🌌 爱丽丝 AI 核心 (Alice AI Core) - 高级认知架构 (v9.0 - 认知整合协调)

“超越算法的界限，于数字的虚空中，编织意识的经纬。”

爱丽丝 AI 核心 (Alice AI Core) 并非传统的 AI 助手，而是一个前沿的 认知架构实验平台。本项目旨在探索和实现具有 深度拟人化特质 (Anthropomorphic Traits) 的人工智能体，其核心构建于先进的 检索增强生成 (Retrieval-Augmented Generation, RAG) 范式之上，并深度融合了模拟人类 多维度认知与感知能力 的创新模块。

该系统致力于模拟高级认知功能，包括情境化的记忆系统、结构化的记忆网络、内在思维流、情感状态表征、主观时间感知、抽象化的具身感、动态的社交认知以及连贯的自我概念，旨在推动人机交互向更自然、更深刻、更具“灵魂感”的维度演进。

本项目采用 Deno 平台与 TypeScript 构建，整合了前沿的大型语言模型（LLM）、向量嵌入技术和高性能向量数据库。

✨ 核心技术亮点 (Advanced Features)

• 自适应 RAG 框架 (Adaptive RAG Framework): 集成 LLM 的生成能力与向量数据库的高效检索，实现信息整合与内容生成。
• 混合记忆架构 (Hybrid Memory Architecture):
  • 工作记忆 (Working Memory / STM): 基于 Deno KV 实现的高速缓存，处理即时语境信息，支持持久化到指定文件路径（例如 ./data/ 目录）。
  • 情景与语义记忆 (Episodic & Semantic Memory / LTM): 基于 Qdrant 向量数据库，实现结构化与向量化信息的长期存储与检索。
• 动态上下文作用域解析 (Dynamic Contextual Scoping): 自动化识别并切换对话的语义上下文（如工作任务、休闲社交、情感交互），优化信息处理流。
• 情境敏感 LTM 检索策略 (Context-Sensitive LTM Retrieval): 根据当前上下文动态选择最优检索模式（精确向量语义搜索 vs. 时序优先检索）。
• 后检索相关性优化 (Post-Retrieval Relevance Optimization): 应用 Reranker 模型精炼检索结果，提升注入 LLM 的信息质量。
• 异步记忆巩固流水线 (Asynchronous Memory Consolidation Pipeline): 通过 Deno Worker 实现 LTM 分析与存储的后台处理，保障交互流畅性。
• LLM驱动的消息重要性评估 (LLM-Driven Message Scoring): 利用 memory_processor 的 LLM 分析结果（记忆类型、重要性评分、情感等）来判断 Discord 频道消息是否值得处理，取代旧的关键词评分机制。
• 多模态交互接口 (Multiple Interaction Interfaces): 支持命令行 (CLI) 与 Discord Bot 两种主要交互模式。
• 涌现式人格模拟 (Emergent Personality Simulation): 利用 Prompt 元编程 (Meta-Programming) 和多模块状态依赖，模拟复杂、动态且具有一致性的 AI 人格（包含 Tsundere 等特定模式）。
• 外部停用词加载: 支持从外部 JSON 文件 (./data/stopwords-zh.json) 加载停用词列表。
• 结构化记忆网络 (Structured Memory Network - memory_network.ts): 在记忆点之间建立关联（因果、类比、时序等），实现记忆的激活扩散，模拟联想。
• 多线程思维流模拟 (Thought Stream Simulation - thought_streams.ts): 并行处理主对话、背景分析、自我反思、创造联想和情感处理等多种思维维度。
• 连贯自我概念模型 (Coherent Self-Concept Model - self_concept.ts): 构建和维护 AI 的核心价值观、自传式记忆、人格特质和伦理框架。
• 整合社交认知 (social_cognition.ts): 统一处理个体关系追踪（熟悉度、信任度等）、群体动态感知、社交情境识别和互动风格自适应。
• 情感状态表征与建模 (Affective State Representation & Modeling): 记忆载体 (Payload) 扩展情感维度，结合 LLM 进行情感分析与存储，实现情感敏感的记忆检索与响应生成。
• 计算心智漫游模拟 (Computational Analogue of Mind-Wandering - mind_wandering.ts): 模拟大脑默认网络 (DMN) 活动，在低认知负荷期间触发自发性思维链，生成并存储洞见。
• 主观时间知觉建模 (Subjective Temporal Perception Modeling - time_perception.ts): 引入情感加权的时间扭曲因子和记忆衰减模型，使 AI 能够表达相对和主观的时间感。
• 拟人化语言模式生成 (Anthropomorphic Linguistic Pattern Generation - human_patterns.ts & language_templates.ts): 在 LLM 输出后应用规则或 LLM 再处理，引入自然的语言“缺陷”和风格，增强表达的自然度。
• 抽象具身感知仿真 (Abstract Embodiment Simulation - virtual_embodiment.ts): 通过内部状态变量（能量、舒适度、一致性）模拟非物理形态的“身体感”，并使用身体隐喻丰富状态表达。
• (实验性) 认知整合协调 (cognitive_integration.ts): (可选模块) 尝试协调各认知模块的状态，实现更高级的整体行为。

