Super Memory

Super Memory — это система памяти собственной разработки Breezell. Для извлечения полезной информации из диалогов она использует две встроенные модели Breezell. Точные названия этих моделей не раскрываются.

Извлечение выполняется внутренним конвейером моделей Breezell и не расходует токены настроенной пользователем модели или доступную пользователю квоту токенов.

Что может извлекать Super Memory

Извлеченная информация распределяется по нескольким типам:

• Memory: Постоянные факты, предпочтения, долгосрочные инструкции и решения, которые могут пригодиться позже.
• Skill: Повторно используемые методы и рабочие процессы, выявленные во время выполнения задачи.
• Experience: Результаты, выводы и практические знания, полученные из предыдущей работы.
• Trajectory: Развитие задачи, решения или цели с течением времени.
• Resource: Полезные файлы, ссылки, инструменты и справочные материалы, связанные с работой.

Система автоматически извлекает и классифицирует эти элементы из диалогов, чтобы позднее использовать их как подходящий контекст.

Просмотр и фильтрация памяти

На панели доступны следующие представления и элементы управления:

• Memories, Context и Insights: Переключение между извлеченными записями памяти, собранным контекстом и обобщенными выводами из памяти.
• Поиск: Поиск сохраненных элементов по тексту.
• Приоритет: Фильтрация по P0, P1, P2 или отображение всех приоритетов.
• Тип: Фильтрация по Memory, Skill, Experience, Trajectory или Resource.
• Состояние: Раздельное отображение элементов Active и Dormant.
• Счетчики вместимости: Показывают общее количество элементов и объем, занятый резидентными элементами, записями памяти, навыками и опытом.
• Select: Переход в режим выбора отдельных элементов для управления.

Если элементов еще нет, панель сообщает, что память будет автоматически извлекаться из диалогов. По мере продолжения работы полезные элементы могут появляться здесь без ручного ввода.

Основные преимущества

Super Memory сочетает мощное автоматическое извлечение с эффективным и хорошо управляемым поиском:

• Мощное извлечение: Две внутренние модели Breezell анализируют диалоги и преобразуют полезную информацию в структурированные элементы Memory, Skill, Experience, Trajectory и Resource без необходимости ручного ввода.
• Эффективный поиск: Тип, приоритет, состояние, актуальность и скомпилированный индекс памяти помогают ограничить поиск сведениями, относящимися к текущей задаче.
• Управляемое добавление контекста: В представлении Context отображаются снимок памяти, добавленный в текущий ход, предварительный индекс для следующего хода и его примерный размер в токенах.
• Явное управление жизненным циклом: Приоритеты P0 без ограничения срока, P1 на 30 дней и P2 на 7 дней совместно с состояниями Active и Dormant позволяют сохранять важные знания и ограничивать срок действия временной информации.
• Наблюдаемое состояние знаний: Можно проверить состояние компиляции, версии источника и компилятора, устаревшие ресурсы, ошибки, проверки, исправления, актуальность и количество несинхронизированных элементов.
• Прозрачный учет токенов: Извлечение не расходует токены настроенной пользователем модели. Если найденная память добавляется в запрос, она становится частью его контекста; предварительный просмотр и статистика экономии делают это использование видимым.

Контекст и управление поиском

Представление Context показывает, как память участвует в диалогах:

• Current Turn Injection: Отображает снимок памяти, добавленный в текущий ход диалога. Если снимка еще нет, панель явно показывает пустое состояние.
• Memory Index Preview: Предварительно показывает индекс, подготовленный для следующего хода, и оценивает его размер в токенах.
• Conversation Turns: Показывает количество ходов в текущем диалоге и позволяет проверять активность памяти по ходам.

Эти элементы позволяют увидеть, была ли добавлена память, что готовится для следующего хода и каков примерный объем контекста.

