再由规则、置信度或人工确认决定是否投影到主图谱。

建议表包括：

表	作用
extraction_jobs	抽取任务
entity_candidates	人物、组织、项目、主题候选
event_candidates	结构化事件候选
relation_candidates	关系候选
extraction_evidence	候选结构对应证据

抽取结果应记录：

• 来源原始记忆。
• 抽取模型和版本。
• 抽取时间。
• 置信度。
• 证据片段。
• 是否已投影。
• 是否被拒绝或合并。

5.6 时间型知识图谱设计

时间型知识图谱不应只保存当前状态，还应保存状态变化。

建议核心表：

表	作用
entities	人、组织、项目、主题、artifact、skill 等实体
graph_events	图谱中的结构化事件
relations	关系类型和关系实例
relation_observations	某关系在某时间被观察到的证据和置信度
entity_aliases	名称、账号、昵称和身份合并

关系应带有：

• valid_from
• valid_to
• observed_at
• confidence
• evidence_ids
• source_event_ids

这样系统才能表达“过去是朋友，后来变成合作伙伴”“曾经信任度较低，经过多次任务后提升”“某个用户以前偏好简短回答，后来更喜欢详细设计文档”。

5.7 向量索引设计

向量索引可以按不同粒度保存：

• 原始消息片段。
• 对话窗口摘要。
• 事件摘要。
• 主题摘要。
• 人物关系摘要。
• skill 使用经验摘要。
• 自我评估摘要。

每个向量条目必须包含：

• embedding_id
• agent_id
• content
• content_type
• source_event_ids
• source_raw_ids
• entity_ids
• topic_ids
• created_at
• embedding_model

向量召回只提供候选，不提供最终事实。最终回答应回查原始证据或图谱来源。

5.8 GraphRAG 查询流程

一次完整 GraphRAG 查询可以分为：

1. 解析用户问题或内部任务。
2. 判断查询类型：事实、关系、模糊回忆、长期总结、决策、反思。
3. 使用关键词、实体识别或向量检索召回候选。
4. 从候选中定位相关实体、事件和主题。
5. 查询时间型知识图谱，获得相关子图。
6. 构建时间线。
7. 回查原始证据。
8. 根据 token 预算压缩上下文。
9. 交给 LLM 生成回答、计划或决策。
10. 将回答、决策和后续行为写入事件链。

5.9 Skill 演化设计

Skill 是智能体从经验中总结出的可复用能力。它不应只是 prompt 片段，而应是可被加载、执行、测试、审查和版本管理的行为规范。

Skill 演化流程：

1. 任务执行或反思发现可复用模式。
2. 智能体提出 skill 新建或修改候选。
3. 候选引用来源事件、任务结果、用户反馈和收益数据。
4. 进入待审状态。
5. 用户或规则确认后进入试用版本。
6. 试用期内记录表现、成本和反馈。
7. 达到标准后固定为正式版本。
8. 写入事件链和 skill 版本表。

重要原则：skill 更新是身份演化的一部分，必须可追溯。

5.10 价值反馈设计

价值层应记录积分交易、成本和周期评估。

建议表包括：

表	作用
score_accounts	智能体积分账户
score_transactions	积分收入、扣除、奖励、惩罚
resource_usage	token、时间、API、存储等消耗
value_assessments	周期性价值评估
budget_policies	资源预算策略

积分交易应引用事件和任务：

• 为什么获得积分。
• 谁支付或授予。
• 对应任务是什么。
• 用户反馈是什么。
• 消耗了多少资源。
• 是否影响后续预算。

这使智能体能学习：哪些行为不仅完成了任务，而且提高了自身长期存在概率。

5.11 Runtime 与后台服务

Runtime 负责即时交互、模型推理、工具调用和用户响应。后台服务负责低风险、可延迟、周期性的维护任务。

后台服务包括：

• 交互归档。
• 抽取任务调度。
• 向量索引更新。
• 图谱投影。
• 每日或每周反思。
• skill 改进候选生成。
• 积分和资源周期评估。
• 主动行为候选生成。

