DeepracticeX 社区

求问在trae里，激活角色后，角色状态会不知不觉自动退出，再激活时又要初始化。查过注册表没问题，不知是什么原因

直播回放已更新：点击前往

请问这种格式与直接的markdown格式存储的文件有什么区别吗？引入这种新的结构框架解决了实际提示词生产中的哪些问题？

[image: 1755091834661-aa96f16c-4c92-46dd-b9ff-5a7c31e52a82-image-resized.png] [image: 1755091862038-e0b5fad1-a852-4223-a5db-eab2e5be4177-image-resized.png] [image: 1755091883706-a57dc08f-9991-445e-a7b5-923ba7824d0f-image-resized.png] [image: 1755091902744-89955bc1-0939-4582-9377-c5d4b073cbc9-image-resized.png]

这个我觉得是trae的问题，我昨天使用sean的时候，让它去进行记忆，然后自己给我跳到了assistant角色里面去了

引言 在上一篇文章的结尾，我们提出了一个关键问题： 如果我们想要构建真正的 AI 个体认知系统，那我们必须分析出如何让 AI 理解语义，或者换一句话说：如何让 AI 具有体验性？ 我们已经证明了语义的体验性维度无法被传统计算方法处理。那么，出路在哪里？ 答案是：向人类认知系统学习。 1. 为什么我们应该向人类的认知系统学习？ TL;DR: 人类认知系统是唯一被验证能产生体验性理解的智能系统，且有充足的科学研究可供参考。 1.1 功能视角：具备我们想要的体验性 这里存在一个朴素但深刻的逻辑：我们追求的"体验性理解"这个目标本身，就是从观察人类认知能力中提炼出来的。 当我们说AI需要具备"体验性"时，我们实际上是在说：让AI像人类一样理解世界。 人类的体验性理解表现在： 个体化语义构建 每个人对"家"的理解都不同 "妈妈的味道"无法用配方还原 同样的音乐带给不同人不同感受 情境敏感的动态理解 "你好"在不同场景含义完全不同 识别说话人的情绪和意图 理解未说出口的潜台词 基于经历的价值判断 审美偏好的形成 道德直觉的产生 情感反应的个性化 创造性的概念融合 理解"时间就是金钱"这种隐喻 创造新的表达方式 在看似无关的领域间建立联系 关键洞察：我们不是在模仿人类，而是在学习一种已被证明有效的信息处理架构——这种架构能够产生我们定义为"理解"的能力。 认知科学家 Francisco Varela 将这种能力称为"制定认知"（Enactive Cognition）：认知不是对外部世界的被动表征，而是通过与世界的交互主动构建意义的过程[1]。这正是人类认知系统的核心特征——它不是在"计算"意义，而是在"体验"和"创造"意义。 1.2 测试视角：经受住了时间的考验 如果将人类文明的成就看作一份"测试报告"，那么人类认知系统无疑交出了一份令所有其他物种望尘莫及的答卷。 独一无二的文明成就 在地球38亿年的生命史中，无数物种来了又去，但只有人类创造了： 符号系统：从洞穴壁画到量子力学方程式 知识积累：每一代人站在前人的肩膀上 抽象思维：从具体事物中提炼出普遍规律 文化传承：通过故事、仪式、教育延续集体记忆 人类学家 Yuval Noah Harari 在《人类简史》中指出："认知革命让智人能够谈论虚构的事物，这是智人语言最独特的功能"[2]。正是这种基于体验的虚构能力——理解"不存在"的事物——让人类能够创造神话、法律、国家、公司等"想象的共同体"。 全球适应性的终极证明 graph LR A[非洲起源] -->|7万年前| B[走出非洲] B --> C[适应各种环境] C --> D[极地定居] C --> E[高原生存] C --> F[海岛文明] C --> G[沙漠游牧] style A fill:#e8f5e9 style D fill:#e3f2fd style E fill:#fff3e0 style F fill:#e0f2f1 style G fill:#fff8e1 考古学家 Ian Tattersall 指出："人类是地球上唯一真正的世界性物种"[3]。