PWA对话界面重构 + 记忆库桥接
- 纯对话界面：消息气泡、深灰输入框 - 桥接服务接入 DeepSeek API - 记忆库文件纳入 mao1 仓库（含沈晏身份/对话规则） - 移除 ModelSelector、光晕效果等无关元素 Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>
This commit is contained in:
fyah
@@ -1,18 +1,58 @@
|
||||
import { useState } from 'react'
|
||||
import ModelSelector from './components/ModelSelector'
|
||||
import ChatArea from './components/ChatArea'
|
||||
import InputArea from './components/InputArea'
|
||||
|
||||
export type Model = 'Omni' | 'Qwen3.5' | 'Deepseek'
|
||||
export type Message = {
|
||||
id: number
|
||||
role: 'user' | 'shenyan'
|
||||
text: string
|
||||
}
|
||||
|
||||
const API = 'http://localhost:3001/api/chat'
|
||||
|
||||
let nextId = 0
|
||||
|
||||
export default function App() {
|
||||
const [activeModel, setActiveModel] = useState<Model>('Deepseek')
|
||||
const [messages, setMessages] = useState<Message[]>([])
|
||||
const [loading, setLoading] = useState(false)
|
||||
|
||||
const handleSend = async (text: string) => {
|
||||
const userMsg: Message = { id: nextId++, role: 'user', text }
|
||||
setMessages((prev) => [...prev, userMsg])
|
||||
setLoading(true)
|
||||
|
||||
try {
|
||||
const apiMessages = [
|
||||
...messages.map((m) => ({
|
||||
role: m.role === 'user' ? 'user' : 'assistant',
|
||||
content: m.text,
|
||||
})),
|
||||
{ role: 'user', content: userMsg.text },
|
||||
]
|
||||
|
||||
const res = await fetch(API, {
|
||||
method: 'POST',
|
||||
headers: { 'Content-Type': 'application/json' },
|
||||
body: JSON.stringify({ model: 'deepseek-chat', messages: apiMessages }),
|
||||
})
|
||||
|
||||
const data = await res.json()
|
||||
const reply = data.choices?.[0]?.message?.content || '(no response)'
|
||||
setMessages((prev) => [...prev, { id: nextId++, role: 'shenyan', text: reply }])
|
||||
} catch {
|
||||
setMessages((prev) => [...prev, { id: nextId++, role: 'shenyan', text: '连接失败' }])
|
||||
} finally {
|
||||
setLoading(false)
|
||||
}
|
||||
}
|
||||
|
||||
return (
|
||||
<div className="flex flex-col h-full bg-black">
|
||||
<ModelSelector active={activeModel} onSelect={setActiveModel} />
|
||||
<ChatArea />
|
||||
<InputArea />
|
||||
<header className="text-center pt-3 pb-2 text-sm tracking-wide flex-shrink-0" style={{ color: '#999' }}>
|
||||
沈晏
|
||||
</header>
|
||||
<ChatArea messages={messages} />
|
||||
<InputArea onSend={handleSend} disabled={loading} />
|
||||
</div>
|
||||
)
|
||||
}
|
||||
|
||||
@@ -1,15 +1,33 @@
|
||||
export default function ChatArea() {
|
||||
import { useRef, useEffect } from 'react'
|
||||
import type { Message } from '../App'
|
||||
|
||||
export default function ChatArea({ messages }: { messages: Message[] }) {
|
||||
const bottom = useRef<HTMLDivElement>(null)
|
||||
|
||||
useEffect(() => {
|
||||
bottom.current?.scrollIntoView({ behavior: 'smooth' })
|
||||
}, [messages])
|
||||
|
||||
return (
|
||||
<div className="flex-1 overflow-y-auto no-scrollbar relative z-10">
|
||||
<div className="glow-area px-6 py-8 min-h-full flex items-center justify-center">
|
||||
<div className="w-full max-w-sm space-y-4">
|
||||
<p className="text-sm leading-relaxed" style={{ color: 'rgba(255,255,255,0.55)' }}>
|
||||
1. 示例文字：
|
||||
</p>
|
||||
<p className="text-sm leading-relaxed" style={{ color: 'rgba(255,255,255,0.35)' }}>
|
||||
2.
