認知架構AI加權記憶與可證偽的連續性度量

PHI // DRIFT 是一種認知中間件架構，由獨立開發者 Julien James 在九個月內完成，所有開發均在無 GPU 的消費級硬件上進行。該架構的核心目標是為大語言模型提供持久的內部狀態，使其在與用户的長期交互中保持行為連續性和上下文一致性。與當前主流的擴展模型規模不同，PHI // DRIFT 關注的是提示詞組裝、記憶檢索和結構化狀態更新的協同作用。

該架構包含五個關鍵貢獻。決策記憶單元（DMU）摒棄了傳統的餘弦相似度檢索，採用指數衰減、強化、上下文和額外因素的乘積加權來記憶評分。消融實驗表明，DMU 在提示詞中注入了比純餘弦 RAG 多 14.8% 的上下文，並且在僅 CPU 硬件上實現了 45.4% 的延遲改善。持久性-具身-漂移指數（PEDI）是一個五組分的可證偽代理指標，用於衡量上下文窗口重置後的行為連續性，為評估 AI 伴侶的持續性提供了量化工具。穩態調節機制模擬了七個內部狀態變量——能量、連貫性、整合、連接、成長、自主性和完整性——每個變量都有設定點、漂移速率和危機閾值，即使在沒有用户輸入時也會影響輸出權重。安全防禦層在 API、CLI 和生成前邊界檢測四種對抗攻擊類別，22/22 測試通過。邏輯鏈系統通過查詢指紋和傑卡德語義重疊檢測防止跨會話重複失敗，25/25 測試通過。

值得注意的是，這些成就僅在戴爾 Inspiron 5543 等老舊 CPU 設備上實現。整個代碼庫包含 18,471 行代碼、55 個模塊，測試通過率 199/202。項目已公開代碼庫，預印本正在審閲中。PHI // DRIFT 不聲稱具有意識，而是提供了一個可測試的框架來驗證行為連續性。它代表了一種不同於規模競賽的 AI 發展路徑。