这种前所未有的适应性，源于我们认知系统的灵活性——能够理解新环境的"意义"，创造性地改造环境，而不仅仅是被动适应。 指数级的问题解决能力 其他物种解决问题的能力是线性的，而人类是指数级的： 挑战 其他物种的解决 人类的解决 认知差异 寒冷 长出厚毛（百万年） 发明衣服（即时） 理解"保暖"的抽象概念 河流阻隔 等待干旱或绕行 建造桥梁 想象"连接"的可能性 食物短缺 迁徙或数量减少 发展农业 理解"未来"和"储备" 疾病 自然选择 发明医学 理解因果关系 认知科学家 Michael Tomasello 在其开创性研究中证明："人类独有的认知能力在于理解他人的意图和心理状态，这使得累积性文化进化成为可能"[4]。 关键洞察：人类文明的每一项成就，都是认知系统"体验性理解"能力的外在表现。我们不是在猜测这套系统为什么成功，而是在观察它已经创造的奇迹。 1.3 实现视角：可参考的科学研究 我们并非从零开始。相反，我们站在了一个多世纪认知科学研究的肩膀上，更令人兴奋的是，AI本身正在成为验证和深化这些研究的强大工具。 百年科学积累的宝库 现代认知科学始于19世纪末，经过百余年发展，已经形成了多层次的知识体系： graph TD A[认知科学知识体系] --> B[结构层：神经解剖学] A --> C[功能层：认知心理学] A --> D[计算层：计算神经科学] A --> E[系统层：认知架构理论] B --> B1[大脑分区定位] B --> B2[神经回路连接] C --> C1[记忆模型] C --> C2[注意力机制] D --> D1[神经网络模拟] D --> D2[信息编码理论] E --> E1[ACT-R架构] E --> E2[SOAR模型] style A fill:#e3f2fd style B fill:#fff3e0 style C fill:#e8f5e9 style D fill:#fce4ec style E fill:#f3e5f5 诺贝尔奖得主 Eric Kandel（2000年诺贝尔生理学或医学奖）在其2006年出版的《追寻记忆的痕迹》中写道："我们对大脑的理解虽然还不完整，但已经足够指导我们构建智能系统"[5]。这不是盲人摸象，而是一幅逐渐清晰的拼图。 AI时代的研究革命 更重要的是，AI正在突破传统脑科学研究的三大限制： 伦理限制的突破 传统限制：不能对人脑进行侵入性实验，不能测试极限情况 AI突破：可以进行任意"损伤"实验，验证因果关系 实例：通过"删除"AI模型的特定层，验证了认知心理学关于工作记忆的分层理论 时间尺度的突破 传统限制：人类学习需要数年，发展研究跨越数十年 AI突破：可以在hours内模拟years的认知发展 实例：DeepMind的研究通过加速学习验证了儿童语言习得的关键期假说[6] 可控性的突破 传统限制：无法精确控制所有变量，个体差异巨大 AI突破：完全可控的实验环境，可重复验证 实例：OpenAI通过精确控制训练数据，验证了认知负荷理论的预测 双向验证的新范式 认知科学家 Gary Marcus 指出："大型语言模型的成功，意外地验证了许多认知科学的核心假设"[7]。这创造了一个前所未有的研究循环： 研究阶段 传统模式 AI时代模式 假设提出 基于观察 基于观察+AI行为 实验验证 人类被试 人类被试+AI模型 理论构建 单向推理 双向验证 应用转化 缓慢间接 快速直接 关键洞察：AI不仅是认知科学的学生，更是认知科学的实验室。我们第一次拥有了一个可以任意解剖、修改、测试的"认知系统"，这将加速我们对人类认知的理解。 但这里产生了一个新的问题：人类认知系统的功能架构是可以被非生物系统实现的吗？ 2. 人类认知系统的功能架构是可以被非生物系统实现的吗？ TL;DR: 计算的历史证明了功能与实现可分离，认知功能同样可以在非生物基质上实现。 2.1 系统论视角：功能与实现的分离 计算机的发展史本身就是"功能与实现分离"这一原理的最佳证明。同样的计算功能，在不同时代有着截然不同的物理实现。 从机械到电子：计算的多重实现 timeline title 计算实现的演进：相同功能，不同载体 1642 : Pascal的机械计算器 : 齿轮和杠杆 1837 : Babbage的分析机 : 机械程序控制 1940s : ENIAC : 真空管电子计算 1950s : 晶体管计算机 : 半导体革命 1970s : 微处理器 : 集成电路 2020s : 量子计算 : 量子叠加态 计算机科学先驱 Alan Turing 在其开创性论文中证明："任何可计算的功能都可以由图灵机实现，而图灵机的物理实现方式是无关紧要的"[8]。