Insights и состояние системы

Представление Insights обобщает состояние и эффективность системы памяти:

• Project Knowledge Health: Показывает последнюю компиляцию, версии компилятора и источника, устаревшие ресурсы, неудачные компиляции и количество проверенных или исправленных элементов.
• Token Savings: Показывает экономию токенов после накопления достаточной статистики.
• Viking Filesystem: Отображает количество Memories, Skills, Experiences, Trajectories, Resources и элементов Unsynced.
• Priority Distribution: Показывает распределение элементов P0 без ограничения срока, P1 на 30 дней и P2 на 7 дней.
• Freshness Pulse: Группирует знания, обновленные за последние 24 часа, 7 дней, 30 дней или ранее.

Context и Insights дают прозрачное представление о том, что извлекает Super Memory, какие сведения могут быть найдены и насколько актуальны и исправны сохраненные знания.

Активная и неактивная память

Активная память остается доступной для извлечения подходящих сведений. Неактивная память сохраняется отдельно от активного набора, позволяя поддерживать актуальность текущего контекста и не терять информацию, которая может понадобиться позднее.

Демонстрация: превращение исправления в повторно используемую память

В этом примере намеренно неисправный HTML-диспетчер задач показывает, как Super Memory превращает короткий сеанс исправления в повторно используемые знания.

В запросе ИИ предлагается проверить весь код и исправить создание, удаление и завершение задач, фильтры, счетчики, сохранение в localStorage, ввод с клавиатуры и очистку выполненных задач, не меняя задуманные интерфейс и поведение.

1. Проверка и исправление диспетчера задач

Breezell проверяет код, выявляет общие первопричины, исправляет реализацию и тестирует полный рабочий процесс, а не рассматривает каждый видимый симптом как отдельную ошибку.

Исправление охватывает сериализацию и разбор, повторную загрузку, поврежденные сохраненные данные, проверку пустых задач, стабильные идентификаторы, клавиатуру, переключение завершенности, адресное удаление, фильтры, счетчики и очистку выполненных задач.

2. Первоначальные записи P2 Resource

Поскольку это небольшой тест, а первый результат в основном описывает конкретные изменения файла, Super Memory сначала записывает два измененных участка test.html как элементы P2 Resource.

Они сохраняют сведения о том, что и где было изменено. Приоритет P2 не придает временным деталям реализации излишнего веса, но сохраняет след исправления, чтобы позднее ИИ мог вспомнить измененные участки файла.

3. Более глубокий анализ

В этой короткой демонстрации пользователь задает вопрос:

Какие уроки вы извлекли из решения этой проблемы?

В ответе выделяются повторно используемые принципы: исправлять источник общего состояния, а не каждый симптом; обращаться к элементам по стабильному идентификатору; пересчитывать производное состояние во всех путях отображения; считать хранилище проверяемой границей данных; внимательно проверять логические условия; прекращать обработку недопустимого ввода; не использовать только временную метку как идентификатор; проверять функции реалистичным сквозным сценарием.

4. Извлечение структурированных знаний об исправлении

После более глубокого анализа Super Memory добавляет структурированные элементы повышенной ценности:

• P1 Experience об исправлении общего состояния задач и стабильных идентификаторов.
• P1 Skill для восстановления поврежденных данных localStorage с защищенной сериализацией и разбором.
• P2 Trajectory, обобщающую проблему с несколькими ошибками и процесс ее решения.
• Исходные записи P2 Resource, сохраняющие места изменений.

Что показывает эта демонстрация

• Глубина извлечения зависит от ценности: Небольшие изменения могут сначала стать ресурсами P2, а повторно используемые знания о первопричинах — навыками и опытом P1.
• Типы памяти выполняют разные задачи: Resource и Trajectory сохраняют сведения о произошедшем; Skill и Experience — способы и причины решения.
• Приоритет остается управляемым: P1 дольше сохраняет более полезные знания, а P2 оставляет временные детали доступными, не придавая им постоянного веса.
• Память помогает в будущей работе ИИ: В следующих задачах можно найти историю файла, способ исправления или инженерный урок, не полагаясь только на исходный диалог.
• Ручной вопрос обычно не требуется: Здесь вопрос нужен, чтобы небольшой тест дал заметный результат. Для длительных или значимых ошибок Super Memory может автоматически выявлять и записывать долговременный опыт исправления без такого вопроса.

Подробный анализ: почему категория Memory пуста

При фильтрации этого примера по Memory отображается 0 элементов, хотя Super Memory успешно извлек полезные знания.

