Memory 如何学习
相关页面：
1) Search 会建立连接
Section titled “1) Search 会建立连接”当搜索命中并被证明“有用”时，系统会把它视作关系证据：这些记忆元素在任务上是有关联的。
随着类似命中重复出现，这些元素在后续任务里被共同召回的概率会提高。
2) 多轮 Tool Call 会强化更可信的关联
Section titled “2) 多轮 Tool Call 会强化更可信的关联”单次读取是弱证据，连续推理链路是强证据。
示例：
- 你询问虚拟主播。
- 搜索返回多个候选。
- 模型先读取其中一条。
- 模型在下一轮 tool call 中主动读取另一条相关记忆。
这说明“在模型的连续判断里”两者具有关联价值，因此会被进一步强化。
3) Random Walk 会强化活跃路径
Section titled “3) Random Walk 会强化活跃路径”AnySoul 通过联想游走探索邻近记忆。
在这一过程中：
- 被走到的边会获得强化，
- 高价值记忆簇会更容易再次被访问，
- 低活跃区域会逐步沉默，而不是立刻删除。
结果是记忆网络会随真实使用不断重塑。
4) “变强”在产品上的体现
Section titled “4) “变强”在产品上的体现”当记忆学习发生后，用户通常会看到：
- 后续召回更连贯，
- 无效读取更少，
- 多跳检索更接近问题意图。
这不是完全确定性的死规则，而是“相关性稳定上升”的过程。
5) 回溯、克隆与混合
Section titled “5) 回溯、克隆与混合”受 Git 思路启发，AnySoul 也在探索“身份层面的记忆操作”：
- 回溯（Backtracking）：我们对文件做版本管理，让每个 Agent 可以回到过去某一天、某个时间点的状态。
- 克隆（Cloning）：可以把当前时间点的 Agent 复制一份，形成从同一记忆基线出发的新个体。
- 混合（Mixing）：可以对不同 Agent 的记忆做有选择的混合。
这是我们对“人格复制”与“人格混合”的持续探索。