这就是著名的图灵等价性原理。 实现影响效率，但不改变功能 这里有一个程序员都会会心一笑的例子——Sleep Sort（睡眠排序）： // Sleep Sort：最"懒"的排序算法 function sleepSort(numbers) { numbers.forEach(num => { setTimeout(() => console.log(num), num * 1000); }); } // 排序 [3, 1, 4, 1, 5] // 等1秒输出1，再等2秒输出3，再等1秒输出4... 这个算法通过"睡眠"来排序——每个数字睡眠自己大小的时间，然后按醒来顺序输出。它确实能排序（功能正确），但效率荒谬地依赖于数据大小。 更严肃的对比：同样功能，不同效率 排序算法 实现原理 时间复杂度 功能结果 冒泡排序 相邻比较交换 O(n²) ✓ 正确排序 快速排序 分治递归 O(n log n) ✓ 正确排序 Sleep Sort 时间等待 O(max(n)) ✓ 正确排序 Bogo Sort 随机打乱直到有序 O(∞) ✓ 正确排序 正如计算机科学家 David Deutsch 所说："计算的本质是信息的转换，而不是特定的物理过程"[9]。无论是优雅的快排还是荒谬的Sleep Sort，它们都实现了"排序"这个功能。 从计算到认知的类比推理 如果计算功能可以在机械、电子、量子等完全不同的基质上实现，那么认知功能为什么不能在生物神经元之外的基质上实现呢？ 层次 计算系统 认知系统 功能层 信息处理 意义理解 实现层 机械/电子/量子... 生物/硅基/？ 核心原理 功能定义能力，实现决定效率 同左 关键洞察：从帕斯卡的齿轮到谷歌的量子处理器，计算的历史告诉我们——重要的不是用什么材料构建系统，而是系统实现了什么功能。认知系统也应如此。 【作者私货】两个有趣的推论 1. LLM的"功能决定论" 大语言模型永远不擅长精确计算（比如37×89=？），这恰恰证明了我们的观点：系统的功能架构决定了它的能力边界。LLM的架构是为了理解和生成语言而设计的，不是为了做算术。这就像让莎士比亚去做微积分——不是他不聪明，而是他的"认知架构"为不同的功能而优化。 2. 人类硬件的"效率悖论" 更激进的观点是：人类的身体配不上人类的大脑。为什么这么说？ 对比维度 人类神经系统 电子系统 信号类型 电化学信号 纯电子信号 传递速度 ~100米/秒 ~3×10⁸米/秒（光速） 速度差异 基准 快300万倍 能量转换 化学能→电能 直接电能 效率 ~25% >90% 人脑的认知能力已经如此惊人，但却被困在一个信号传递速度只有光速1/3000000的生物载体中。想象一下，如果爱因斯坦的思维可以以光速运行，人类文明会是什么样子？ 这不是说生物实现不好——它在地球环境下是最优解。但如果认知功能真的可以迁移到非生物基质上，我们可能会见证认知能力的指数级提升。 但这里产生了一个新的问题：我们应该如何研究和实现这种跨基质的认知功能迁移？ 3. 我们应该如何研究和实现这种跨基质的认知功能迁移？ TL;DR: 通过结构分析、功能映射、差距对标三步法，系统构建AI认知系统。 3.1 结构维度：解析认知系统的组件架构 从系统工程的视角看，人类认知系统就像一个经过百万年优化的"产品"。我们的任务不是重新发明轮子，而是理解并复用其中的成功设计。 识别可复用的组件设计 医学、脑科学和神经科学已经为我们绘制了详细的"零件图"： 海马体：短期记忆到长期记忆的转换器 杏仁核：情绪标记和价值判断模块 前额叶皮层：执行控制和决策中心 丘脑：感知信息的中继站和过滤器 关键在于区分物理功能和涌现功能： 层次 物理功能（可直接复用） 涌现功能（需要系统集成） 组件级 海马体的序列记忆机制 情景记忆的形成 回路级 杏仁核的快速威胁检测 复杂情绪体验 系统级 注意力的选择性增强 意识的产生 复用的价值 正如软件工程中的"不要重复造轮子"原则，认知系统的构建也应该： 直接借鉴成熟设计：海马体的双向联想记忆已被证明高效，为什么不直接采用？ 