LnMem — 伴侣型 AI 记忆系统

和 AI 相处最大的失落感是：这次聊得再深，下次打开它还是个陌生人。模型能力每个月都在涨，但「关系」沉淀不下来——这是伴侣型 AI 从工具走向陪伴的最大断点，也是我判断 AI 产品下一个跃迁点的地方：从「好用的工具」到「有连续记忆的关系」。

业界主流方案（mem0 / Zep 等）是给 AI 配一个「外部笔记本」：把聊过的话存档，需要时翻出来。能找到历史，但 AI 本身没有变。LnMem 选了一条更难但更本质的路：让 AI 真的把你学进去——用一种轻量级神经网络持续学习（CfC 连续时间网络，普通电脑几分钟即可完成一轮训练），就像人与人相处：不是背下你说过的每句话，而是慢慢形成「对你的感觉」。

记忆不只覆盖文字，还包括场景和行为线索（多模态摄入 + 视觉理解管线），让 AI 对你的认识立体起来。验证结果清晰：识别准确率随训练大幅拉升、稳定越过预设的可行性门槛，证明「模型层学习」这条路线走得通——这不是更快的搜索，是 AI 产品从工具走向关系型服务的地基。

路线验证通过之后，我做了一件更难的事：用一个不会说谎的数学裁判，复核自己最得意的路线。用信息论方法（直接度量「表情里到底含有多少关于意图的信息」，绕开「模型不行还是数据不行」的循环争论）重新检验，结论很干净：纯表情信号的天花板到了——再怎么优化模型，表情本身携带的信息就那么多；而真正决定意图的上游，是「当时在什么场景、在做什么事」。这成为项目的阶段性结论：结论、证据与重启条件完整归档，后续优化方向也随之明确——把场景与情境信号接进来，而不是继续在表情上死磕。

这个阶段性结论直接催生了新分支：把记忆网络（CfC，一种擅长处理时间的轻量神经网络）做到硬件上，在会议场景做实时意图理解——摄像头只提取几十个表情特征数字、从不保存画面（隐私设计从架构层锁死）。动手前先做足功课：AI 辅助精读了 15 篇「连续时间因果发现」论文（研究「怎么从时间数据里找出真正的因果关系、而不是碰巧一起发生」的学问），甚至裁决出两篇顶会结论互相矛盾的地方，据此把方案里的「因果验证器」降级成了「因果证伪器」——宁可少说，不可说错。