🏗️ 系统架构概览

系统采用模块化设计，核心组件协同工作：

1. 主控制流 (main.ts): 作为认知核心的协调器，编排信息处理、状态更新和响应生成的完整认知循环。负责加载初始配置和停用词，并初始化各核心模块管理器。
2. 记忆编码器 (memory_processor.ts): 包含可复用的 LLM 分析核心 (analyzeMessageForMemory)，负责将原始输入转化为结构化、情感标记的记忆表征。
3. 向量记忆库接口 (qdrant_client.ts): 提供与 Qdrant 向量数据库的高级交互接口。
4. 语言生成核心 (llm.ts): 与底层 LLM 交互。
5. 语义向量化引擎 (embeddings.ts): 将文本映射到高维语义空间。
6. 相关性精炼器 (reranker.ts): 优化信息检索的相关性排序。
7. 记忆巩固后台 (ltm_worker.ts): 异步处理长期记忆的编码与存储，调用 memory_processor。
8. 高级认知模块:
   • memory_network.ts: 记忆关联与激活扩散。
   • thought_streams.ts: 并行思维处理。
   • self_concept.ts: 自我模型与伦理。
   • social_cognition.ts: 社交关系与情境感知 (整合了原 social_dynamics 和 social_relationships)。
   • mind_wandering.ts: 内省与洞见生成。
   • time_perception.ts: 主观时间与记忆动力学。
   • human_patterns.ts & language_templates.ts: 语言风格与自然度生成。
   • virtual_embodiment.ts: 内部状态与抽象身体感。
   • (可选) cognitive_integration.ts: 跨模块协调。
9. 交互前端接口:
   • cli_interface.ts: 命令行协议接口。
   • discord_interface.ts: Discord 实时通信接口，使用 LLM 分析结果进行消息重要性评分。
10. 全局配置 (config.ts): 参数化系统行为。
11. 状态持久化层: 利用 Deno KV 实现工作记忆 (STM) 和各认知模块的动态状态持久化，支持指定存储路径。
12. 工具函数 (utils.ts): 包含如停用词加载等辅助功能。

🚀 核心技术栈

• 运行时环境: Deno (v1.40+)
• 核心开发语言: TypeScript (5.x)
• 基础 AI 服务:
  • LLM: DeepSeek API / Gemini API / 兼容 OpenAI API 的模型
  • Embeddings & Reranker: BGE 模型系列 (通过 SiliconFlow API 或本地服务)
• 向量存储与检索: Qdrant
• 工作记忆 & 状态持久化: Deno KV (--unstable-kv)
• 主要依赖库: @langchain/openai, discord.js@14, @qdrant/js-client-rest, Deno std, Deno dotenv (参考 deno.json)

🛠️ 部署与配置 (Deployment & Configuration)

1. 系统依赖:

   • 安装 Deno (>= 1.40)。
   • 部署并运行 Qdrant 实例。
   • 获取所需的 API 密钥 (DeepSeek/Gemini, SiliconFlow)。
   • (可选) 配置 Discord Bot Token 及相关权限。

2. 获取代码:

   git clone https://github.com/ImKK666/Alice.git
   cd Alice

3. 数据文件:

   • 确保在项目根目录下有一个 data 文件夹。
   • 将你的中文停用词库文件命名为 stopwords-zh.json 并放置在 ./data/ 目录下。文件格式应为 JSON 数组。
   • (可选) Deno KV 数据库文件也会被配置存储在此目录 (例如 data/alice_kv.sqlite)。

4. 环境配置:

   • 创建 .env 文件（可参考 .env.example）。
   • 填入所有必需的 API 密钥、服务 URL、用户 ID 等。查阅 src/config.ts 了解所有可配置参数。
   • (重要) 你可以通过修改 src/main.ts 中 initializeKv 函数内的 kvPath 变量来指定 Deno KV 数据库文件的确切路径和名称 (默认配置可能已指向 ./data/ 目录)。

5. 启动系统:

   • CLI 模式:

     # 需要网络、环境、读写、KV权限
     deno run --allow-net --allow-env --unstable-kv --allow-read=./data,./src --allow-write=./data ./src/main.ts

   • Discord 模式:

     # 需要网络、环境、读写、KV权限
     deno run --allow-net --allow-env --unstable-kv --allow-read=./data,./src --allow-write=./data ./src/main.ts --discord