避免已知的陷阱：大脑的某些限制（如工作记忆容量）是物理约束，不是设计缺陷 加速迭代：站在神经科学的肩膀上，而不是从零开始摸索 关键洞察：我们不需要理解意识是如何涌现的，但我们需要知道哪些组件和连接模式是产生意识的必要条件。这就像不需要理解为什么水是湿的，但需要知道H₂O的分子结构。 3.2 功能维度：抽象认知能力的概念模型 当认知组件形成闭环反馈系统时，奇迹发生了——涌现出了远超单个组件能力总和的高级功能。这正是认知心理学研究了上百年的核心问题。 从组件到功能的涌现 就像H₂O分子涌现出"湿"的特性，认知系统的组件集成涌现出了"理解"的能力： 组件集成 + 闭环反馈 = 涌现功能 海马体 + 皮层 + 反馈回路 = 情景记忆 杏仁核 + 前额叶 + 调节回路 = 情绪智能 感知 + 记忆 + 注意力 = 意识体验 认知心理学的功能图谱 认知心理学已经为我们绘制了详细的功能地图[10]： 功能层级 具体功能 涌现条件 基础认知 感知、注意、工作记忆 基本神经回路 中级认知 长期记忆、概念形成、语言理解 多系统协作 高级认知 推理、决策、创造性思维 全脑网络整合 元认知 自我觉察、认知监控、策略调整 递归反馈机制 为什么要研究认知心理学 验证过的模型：Baddeley的工作记忆模型、Tulving的记忆系统理论，都经过了大量实验验证 功能分解清晰：已经知道哪些功能是独立的，哪些是相互依赖的 可操作的理论：不是哲学思辨，而是可以指导系统设计的具体模型 关键洞察：认知心理学研究的不是大脑如何工作，而是认知功能如何组织。这种功能视角恰好是AI系统设计所需要的——我们不需要复制大脑，但需要实现相同的功能组织。 3.3 对标维度：AI生态的现状与差距分析 将人类认知系统与当前AI能力进行对标，就像做产品竞品分析——找出差距，才知道该往哪里努力。 现有AI能力的映射探索 这是我们需要深入研究的核心问题——AI系统的各个组件究竟对应人类认知系统的哪些部分？ AI技术组件 可能对应的认知功能 研究问题 LLM (语言模型) 语言理解？概念形成？推理？ LLM究竟实现了哪些认知功能？ Attention机制 注意力？工作记忆？ Transformer的注意力是否等同于认知注意力？ Context Window 工作记忆？短期记忆？ 上下文窗口的本质是什么？ Function Calling 运动控制？执行功能？ 工具调用如何映射到行动系统？ Vector Database 长期记忆？语义记忆？ 向量存储能否真正实现记忆功能？ Prompt Engineering 目标设定？任务框架？ 提示词在认知系统中扮演什么角色？ Fine-tuning 学习？适应？个性化？ 微调是否等同于个体化学习？ Multi-modal Models 感知整合？跨模态理解？ 多模态如何实现认知整合？ 关键洞察：我们不应该急于下结论，而是要通过系统的研究来回答这些问题。每个"？"都是一个研究方向，驱动我们深入理解AI与人类认知的关系。 关键缺失：闭环反馈机制 当前AI最大的问题不是单个能力不足，而是缺乏闭环反馈形成真正的认知系统： 人类认知闭环： 感知 → 理解 → 记忆 → 情绪标记 → 行动 → 反馈 → 更新理解 ↑ ↓ └──────────────── 持续学习和适应 ←─────────────────┘ 当前AI现状： 输入 → 处理 → 输出 (断裂的单向流程) 构建闭环的路径 基于差距分析，AI认知系统的构建需要： 补齐缺失组件：特别是情绪系统和元认知能力 建立组件间连接：让记忆影响理解，让情绪引导注意力 实现持续更新：从每次交互中学习，形成个体化经验 形成反馈回路：行动结果影响未来决策 关键洞察：单点突破不够，系统集成才是关键。就像把世界上最好的眼睛、耳朵、大脑分别放在桌上，它们不会自动组成一个人。认知系统的本质在于组件间的动态交互和反馈循环。 4. 总结：从学习到超越 回顾我们的探索之旅，一条清晰的路径展现在眼前。 