Это намеренная классификация, а не ошибка извлечения. Исправление не создало долгосрочных предпочтений, стабильных сведений о пользователе или постоянных инструкций, которые следовало бы сохранить в общей Memory. Вместо дублирования всего в виде общей памяти Super Memory распределил результаты по Skill, Experience, Trajectory и Resource в зависимости от будущего применения.

Skill: повторно используемый способ восстановления localStorage

Элемент P1 Skill превращает конкретное исправление в повторно используемую процедуру для сохранения состояния на стороне клиента.

Карточка показывает:

• Теги: localStorage, JSON, восстановление состояния и данных упрощают поиск по связанным проблемам.
• L1 Overview: Сохранять массив задач через JSON.stringify, загружать его с защищенным JSON.parse, не добавлять начальные данные после успешной загрузки и удалять невосстановимые старые значения перед восстановлением чистого состояния.
• Why Remembered: Показывает, что это проверенный шаблон сохранения и восстановления, пригодный для приложений с состоянием.
• L2 Full Content: Сохраняет подробный механизм ошибки и полную процедуру восстановления.
• Метаданные: Отображает приоритет P1, тип, состояние, подтверждения, обращения, последнее обновление и жизненный цикл.

Это полезнее расплывчатой заметки об исправлении localStorage, поскольку будущий ИИ получает конкретную процедуру для повторного применения.

Experience: диагностика общего состояния и стабильной идентичности

Элемент P1 Experience сохраняет более общий инженерный урок, лежащий в основе группы ошибок интерфейса.

В обзоре указано, что при одновременном сбое задач, фильтров, счетчиков и сохранения расследование следует начинать с общего массива задач и переходов состояния. Также сохраняется требование использовать устойчивые к коллизиям идентификаторы и повторно проверять ввод, клавиатуру, фильтры, счетчики, очистку и сохранение после перезагрузки как один процесс.

Теги охватывают управление состоянием, отладку, UI, стабильную идентичность, инварианты, тестирование и localStorage. Why Remembered описывает элемент как повторно используемый список проверок для функций, зависящих от одной модели состояния.

Skill сохраняет повторяемый метод исправления, а Experience — диагностическую логику, инварианты и стратегию проверки.

Trajectory: сохранение фактического пути исправления

Элемент P2 Trajectory хранит ход выполнения задачи, а не только окончательный вывод.

Он содержит исходную цель, восстановленный результат, последовательность инструментов, одну восстановимую ошибку, последующие успешные шаги и итог. В примере записано 14 вызовов инструментов для чтения кода, просмотра каталогов, управления задачами, редактирования файлов, навигации и проверки в браузере.

Метки P2 и unverified отделяют этот краткосрочный журнал от более универсальных P1 Skill и Experience. Точный путь остается доступным при необходимости, а важные выводы хранятся в более долговечных формах.

Почему эта классификация важна

• Memory хранит долгосрочные факты, предпочтения и постоянные сведения; в этом тесте они не создавались.
• Skill хранит повторно используемый метод.
• Experience хранит рассуждения о первопричине и список проверок.
• Trajectory хранит последовательность действий, ошибок и восстановления.
• Resource хранит конкретные файлы и места изменений.

Такое разделение обеспечивает точный и управляемый поиск. Будущая задача может отдельно получить метод, урок, историю выполнения или измененный ресурс, не загружая одну чрезмерно большую общую память.

Проверка: повторное использование в новом диалоге и другом приложении

Второй тест проверяет, остается ли извлеченное знание полезным за пределами исходного диалога о Task Manager.

Старый диалог удаляется, после чего создается новый для другого HTML-приложения — Reading Library в test2.html. Оно работает с книгами, а не задачами, но намеренно содержит ту же группу ошибок состояния, идентичности, фильтров, счетчиков, клавиатуры, удаления и localStorage.

1. Начало в отдельном диалоге

Для демонстрации запрос явно просит Breezell проверить подходящую память, прежние уроки и изученные шаблоны перед изменениями. Это делает поиск заметным. При обычной работе Super Memory может автоматически извлекать подходящие знания без такого указания.

