认知架构AI加权记忆与可证伪的连续性度量

PHI // DRIFT 是一种认知中间件架构，由独立开发者 Julien James 在九个月内完成，所有开发均在无 GPU 的消费级硬件上进行。该架构的核心目标是为大语言模型提供持久的内部状态，使其在与用户的长期交互中保持行为连续性和上下文一致性。与当前主流的扩展模型规模不同，PHI // DRIFT 关注的是提示词组装、记忆检索和结构化状态更新的协同作用。

该架构包含五个关键贡献。决策记忆单元（DMU）摒弃了传统的余弦相似度检索，采用指数衰减、强化、上下文和额外因素的乘积加权来记忆评分。消融实验表明，DMU 在提示词中注入了比纯余弦 RAG 多 14.8% 的上下文，并且在仅 CPU 硬件上实现了 45.4% 的延迟改善。持久性-具身-漂移指数（PEDI）是一个五组分的可证伪代理指标，用于衡量上下文窗口重置后的行为连续性，为评估 AI 伴侣的持续性提供了量化工具。稳态调节机制模拟了七个内部状态变量——能量、连贯性、整合、连接、成长、自主性和完整性——每个变量都有设定点、漂移速率和危机阈值，即使在没有用户输入时也会影响输出权重。安全防御层在 API、CLI 和生成前边界检测四种对抗攻击类别，22/22 测试通过。逻辑链系统通过查询指纹和杰卡德语义重叠检测防止跨会话重复失败，25/25 测试通过。

值得注意的是，这些成就仅在戴尔 Inspiron 5543 等老旧 CPU 设备上实现。整个代码库包含 18,471 行代码、55 个模块，测试通过率 199/202。项目已公开代码库，预印本正在审阅中。PHI // DRIFT 不声称具有意识，而是提供了一个可测试的框架来验证行为连续性。它代表了一种不同于规模竞赛的 AI 发展路径。