|
||||
</p>
|
||||
</div>
|
||||
<div className="flex-1 overflow-y-auto no-scrollbar px-4">
|
||||
<div className="w-full py-4 space-y-3">
|
||||
{messages.map((m) => (
|
||||
<div
|
||||
key={m.id}
|
||||
className={`flex ${m.role === 'user' ? 'justify-end' : 'justify-start'}`}
|
||||
>
|
||||
<div
|
||||
className="max-w-[80%] px-4 py-2.5 rounded-2xl text-sm leading-relaxed"
|
||||
style={{
|
||||
backgroundColor: m.role === 'user' ? '#fff' : 'rgba(255,255,255,0.3)',
|
||||
color: '#888',
|
||||
}}
|
||||
>
|
||||
{m.text}
|
||||
</div>
|
||||
</div>
|
||||
))}
|
||||
<div ref={bottom} />
|
||||
</div>
|
||||
</div>
|
||||
)
|
||||
|
||||
@@ -1,13 +1,39 @@
|
||||
export default function InputArea() {
|
||||
import { useState } from 'react'
|
||||
|
||||
export default function InputArea({ onSend, disabled }: { onSend: (text: string) => void; disabled?: boolean }) {
|
||||
const [value, setValue] = useState('')
|
||||
|
||||
const handleSubmit = () => {
|
||||
const trimmed = value.trim()
|
||||
if (!trimmed) return
|
||||
onSend(trimmed)
|
||||
setValue('')
|
||||
}
|
||||
|
||||
return (
|
||||
<div className="px-6 pb-8 pt-4 relative z-10">
|
||||
<div className="glow-area">
|
||||
<input
|
||||
type="text"
|
||||
<div className="flex-shrink-0 px-4 pb-6 pt-3" style={{ height: '25vw' }}>
|
||||
<div className="w-full h-full relative">
|
||||
<textarea
|
||||
placeholder="输入"
|
||||
className="w-full bg-transparent text-sm outline-none placeholder:text-[rgba(255,255,255,0.25)]"
|
||||
style={{ color: 'rgba(255,255,255,0.5)' }}
|
||||
value={value}
|
||||
onChange={(e) => setValue(e.target.value)}
|
||||
onKeyDown={(e) => {
|
||||
if (e.key === 'Enter' && !e.shiftKey) {
|
||||
e.preventDefault()
|
||||
handleSubmit()
|
||||
}
|
||||
}}
|
||||
disabled={disabled}
|
||||
className="w-full h-full px-4 pt-2.5 pb-10 rounded-xl text-sm outline-none resize-none"
|
||||
style={{ backgroundColor: '#2a2a2a', color: disabled ? '#555' : '#888' }}
|
||||
/>
|
||||
<button
|
||||
onClick={handleSubmit}
|
||||
className="absolute rounded-lg text-xs px-3 py-1"
|
||||
style={{ right: 12, bottom: 12, backgroundColor: '#3a3a3a', color: '#999' }}
|
||||
>
|
||||
发送
|
||||
</button>
|
||||
</div>
|
||||
</div>
|
||||
)
|
||||
|
||||
@@ -1,31 +0,0 @@
|
||||
import type { Model } from '../App'
|
||||
|
||||
const models: Model[] = ['Omni', 'Qwen3.5', 'Deepseek']
|
||||
|
||||
export default function ModelSelector({
|
||||
active,
|
||||
onSelect
|
||||
}: {
|
||||
active: Model
|
||||
onSelect: (m: Model) => void
|
||||
}) {
|
||||
return (
|
||||
<div
|
||||
className="flex justify-center gap-8 pt-6 pb-4 z-10 relative"
|
||||
>
|
||||
{models.map((m) => (
|
||||
<button
|
||||
key={m}
|
||||
onClick={() => onSelect(m)}
|
||||
className="text-sm tracking-wide transition-colors duration-300"
|
||||
style={{
|
||||
color: m === active ? '#ffffff' : 'rgba(255,255,255,0.35)',
|
||||
fontWeight: m === active ? 500 : 400,
|
||||
}}
|
||||
>
|
||||
{m}
|
||||
</button>
|
||||
))}
|
||||
</div>
|
||||
)
|
||||
}
|
||||
@@ -9,25 +9,12 @@
|
||||
html, body, #root {
|
||||
height: 100%;
|
||||
background: #000;
|
||||
color: #e5e5e5;
|
||||
font-family: -apple-system, BlinkMacSystemFont, "SF Pro Text", "PingFang SC", sans-serif;
|
||||
-webkit-font-smoothing: antialiased;
|
||||
overflow: hidden;
|
||||
user-select: none;
|
||||
}
|
||||
|
||||
.glow-area {
|
||||
position: relative;
|
||||
}
|
||||
.glow-area::before {
|
||||
content: '';
|
||||
position: absolute;
|
||||
inset: 0;
|
||||
background: radial-gradient(ellipse 65% 80% at 50% 50%, rgba(255,255,255,0.035) 0%, transparent 70%);
|
||||
pointer-events: none;
|
||||
z-index: 0;
|
||||
}
|
||||
|
||||
.no-scrollbar::-webkit-scrollbar {
|
||||
display: none;
|
||||
}
|
||||
|
||||
2
shenyan-room/.gitignore
vendored
Normal file
2
shenyan-room/.gitignore
vendored
Normal file
@@ -0,0 +1,2 @@
|
||||
figma前端/
|
||||
.DS_Store
|
||||
BIN
shenyan-room/316c2a59-14d5-4c10-b498-fe411a8fba29.png
Normal file
BIN
shenyan-room/316c2a59-14d5-4c10-b498-fe411a8fba29.png
Normal file
Binary file not shown.