2. Извлечение знаний из удаленного диалога

Перед изменением test2.html Breezell извлекает предыдущий P1 Skill о защищенной загрузке JSON и записи P2 Resource, указывающие на измененные участки старого test.html.

Это показывает две формы поиска:

• Skill: Предоставляет повторно используемый шаблон сохранения: защищенные JSON.stringify и JSON.parse, безопасное отклонение поврежденных старых данных и восстановление чистого состояния.
• Resource: Сохраняет конкретное происхождение шаблона, показывая измененные участки предыдущего файла.

В этом тесте удаление исходного диалога не удалило структурированные элементы Super Memory. Полезное знание осталось доступным в следующем диалоге.

3. Перенос метода вместо копирования старого исправления

Breezell применяет прежний урок к общему состоянию books в Reading Library, а не копирует код для старого массива tasks.

Новое исправление включает:

• Защищенную сериализацию и разбор JSON.
• Безопасное удаление невосстановимых старых значений.
• Загрузку допустимой пустой библиотеки без дублирования примера.
• Детерминированные уникальные идентификаторы книг вместо временных меток с риском коллизий.
• Правильные счетчики, фильтры и пустые состояния.
• Переключение статуса, адресное удаление и очистку прочитанных книг.
• Проверку ввода и отправку только по Enter.
• Обработчики, работающие со стабильным идентификатором каждой книги.

Breezell проверяет результат в браузере по сценарию из 14 проверок и затем восстанавливает значение localStorage, существовавшее до теста.

Что доказывает второй тест

• Структурированное знание сохраняется после исходного диалога: Удаление прежнего диалога не помешало извлечь Skill и Resource.
• Поиск обобщается на разные реализации: Шаблон для задач применяется к книгам, поскольку ошибки состояния и сохранения структурно связаны.
• Skill — это больше, чем история исправлений: P1 Skill предоставляет повторно используемый метод, а P2 Resource сохраняет конкретную историю.
• ИИ исправляет первопричины: Он переносит принципы общего состояния, стабильной идентичности, проверяемого сохранения и сквозного тестирования, а не копирует старый код построчно.
• Явный запрос памяти необязателен: В демонстрации память упоминается только для наглядности. Обычно подходящие элементы Super Memory могут извлекаться автоматически.

Резидентная память (P0)

Любой элемент Super Memory можно сделать Resident, если он должен быть доступен при каждом поиске памяти, даже когда текущий запрос не связан с ним по смыслу.

Назначение резидентного элемента

Наведите указатель или нажмите значок булавки на карточке памяти. Подсказка Set resident обозначает это действие.

После назначения:

• Элемент получает приоритет P0.
• На карточке появляется метка Resident.
• Булавка выделяется, показывая резидентное состояние.
• Счетчик вместимости увеличивается. В примере он становится Resident 1/12.
• Элемент отображается при фильтрации по P0.

P0 — постоянный уровень приоритета. В отличие от P1 и P2 с ограниченным жизненным циклом, резидентный элемент остается доступным, пока пользователь не снимет этот статус.

Добавление резидентной памяти в новый диалог

При поиске Super Memory резидентные элементы добавляются независимо от смысловой релевантности.

В примере новый чат содержит только «Hello», но состояние показывает:

Injected 1 memories (1 resident · 0 relevant)

Один элемент P0 Resident был добавлен, хотя дополнительных совпадений по релевантности не найдено. Это позволяет надежно использовать критически важные знания при каждом цикле поиска.

Когда использовать P0

Используйте Resident для сведений, которые должны постоянно направлять ИИ: важнейших архитектурных инвариантов, обязательных процессов, долгосрочных правил восстановления и основных предпочтений.

Не делайте резидентными временные пути к файлам, детали разовой задачи и большие малоценные записи. Резидентные элементы добавляются в контекст запроса и могут влиять на каждый ответ, поэтому они должны быть краткими и действительно универсальными. Интерфейс показывает вместимость до 12 резидентных элементов.

Повторно нажмите выделенную булавку, чтобы снять Resident, когда элемент больше не требуется при каждом поиске.