自我模型开源清单

第一档

优先研究

和「显式自我描述」最贴的开源。

项目	开源 / 入口	值得看什么	和你们
Letta 原 MemGPT · Apache 2.0	github.com/letta-ai/letta · letta-code	`persona` 记忆块＝显式自我描述；Agent 用工具改自己的记忆；核心记忆 vs 档案记忆；现主开发在 Letta Code（CLI / Desktop / App Server）	已有 `letta-lab/`；单独试，不接日常 Cursor；模型接 Windows Ollama `192.168.43.6:11434`
CoreMind	github.com/Wylhelm/coremind	文档写明 Self-model (L3+)：习惯 / 节律 / 上下文，强调只留本机	隔离克隆读架构即可，不必整栈上线
Nūr	github.com/balfiky/nur	identity / beliefs / drives / self-traits 当可检查运行时状态，不只向量记忆	对照「禁令 + 身份」怎么落状态机
Nous	github.com/tfatykhov/nous	Minsky 派：决策记忆、校准、guardrails、自我监控	和 AYXK「决策图」气质近，偏工程哲学

第二档

项目	入口	作用	备注
claude-mem	本机主记忆 · worker `127.0.0.1:37701`	会话 observation：SQLite + Chroma；索引注入 + 按需取证	日常唯一主记忆；对象是「做过什么」，不是经典 self-model。格式讨论见下节
Mem0	github.com/mem0ai/mem0	提取并检索用户事实	偏「关于用户」，不是「关于我」
Zep / Graphiti	github.com/getzep/graphiti	时间线知识图	本机已有 `graphiti-lab/`；会变事实实验用
OpenViking	本机 `openviking-lab/`	可见检索轨迹、L0/L1/L2	可对照分层，不是经典 self-model
腾讯分层记忆	本机 `tencentdb-memory-lab/`	L0–L3，含画像	有画像层可对照；不接日常 Cursor
Turiya	github.com/QuintessenceCoding/Turiya	世界模型 + 自称 self-concept	宣传重，当参考，别当主线

建议怎么啃（贴 AYXK）

第一Letta：看 persona / memory blocks 怎么进上下文、怎么被改。
第二CoreMind：读 SelfModel 与记忆/感知怎么隔离，不必整栈跑。
第三AYXK：库里 Agent/System 节点 + 禁令边，比再造元元本体划算。

记住：元元本体 ≠ 自我模型。前者改语言，后者给自己立户口。

补记 · 2026-09-04

claude-mem：记忆有格式——改设计会不会让 AI 完全不一样？

会话原问：claude-mem 看着有固定格式；改格式或设计，会不会让能力质变？网上有没有讨论 / 案例？

claude-mem 这套格式在干什么

不是把整段过去糊进 prompt，而是有意做成三步协议：

索引头条 — claude-mem-context.mdc / search 命中（标题、类型、时间；自动刷新的 INDEX，不是全文）
按需拉正文 — timeline → get_observations([IDs])
带类型与边界 — bugfix / feature / decision…；项目、时间过滤

落盘侧：运行时 ~/.claude-mem，SQLite（SessionStore）+ Chroma 向量；worker http://127.0.0.1:37701。规则侧强调：索引不是记忆——未取证不得把标题扩写成事实。

格式本身在约束 Agent：先当目录用，再点开详情。你改格式，其实是在改这条读记忆协议。

改什么，影响有多大

改动	影响大致
字段名、emoji、排版	小；模型大多还能认
类型体系、标题怎么写、摘要粒度	中；检索噪声和「记错重点」会变
索引→详情两段式 vs 一股脑全塞	大；长会话洗掉、漏查、乱引用都会变
向量 / 图 / 文件树 / schema 约束换架构	很大；Benchmark 上常差十几到几十个点

实务：小改文案收益有限；大改检索路径或类型语义，行为会明显不同，也可能弄坏 hooks / 索引约定。日常仍以 claude-mem 为准；好奇「换格式会怎样」只适合隔离实验栈对照，不要直接改生产记忆管线。

一句话对照

是记忆格式/设计是 Agent 能力的一部分；消融和对比都在证明这一点。
不是改 claude-mem 字段就能 magically 变另一个 AI；模型权重没变，变的是工作记忆协议。
和自我模型的关系claude-mem 记的是会话事实与决策痕迹；Letta persona / AYXK Agent 节点才更靠近「我是谁」。两者可对照格式设计，不要混成一套主记忆。

证据 · 2026-09-04

论文、对比与实例（检索归档）

回答「网上有没有类似讨论 / 案例」——有，而且消融数字很硬。下列为会话检索摘录，非完整文献综述。

论文 / 技术报告

名称	主张 / 设计	关键数字或结论	入口
MemGPT Packer et al., 2023	OS 式分层记忆：主上下文 vs 外部存储；LLM 用工具自管分页	超长文档分析、多会话聊天在有限窗口下仍可用——「记什么、怎么进出窗口」本身就是能力	arXiv:2310.08560
SCG-MEM Schema-Constrained Generation	用动态认知 schema（Trie）约束解码，禁止生成不存在的记忆 key；同化 / 顺应演化	消融：去掉 schema 约束后，多跳 F1 约 −39.5%（Qwen2.5-3B / LoCoMo）——格式约束直接决定召回质量	arXiv:2604.20117
xMemory Beyond RAG for Agent Memory	先解耦语义分量再聚合；自上而下检索；主张 flat RAG ≠ agent memory	LoCoMo / PerLTQA 上优于纯相似度 top-k；层级重组率高等证据说明扁平结构不够	arXiv:2602.02007
Dive into Claude Code VILA-Lab 等	文件式记忆 + LLM 路由选 ≤5 个相关文件；刻意不用向量库以可审计	设计空间：透明 Markdown 换表达力；manifest 规模上去会爆选择器上下文	arXiv HTML · GitHub

基准对比 / 工程实例

实例	比什么	看到什么	入口
Mem0 vs MemGPT 等 LoCoMo 社区对照表	同题多会话记忆：准确率、延迟、每查询 token	常引数量级：Mem0 ~66–68% judge accuracy；MemGPT ~48%；OpenAI Memory ~53%——架构差 ≫ 微调文案	社区综述文 / Mem0 评测叙述（数字随版本会变，看趋势）
Claude Code 记忆子系统分析	生产级 coding agent 怎么记	MEMORY.md 索引 + 分类型 topic 文件；Sonnet 按 frontmatter 路由；无向量 / 无图——与 Letta（块+档案）对照鲜明	ANALYSIS-claude-code-memory.md
schema-guided agent memory 工程论述	无 schema 的图记忆 vs 类型化实体/边	无约束时边塌成 RELATES_TO、可查性崩；schema 限制「能记什么」＝限制幻觉边界	业界工程帖（与 SCG-MEM 同方向）
awesome-agent-memory	综述索引：形式 / 功能 / 动力学	一站列论文与系统（含上表条目）	github.com/tfatykhov/awesome-agent-memory
本机对照（非论文）	claude-mem vs Letta MemFS vs Graphiti	主记忆：索引+observation；Letta：文件树分页；Graphiti：会变事实图——同一问题换栈，能力形态明显不同	`letta-lab/` · `graphiti-lab/` · claude-mem worker

读法建议：先看 SCG-MEM 消融（格式约束有多硬）→ MemGPT（分页幻觉）→ Claude Code 分析（生产选透明文件）→ 再对照本机 claude-mem 三步协议。