模型记忆与行为画像¶
Status: Current
Last verified: 2026-07-01
Code anchors:crates/aios-core/src/context_memory.rs,crates/aios-spec/src/context.rs,crates/aios-daemon/src/pipeline.rs
这篇文档回答什么:系统如何在不回传原始事件的前提下,把历史窗口信息用于后续决策。
适合谁读:想理解行为画像来源、确认隐私边界,或者调整记忆参数的人。
TL;DR¶
ModelMemoryStore 在每个窗口关闭后,基于已脱敏的 StructuredContext、决策结果和审计记录,滚动维护:
UserBehaviorProfile:用户高频应用、语义 hint、动作成败的统计画像。RecentDecisionRecord:最近若干窗口的决策与执行反馈。
这些记忆通过 ModelInput 回注到下一窗口的决策输入。原始通知文本、文件路径、联系人等 PII 永远不会进入记忆。
何时读这篇¶
| 场景 | 看哪一节 |
|---|---|
| 想快速了解记忆里保存了什么 | 记忆里有什么 |
| 要调整窗口数量、top-k、衰减系数 | 配置表 |
| 担心 PII 是否会泄漏到模型输入 | 隐私保证 |
想理解 PreWarm 效果如何归因 | PreWarm 命中/缺失归因 |
| 想知道后台 LLM 摘要怎么工作 | 后台 ProfileSummarizer |
为什么需要模型记忆¶
如果每个窗口都从零决策,系统会反复问“这个用户在做什么”。ModelMemoryStore 让后端看到:
- 用户近期常出现在前台的 app
- 近期频繁出现的语义 hint
- 过去建议动作的执行结果
同时约束条件是:不能保存或回传原始事件。所有输入必须经过 PrivacyAirGap 脱敏。
记忆里有什么¶
UserBehaviorProfile¶
| 字段 | 含义 |
|---|---|
summary | 本地计数文本;若启用了 LLM 摘要则前缀合并 |
observation_windows | 已观察窗口数 |
frequent_foreground_apps | 高频前台应用及分数 |
frequent_notifying_apps | 高频通知应用及分数 |
frequent_semantic_hints | 高频语义 hint 及分数 |
action_successes | 成功动作及次数 |
action_denials | 被拒绝动作及次数 |
action_failures | 执行失败动作及次数 |
last_updated_window_id | 最后更新窗口 ID |
分数优先使用带衰减的动量分;动量不足时回退到原始计数。
RecentDecisionRecord¶
每个关闭窗口产生一条记录:
| 字段 | 含义 |
|---|---|
window_id / 起止时间 | 窗口定位 |
foreground_apps / notified_apps | 该窗口的 app 集合 |
semantic_hints | 该窗口的语义 hint 集合 |
route / model | 决策路由与模型 |
intent_count | 意图数量 |
rationale_tags | 决策理由标签 |
backend_error | 后端错误(如有) |
action_outcomes | 每个动作的反馈结果 |
记忆如何更新¶
crates/aios-daemon/src/pipeline.rs::process_window 中的顺序:
1. model_input(ctx) # 构造当前输入
2. router.evaluate_model_input(input)
3. ActionLifecycle.run(...) # 治理 + 审计
4. observe_window(...) # 把结果写回记忆
5. ProfileSummaryWorker.poll / maybe_start
6. persist_if_configured(...) # 若配置路径则持久化
配置表¶
| 字段 | 默认值 | 环境变量 | 作用 |
|---|---|---|---|
recent_limit | 5 | DIPECS_MODEL_MEMORY_RECENT_WINDOWS | 保留近期窗口数 |
top_limit | 8 | DIPECS_MODEL_MEMORY_TOP_K | 画像 top-k 项 |
momentum_decay_milli | 900 | DIPECS_MODEL_MEMORY_MOMENTUM_DECAY_MILLI | 每窗口动量衰减系数 |
prewarm_effect_windows | 3 | DIPECS_PREWARM_EFFECT_WINDOWS | PreWarm 归因窗口数 |
persist_path | None | DIPECS_MODEL_MEMORY_PATH | 持久化文件路径 |
momentum_decay_milli / 1000 让近期窗口权重更高。
PreWarm 命中/缺失归因¶
PreWarmProcess 动作成功后,系统会记录一个 PendingPrewarm:
- 如果在
prewarm_effect_windows个窗口内目标应用出现在前台, 原始RecentDecisionRecord的反馈更新为PredictionHit。 - 否则更新为
PredictionMiss。
这让后续分析可以判断“提前预热是否真的命中”。
后台 ProfileSummarizer¶
crates/aios-agent/src/backends/cloud_llm/summarizer.rs
- 把
UserBehaviorProfile和recent_feedback发给云端,请求生成 80 词以内纯文本摘要。 - 启用条件:云端 LLM 已配置 且
DIPECS_PROFILE_SUMMARY_ENABLED=true。 - 在后台线程运行,不阻塞主窗口处理。
隐私保证¶
ModelMemoryStore 只保存已脱敏信息:
- app 包名(不含通知内容)
SemanticHint类型(不含原始文本)- 动作类型与结果(不含原始 target 细节)
- 决策路由、模型、rationale tags
以下信息不会进入 ModelInput:
- 原始通知文本
- 文件路径、URL 原文
- 联系人、短信内容
相关守护测试:
crates/aios-core/tests/privacy_leak_test.rscrates/aios-core/tests/privacy_airgap_property_test.rscrates/aios-core/tests/privacy_airgap_test.rscrates/aios-agent/tests/baseline_comparison_test.rs
如何查看与调试¶
- 在
dipecsdtrace 中观察behavior_profile和recent_feedback字段。 - 设置
DIPECS_MODEL_MEMORY_PATH后,每个窗口结束会写出 JSON,可直接查看。 - 调整
DIPECS_MODEL_MEMORY_RECENT_WINDOWS可控制近期窗口数量。