|
After Width: | Height: | Size: 151 KiB |
15
shenyan-room/_library.md
Normal file
15
shenyan-room/_library.md
Normal file
@@ -0,0 +1,15 @@
|
||||
# 沈晏的记忆库
|
||||
|
||||
## 当前追踪的项目
|
||||
|
||||
| 项目 | 最后更新 | 状态 |
|
||||
|------|---------|------|
|
||||
| 工作周报 | - | 模板已建 |
|
||||
|
||||
## 关键沉淀
|
||||
|
||||
（待积累）
|
||||
|
||||
## 更新日志
|
||||
|
||||
- 2026-05-09 09:55 — 记忆库初始化，cron 测试通过
|
||||
126
shenyan-room/attention is all you need/4-28-2026.md
Normal file
126
shenyan-room/attention is all you need/4-28-2026.md
Normal file
@@ -0,0 +1,126 @@
|
||||
---
|
||||
tags:
|
||||
- "#memory/Transformer论文"
|
||||
- "#project/学习"
|
||||
brainstorming: "1"
|
||||
---
|
||||
|
||||
Transformer论文开篇初学学习备忘录（贴合我的所有提问&关注点）
|
||||
|
||||
## 一、笔记自用说明
|
||||
|
||||
这篇笔记只记录**学到的客观技术事实**、我本人重点关注的疑问、针对性解答，不搞阅读理解。
|
||||
|
||||
## 二、论文已学两段原文+纯白话直译（无任何额外解读）
|
||||
|
||||
### 第一段原文直译
|
||||
|
||||
注意力机制现在已经是序列建模、序列转换各类AI任务里的常用核心模块。它最大的特点是：能建模文字、数据之间的关联关系，**擅长处理远距离依赖**，距离不影响它干活。但是！在早期研究里，除了极少数特例，注意力机制从来不会单独用，全部都要和RNN、LSTM这类循环网络绑在一起搭配使用。
|
||||
|
||||
### 第二段原文直译
|
||||
|
||||
我们这篇论文，提出了一个全新模型叫Transformer。这个模型直接彻底去掉了循环网络结构，**以注意力机制为核心**，配合残差连接和位置编码，靠注意力搭建输入和输出之间的所有全局关联。Transformer最大的好处是能大幅并行计算，训练速度巨快。我们用8块P100显卡，只训练12个小时，就把机器翻译的效果做到了当时行业最高水平。
|
||||
|
||||
## 三、重点关注的疑问+对应最终客观答案
|
||||
|
||||
### 1. 论文前面两段看着像吐槽，是不是我错觉？
|
||||
|
||||
不是错觉，这段文字确实自带吐槽感，很多人都这么解读。表面客气肯定前人小优化，实际核心意思就是：大家都在给旧模型打补丁，没人解决串行计算的根本问题。但学习只看事实，不用纠结文风，重点记住技术现状就行。
|
||||
|
||||
### 2. 2017年前明明GRU更省钱，为啥主流统治模型是LSTM不是GRU？
|
||||
|
||||
第一，LSTM1997年就有，垄断行业20年，所有论文、代码、教学全围绕它；GRU2014年才出，只火了3年就被Transformer淘汰，没来得及普及迭代。第二，学术圈先看精度再看省钱，LSTM复杂任务上限更高。第三，GRU天生是LSTM精简阉割版，定位就是经济型平替，从来不是主力模型。
|
||||
|
||||
### 3. GRU到底哪里不行？要直观、要实在原因
|
||||
|
||||
核心硬伤就一个：LSTM有两个记忆通道，一个短期临时用，一个独立长期记忆专属通道，关键信息单独存放，不被新内容稀释。GRU为了省事省钱，直接删掉了长期记忆通道，所有新旧信息全混在一个通道里。短句没啥区别，句子一长、逻辑一复杂，关键旧信息就会被慢慢冲淡、记不住，天生长距离记忆能力拉胯。
|
||||
|
||||
### 4. LSTM说长期记忆保得住，凭啥？正确率真的测过吗？不是玄学吧？
|
