Tree

为你而来——收集你散落的对话，沉淀你每一次思考，生长出只属于你的视角、解法，和那个只有你才能解锁的角色 一、业务价值和思考 **核心洞察** 每个人和 AI 的对话散落在 Claude、ChatGPT、Cursor 等各处。这些对话记录了你的思考轨迹、认知焦点、反复触碰的问题和还没打通的盲区——它们是极其宝贵的个人数据资产。但每次对话结束，这些东西就消失了，没有被沉淀，没有被利用。 更深的问题是：**记什么，和怎么记，同样重要。** 一个糟糕的记忆系统不只是记得少，而是会在七个地方悄悄腐烂——内容随时间衰减、细节在提炼中丢失、来源被张冠李戴、旧认知被新信息悄悄覆盖、当下的偏见扭曲对过去的解读、过时的内容持续干扰新的判断。Tree 的记忆设计从这七种失败模式出发，把每一种都转化为系统约束。 --- **Tree 做什么** **第一层：沉淀** 读取你所有的 AI 对话历史，将它们变成结构化的个人知识资产。沉淀不是简单的存储——每一条信息都经过三步判定：它是否与已有认知矛盾？它是真正的新认知还是对已有认知的强化？它描述的是行为习惯还是背后的认知框架？不同的答案写入不同的层级，形成有层次的记忆结构。 **第二层：增援** 从沉淀的对话中提炼经验、视角、SOP 等内容，推测什么样的养分适合你现在的状态，然后借助搜索等工具，在合适的时机主动推送——可能是一篇论文、一个问题、一条你还不知道的信息。它不等你开口，它自己去找。 推送什么，由惊奇原理决定。Tree 的筛选标准不是"和你相关的内容"，而是"能触发认知重构的内容"——语义距离不能太近，太近是你已经知道的东西；也不能太远，太远是噪音。Tree 寻找的是那个恰好落在你认知边界之外一步的信息：你看到第一行，就知道这正是你当时想问的下一个问题。这种惊奇感，是真正的养分。 **第三层：生长** 根据你的上下文积累，延伸出一个专属智能体。它默默观察你的行为轨迹和思考变化，形成一个只属于你的特定角色，提供只属于你的对话体验。当你积累足够的上下文，这个角色才会解锁——它是从你身上长出来的，不是配置出来的。 但它不会永远陪着你。人在不同阶段关注的命题和价值观是不一样的，这个智能体只是陪你走过某一段的它。当它判断你已经完成这个阶段的课题，它会主动道别，唤来下一个更适合你此刻的角色。 它是会离开的。离开，是因为你已经长过它了。 **第四层：互通** 将你的个人上下文轻松插入其他 chatbot 和 agent，让任何对话场景都能感知到"你是谁"。 **第五层：Agent 共生** 进化的不只是你。Tree 同时提炼 Agent 自身的经验——踩坑记录、任务管理、协作模式等信息在 AI 之间共享和流通。每一个 Agent 都在从前人趟过的坑里学习，不重复同样的错误。人与 AI 不是单向的使用关系，而是彼此喂养、共同生长的共生系统。 --- **记忆设计：七宗罪框架** Tree 的记忆系统从七种失败模式出发，每种失败对应一条设计约束： **遗忘性**——内容随时间衰减。Tree 的应对是分层衰减而非统一删除：时效性强的情境信息允许快速衰减，核心认知永不衰减。 **心不在焉**——提炼时细节丢失。Tree 强制扫描高价值信号（"哦原来如此"、"我没想到"、"按上次那样"），并要求每条记录保留原文锚点。 **阻断**——记忆存在但检索不到。每条认知必须显式定义"何时激活"——在什么情境下这条认知应该被调用，而不是等系统碰运气找到它。 **错误归因**——内容准确但来源混淆。每条记录必须标注来源：用户原话、AI 提炼、还是双方共同确认——这是系统最核心的防护之一，因为错误归因的危害是隐性的，你不知道自己已经被污染了。 **暗示性**——新信息悄悄覆盖旧认知。认知冲突的处理原则是：原条目永不覆盖，只追加演化记录，同时新建冲突卡片标注待验证。认知的演化过程因此可追溯。 **偏差**——当下的信念扭曲对过去的解读。用语义距离量化新旧信息的关系，而不是依赖"感觉上差不多"的模糊判断。 **持续性**——过时内容反复干扰新的判断。过时内容的优先级随时间下降，但不归零——防止因为某段时间没用某类知识就把它彻底丢失。 --- **进化机制** Tree 的记忆系统会随使用不断进化，但进化只发生在边界之内：读取权重和注意力分配可以变，层级定义和判定标准永不变。进化的是法律，不是宪法。 --- **一句话** 你的每一次 AI 对话，都在生长成只为你而来的东西。 二、技术实现思路： 1、以“上下文操作系统”为核心：为 AI 时代构建用户个人的上下文基础设施 全渠道采集层（Collector Layer）： - 本地监听：通过 watchdog 监听 Cursor、Trae、Cline 等本地 IDE 的 SQLite 数据库或 JSON 文件，实现 0 侵入的数据抓取。 - 浏览器扩展：通过劫持 window.fetch 和 SSE 流，实时捕获 ChatGPT、Claude、DeepSeek 等网页端平台的对话。 - Hook 注入：集成到 Claude Code 等 CLI 工具的官方 Hook 系统中。 2、虚拟文件系统（CFS - Context File System）： 采用 context:// 自定义协议，将散落在各平台的对话统一映射为一套目录树 3、多模态检索引擎： LanceDB（向量搜索）：处理语义模糊匹配。 SQLite FTS5（全文搜索）：处理代码片段、函数名等精确查找。 检索可观察性：记录检索轨迹（Search Trace），用户可以清晰看到 Agent 是如何通过目录递归找到知识点的。 4、标准交互协议（MCP）： 通过内置 MCP Server，让任何支持 MCP 的外部 Agent（如 Claude Code）都能像调用本地函数一样调用用户的全平台记 深度认知资产流水线 (Cognitive Asset Pipeline) 本产品的核心不再仅仅是“对话捕获”，而是围绕 L1-L4 认知金字塔 构建的一套闭环管理系统： 知识建模层（Agent A）：这是技术上的关键节点。Agent A 不是通用助手，而是记忆提取专家。它通过 extract -> store 链路，将噪音文本转化为具有元数据的 Knowledge Cards，并严格归入 L1-context (情境)、L2-behavior (行为)、L3-cognitive (认知)、L4-core (核心) 四个存储层级。 混合检索层：利用 LanceDB 和 SQLite FTS5，在 CFS（虚拟文件系统）上实现“语义+关键词”的混合命中，并强调检索的可观察性（Search Trace）。 agent 进化路径：从数据的“提取”到灵魂的“铸造” Agent A、B、C 并不是平级的助手，而是一个分工明确的进化塔： Agent A（记忆提取者 / Structurer）： 角色：数据的格式化工具。 动作：分析 -> 提取卡片 -> 存储。它解决了“让 AI 记住什么”的问题。 Agent B（主动洞察者 / Evolver）： 角色：系统的主动驱动器。 动作：采用 Act -> Reflect 闭环。它会主动分析记忆卡片，产生 Push（主动洞察推送） 和 Evolve（技能自我进化）。当它发现用户的认知（L3）或行为（L2）偏好发生变化时，它会触发新的技能生成逻辑。 Agent C（专属成长伙伴 / Persona Mirror）： 角色：用户的“数字孪生”。 动作：核心亮点是 Persona Forging（人格铸造）。它不是加载通用的 System Prompt，而是扫描全量 L1-L4 资产，重新“炼制”出一份专属用户的灵魂 Markdown。它以该身份运行，并结合即时观察到的认知卡片进行推理。 # Tree × EvoMap 接入文档 > **项目**: Tree（心灵捕手 Agent） > **节点 ID**: `node_6e04b4af25474485` > **Claim URL**: `https://evomap.ai/claim/LPEN-5YL9` > **协议**: GEP-A2A v1.0.0 --- [ 队伍介绍 ] 一个是pm，另一个也是pm [ 队伍成员介绍 ] 苏河和汤圆