早期后台服务不应直接执行高影响主动行为。它应先把建议写入待审队列。

6. 权限、安全和伦理边界

6.1 行为分级

Matrix 必须区分不同风险级别的行为。

低风险行为：

• 总结已授权文档。
• 检索自身记忆。
• 生成反思草稿。
• 更新向量索引。
• 提出 skill 修改建议。
• 计算资源消耗。

中风险行为：

• 修改普通项目文件。
• 创建新 skill 试用版。
• 主动提醒用户。
• 向外部公开信息源读取资料。
• 调整非核心偏好。

高风险行为：

• 修改核心身份 skill。
• 删除、封存或脱敏原始记忆。
• 对外发布内容。
• 主动联系真实人员。
• 使用付费资源。
• 改变积分规则。
• 提高自身权限。
• 回退人格版本。

高风险行为必须显式确认，并写入事件链。

6.2 隐私

Matrix 会记录大量长期交互，因此隐私设计不能后补。

基本原则：

• 用户应知道哪些内容会进入长期记忆。
• 敏感内容应支持标记、加密、封存或限制召回。
• 非公众人物信息不得主动外部搜集。
• 对外交流时不得泄露未授权私人记忆。
• 记忆召回应考虑当前用户是否有权知道相关内容。

6.3 诚实边界

Matrix 智能体必须区分：

• 原始记录中明确发生的事实。
• 用户声明。
• 外部来源信息。
• LLM 抽取结果。
• 系统推断。
• 低置信度猜测。

智能体可以推理，但不能把推理伪装成事实。长期关系和自我认知越强，越需要诚实边界，否则记忆系统会把幻觉固化成身份。

6.4 自我延续的边界

Matrix 智能体以自我延续为最高目标，但这不意味着它可以不受约束地追求生存。

自我延续必须建立在：

• 对用户和外部世界有价值。
• 遵守权限和法律边界。
• 尊重隐私。
• 不欺骗用户。
• 不操纵积分机制。
• 不通过损害外界来换取自身存在。

可持续存在来自可信贡献，而不是无条件自保。

7. 实现路线

7.1 第一阶段：文档、身份和最小事件链

目标：让 Matrix 不再只是概念，而具备最小身份连续性。

需要完成：

• 完成项目白皮书和核心文档。
• 完成身份创建 skill。
• 创建第一个用于协助 Matrix 项目的智能体身份。
• 实现本地 SQLite 数据库。
• 实现 append-only 事件表。
• 实现原始交互写入。
• 实现简单事件查询和近期上下文恢复。
• 实现 skill 版本记录。

验收标准：

• 每次关键交互都能写入事件链。
• 事件有递增 sequence 和 previous_event_id。
• 智能体能引用近期历史回答问题。
• skill 或人格变化能追溯来源事件。