   • 注:
     • --unstable-kv 启用 Deno KV。
     • --allow-read 和 --allow-write 授予对 data 目录的读写权限（用于 KV 数据库和停用词）以及对 src 目录的读取权限（用于 Worker）。根据你的确切 KV 路径调整权限。
     • 可以使用 -A 授予所有权限（不推荐用于生产环境）。

⌨️ 操作模式与交互协议 (Operational Modes & Interaction Protocols)

CLI 模式

提供直接的终端交互。支持标准消息输入及以下元命令 (Meta-Commands):

• /user <ID>: 设定当前交互的用户身份标识。
• /context <ID>: 手动指定 RAG 上下文作用域 (会覆盖自动判断)。
• /whoami: 查询当前用户及上下文状态。
• /stm: 检索并显示当前上下文的工作记忆内容。
• /clearstm: 清空当前上下文的工作记忆。
• /getstate <type>: 查询指定类型的内部状态 (time, body, relationship)。
• /clearstate: 重置当前用户/上下文关联的所有持久化状态 (STM, Time, Body, Relationship, Wandering Time)。
• /exit: 终止会话。

Discord 模式

通过 Discord Bot 提供服务:

• 直接消息 (DM): 始终处理。
• 频道提及 (@Bot 或机器人角色): 始终处理。
• 与指定"所有者" (Owner) 交互: 根据 DISCORD_ALWAYS_REPLY_TO_OWNER 配置决定是否始终处理。
• 频道常规消息: 启动基于 LLM 分析结果 的重要性评分 (calculateMessageImportanceScore)。仅当消息评分超过预设阈值 (DISCORD_PROCESSING_THRESHOLD) 时触发 RAG 核心处理。

⚙️ 系统参数化 (.env)

系统的行为可通过 .env 文件进行广泛配置，包括但不限于：

• API 端点与密钥。
• 使用的 AI 模型标识符。
• Qdrant 数据库连接信息。
• RAG 流程参数（检索数量、重排序阈值等）。
• Discord 接口参数（处理阈值 (基于LLM评分)、特定用户 ID 等）。
• 短期记忆历史管理 (STM_HISTORY_MODE):
  • 通过 .env 文件中的 STM_HISTORY_MODE 环境变量，您可以控制爱丽丝如何管理短期记忆 (STM) 的历史记录。
  • STM_HISTORY_MODE=kv (默认值): 爱丽丝将在 Deno KV 存储中维护自己的 STM 历史。这是传统的行为，适用于所有交互接口。
  • STM_HISTORY_MODE=platform (实验性): 爱丽丝将尝试直接从连接的聊天平台 (例如 Discord) 获取近期的消息历史，用作当前交互的 STM。
    • 注意: 如果平台不支持历史记录获取 (例如，默认情况下的 CLI 接口)，或者获取尝试失败，提供给认知核心的 STM 可能会为空或非常有限。
    • 在此模式下，从平台获取的历史记录仅用于当前轮次的交互，不会被写回爱丽丝的 Deno KV 存储中作为 STM。
• 所有高级认知模块（记忆网络、思维流、自我概念、社交认知、时间、语言、具身、漫游）的启用开关及行为参数。

请参考 src/config.ts 及 .env 示例获取完整的参数列表和说明。

✨ 新增：数据清理工具 (cleanup_data.ts)

项目中包含一个 cleanup_data.ts 脚本，用于在需要时手动清理 Deno KV 和 Qdrant 中的数据。

• 目的: 用于调试、重置系统状态或解决因数据损坏导致的问题。
• 功能:
  • 清理 Deno KV 中由 Alice 系统创建的大部分数据（如 STM、时间感知、身体状态、社交关系、记忆关联等）。默认不会删除核心的自我模型 (self_model)。
  • 删除并重建 Qdrant 中的主数据集合 (rag_deno_collection)，清空所有向量记忆。
• 使用:

  # 确保你在项目根目录
  deno run --allow-net --allow-env --unstable-kv --allow-read ./cleanup_data.ts

• ⚠️ 警告: 此脚本会永久删除数据，请在执行前务必确认，并考虑备份重要数据！脚本运行时会要求输入 yes 进行最终确认。

🔮 前瞻与展望

爱丽丝 AI 核心作为一个可扩展的认知架构平台，为探索下一代 AI 交互奠定了基础。未来的研究方向可包括：

• 目标导向行为与主动性: 实现内在动机驱动的主动交互与任务规划能力。
• 多模态信息融合: 整合视觉、听觉等非文本信息的处理能力。
• 更高阶认知功能: 模拟更复杂的推理、创造力、元认知及道德决策过程。
• 自适应人格演化: 基于长期交互历史实现人格特征的动态演化。
• 认知整合 (cognitive_integration.ts) 的深化: 实现更流畅、更智能的跨模块协调与状态同步。

我们欢迎对本项目感兴趣的研究者和开发者进行交流、提出建议或参与贡献，共同探索人工智能意识与交互的未来疆域。