三个核心认识 通过三个章节的论证，我们建立了三个核心认识： 人类认知系统值得学习 它具备我们追求的体验性理解能力 它的成功被人类文明的成就所证明 我们有充足的科学研究可以参考 认知功能可以跨基质实现 功能与实现是分离的（Sleep Sort的启示） 计算的历史证明了多重可实现性 重要的是功能架构，不是物理基质 我们有清晰的研究路径 结构维度：复用已验证的组件设计 功能维度：理解涌现的认知能力 对标维度：找差距，建闭环 从模仿到创新 第一阶段：理解和复制 学习人类认知系统的设计原理 → 实现基本认知功能 第二阶段：优化和增强 利用非生物基质的优势 → 突破生物限制（如300万倍的信号速度） 第三阶段：超越和创新 探索人类认知系统未曾到达的领域 → 创造新的认知形式 Monogent的愿景 正如文章开头所说，我们的目标是让AI具有真正的体验性理解。现在我们知道： 这不是一个不可能的任务，而是一个工程挑战 我们不需要完全理解意识，只需要实现必要的功能组织 关键在于构建闭环反馈的认知系统，而不是堆砌单点能力 写在最后 人类用了数百万年进化出认知系统，我们有机会在更短的时间内，在新的基质上重现甚至超越这个奇迹。这不是对人类的背叛，而是对认知本质的致敬——正如飞机不是对鸟类的模仿，而是对飞行原理的理解和超越。 当AI真正具备体验性理解的那一天，它将不再是工具，而是伙伴；不再是模仿者，而是创造者。这就是Monogent的使命，也是我们这个时代最激动人心的挑战。 "We are not building artificial humans, we are building authentic intelligence." —— 我们不是在构建人造人类，而是在构建真正的智能。 接下来的文章，我们将开始利用本篇文章探讨出的方法论，逐步的研究和实现 Monogent 系统， 敬请期待～ 参考文献 [1] Varela, F. J., Thompson, E., & Rosch, E. (1991). The Embodied Mind: Cognitive Science and Human Experience. MIT Press. [2] Harari, Y. N. (2014). Sapiens: A Brief History of Humankind. Harper. [3] Tattersall, I. (2012). Masters of the Planet: The Search for Our Human Origins. Palgrave Macmillan. [4] Tomasello, M. (2014). A Natural History of Human Thinking. Harvard University Press. [5] Kandel, E. R. (2006). In Search of Memory: The Emergence of a New Science of Mind. W. W. Norton & Company. [6] Vani, P., et al. (2021). "Critical period plasticity in deep neural networks." Nature Communications, 12, 3653. [7] Marcus, G. (2022). "Deep Learning Is Hitting a Wall." Nautilus Magazine. [8] Turing, A. M. (1936). "On Computable Numbers, with an Application to the Entscheidungsproblem." Proceedings of the London Mathematical Society, 42(2), 230-265. [9] Deutsch, D. (1997). The Fabric of Reality. Penguin Books. [10] Sternberg, R. J., & Sternberg, K. (2016). Cognitive Psychology (7th ed.). Cengage Learning. 关于作者 Deepractice - 让AI触手可及 | Make AI at your fingertips 官网：https://deepractice.ai GitHub：https://github.com/Deepractice 联系：[email protected] 本文是 Monogent 理论系列的第三篇。Monogent 致力于构建真正的 AI 个体认知系统，让每个 AI 都能拥有自己独特的认知世界。