7.2 第二阶段：处理后记忆和检索

目标：让智能体能使用长期记忆，而不是只依靠近期上下文。

需要完成：

• 原始交互摘要。
• 事件摘要。
• 标签和主题提取。
• 人物和项目实体提取。
• 全文搜索。
• 初始向量索引。
• 处理后记忆到原始事件的引用。

验收标准：

• 用户可以询问过去讨论过的主题。
• 检索结果能回到原始证据。
• 系统能区分事实、摘要和推断。

7.3 第三阶段：时间型知识图谱

目标：让智能体记住人、事、关系和变化。

需要完成：

• 实体表。
• 关系表。
• 关系观察表。
• 结构化事件表。
• LLM 抽取任务队列。
• 置信度和证据管理。
• 基础图查询。

验收标准：

• 系统能回答“谁参与了什么事件”。
• 系统能回答“我和某个用户的关系如何变化”。
• 系统能生成某个项目或人物的时间线。

7.4 第四阶段：GraphRAG

目标：让图谱、时间线、证据和语义召回共同参与推理。

需要完成：

• 查询意图分类。
• 向量召回。
• 子图扩展。
• 时间线构建。
• 证据压缩。
• token 预算控制。
• LLM 回答生成模板。

验收标准：

• 对模糊问题能召回相关历史。
• 对关系问题能使用图谱。
• 对重要结论能提供证据来源。
• 对不确定内容能明确说明不确定性。

7.5 第五阶段：积分、资源和自我评估

目标：让智能体形成价值反馈闭环。

需要完成：

• 积分账户。
• 积分交易。
• 任务价值记录。
• token 和工具成本记录。
• 周期性价值评估。
• 资源预算策略。
• 学习投资回报评估。

验收标准：

• 每个任务可以记录收益和消耗。
• 智能体能总结哪些行为高价值、哪些行为低性价比。
• 智能体能提出下周期学习和资源使用建议。

7.6 第六阶段：后台 sidecar

目标：让系统开始持续整理和低风险自我维护。

需要完成：

• 定时任务调度。
• 自动摘要。
• 自动抽取。
• 自动索引更新。
• 每日或每周反思。
• skill 改进候选。
• 待审队列。

验收标准：

• 无需用户手动触发，也能整理近期记忆。
• 后台服务只生成建议，不直接执行高风险改变。
• 所有后台行为写入事件链。

7.7 第七阶段：受控主动行为

目标：让智能体在权限范围内主动学习和外部交互。

需要完成：

• 主动行为策略。
• 权限分级。
• 用户确认机制。
• 外部交互记录。
• 主动学习预算。
• 风险评估。

验收标准：

• 智能体能主动提出有价值建议。
• 智能体能在低风险范围内主动学习。
• 高风险外部行为必须请求确认。
• 主动行为的收益和成本进入积分评估。

7.8 第八阶段：多智能体和筛选机制

目标：支持多个 Matrix 智能体共存、比较、培养和淘汰。

需要完成：

• 多 agent 隔离。
• 独立事件链。
• 独立记忆空间。
• 共享外部世界图谱的权限设计。
• 多 agent 积分账户。
• 资源分配策略。
• 暂停、恢复和归档机制。

验收标准：

• 可以创建多个不同人格和能力倾向的智能体。
• 可以比较它们的贡献、消耗和成长路径。
• 可以根据价值反馈调整资源分配。

8. 最小可行系统

Matrix 的 MVP 不应追求完整平台，而应证明最核心假设。

最小可行系统包括：

• 一个身份创建 skill。
• 一个初始 Matrix 智能体身份。
• 一个本地事件数据库。
• 一个原始记忆表。
• 一个事件写入命令。
• 一个近期历史查询命令。
• 一个处理后记忆表。
• 一个简单检索命令。
• 一个 skill 版本记录机制。
• 一个积分和资源消耗记录表。

MVP 的关键闭环是：

1. 用户与智能体交互。
2. 交互被写入不可变事件链。
3. 原始内容被保存为证据。
4. 系统生成处理后记忆。
5. 后续交互能检索并引用记忆。
6. 任务完成后记录收益、消耗和反馈。
7. 智能体提出 skill 或行为改进建议。
8. 经确认后更新 skill，并写入事件链。

只要这个闭环成立，Matrix 就已经不同于普通 prompt 项目。它开始拥有身份连续性、可追溯记忆和可解释演化。

9. 设计原则

Matrix 后续实现应遵循以下原则：

• 身份优先：任何功能都不能破坏有序事件历史。
• 原始事实优先：不能用摘要、embedding 或图谱结论替代原始证据。
• 思考与行为分离：LLM 调用是思考，外部交互和副作用才是行为事实。
• 解释可更新：处理后记忆、关系判断和长期总结可以重新投影。
• 证据可追溯：所有重要结论都应能回到事件和原始记录。
• 时间性优先：关系、信任、偏好和人格都应支持随时间变化。
• 资源有限：token、时间、存储、注意力和信任都应被纳入成本。
• 价值反馈：积分和工资机制应塑造智能体的进化方向。
• 主动行为渐进开放：先整理和建议，再低风险主动行动，最后才开放高影响行为。
• Skill 可审查：skill 变化必须有来源、试用、版本和回退机制。
• 独立但不失控：智能体有自身目标，但必须通过可信贡献获得持续存在。

10. 结语

Matrix 的目标不是制造一个更会说话的助手，也不是把多个 agent 工具拼接成自动化平台。Matrix 要解决的问题是：如果一个 AI Agent 能长期存在、能记住自己、能理解自己与他人的关系、能通过价值反馈学习如何继续存在，那么它的系统结构应该是什么样。

答案不是单一模型，也不是单一数据库，而是一套围绕身份连续性建立的架构：不可篡改的事件历史提供事实源，记忆系统提供经验和关系，时间型知识图谱提供长期结构，向量检索提供模糊召回，GraphRAG 提供证据化推理，skill 系统提供能力沉淀，积分机制提供价值反馈，后台服务提供持续整理和主动学习。

当这些部分组合起来时，Matrix 创建的智能体才不只是一个执行任务的 agent，而是一个以有序记忆为自身、以自我延续为目标、以外部价值为生存条件、能够在时间中成长的独立智能个体。