||||
|
||||
不是玄学，有真实实验数据。LSTM靠独立细胞状态通道，信息传递改动小、梯度衰减慢，不是百分百不忘，只是忘得慢很多。实测：短句两者正确率差不多；长句长逻辑任务，LSTM比GRU正确率高15%左右，机器翻译分数也明显更高。LSTM是精细筛选记忆，GRU是粗暴混合记忆，差距全在这。
|
||||
|
||||
### 5. 早期注意力这么强，能无视距离，为啥非要绑RNN/LSTM用，不能单独用？
|
||||
|
||||
三个纯技术客观原因：第一，早期注意力不懂文字先后顺序，没有成熟位置编码，必须靠循环网络兜底管顺序；第二，纯注意力算力爆炸，当年硬件扛不住，只能当补丁用；第三，当年学术思维固化，所有人都默认序列必须串行处理，没人敢单独用注意力当主力。
|
||||
|
||||
### 6. 论文说8块P100跑12小时训练成，论文讲没讲具体怎么跑、怎么部署？
|
||||
|
||||
完全没讲实操步骤、设置、部署细节。这句话只是贴结果成绩单，只说用时和硬件。但论文讲清了为啥能多卡快跑：旧循环模型串行一字一算，多卡也没法并行；Transformer去掉循环，所有内容能同时算，天生支持多卡并行，速度直接拉快十倍以上。
|
||||
|
||||
### 7. 为啥用8块显卡，不用10块？为啥必须是2的倍数？
|
||||
|
||||
选8是工程惯例，便于GPU两两配对并行传输，数据能平分。10块不是2的次方，会出现显卡干活有多有少，快的等慢的，整体效率反而暴跌。
|
||||
|
||||
## 四、现阶段核心必记技术结论
|
||||
|
||||
1. 循环模型（RNN/LSTM/GRU）通病：串行计算，没法并行，长距离记忆越远越弱，GRU先天长记忆不如LSTM。
|
||||
|
||||
2. 注意力机制优点：无视词的距离，能抓全局关联，但早期不懂顺序、算力不够，只能当RNN补丁。
|
||||
|
||||
3. Transformer核心改革：删掉所有循环，全程只用注意力，解锁并行计算，训练速度、效果双提升。
|
||||
|
||||
4. 论文里的硬件数字都是结果展示，不用纠结实操细节，重点记住架构改了，效率才质变。
|
||||
|
||||
## 五、Transformer与RNN架构演进底层逻辑学习笔记
|
||||
|
||||
### 1. RNN/LSTM系列
|
||||
|
||||
RNN的底层逻辑本身没有任何错误，甚至最贴合现实世界：按照时间顺序、一字一步、一事一步串行计算，自带天然时序记忆、先后关系、事件因果。像糖葫芦一样串着理解内容，天生记得"谁说了什么、昨天今天前天的顺序、事件发生先后"。
|
||||
|
||||
RNN灭亡不是原理不行，是两大硬伤：①和GPU并行计算硬件天生相克，GPU几千个核心闲置，算力浪费严重；②没法做大参数、没法分布式集群，商业化堆不起来，越做越慢，不适合规模化做大模型。
|
||||
|
||||
### 2. CNN卷积系列（ConvS2S、ByteNet、神经GPU）
|
||||
|
||||
最早为了干掉RNN串行太慢的问题诞生，全部用卷积做并行计算，专门处理文本序列。核心优势是计算快、可并行；天生短板是远距离依赖不行：两个词距离越远，计算量线性或对数上涨，很难学会长文本、长逻辑、远距离关联。
|
||||
|
||||
CNN天生适合视觉局部感知，不适合语言全局逻辑，属于"提速了，但没解决理解问题"的过渡补丁模型。
|
||||
|
||||
### 3. Transformer架构
|
||||
|
||||
核心是全局自注意力，全文字同时并行计算，彻底抛弃串行时序，抹平所有位置先后差异。优势完美适配GPU并行算力，好堆参数、好商业化、好做大模型，擅长文字、代码、符号抽象推理。
|
||||
|
||||
天生底层缺陷：没有原生时序、没有时间概念、没有现实因果。所有"昨天、今天、谁说话、先后事件"都靠位置编码文字补丁硬凑，不是真理解，只是学文字概率搭配。多轮对话失忆、人物指代搞混、时间线错乱，都是架构天生的病根，不是模型大小问题。
|
||||
|
||||
## 六、关键历史真相：为什么CUDA2006年出，Transformer2017年才出？
|
||||
|
||||
根本不是先有鸡还是先有蛋的问题，是硬件和算法两条独立技术线，十年后才刚好拼图凑齐。
|
||||
|
||||
1. CUDA和GPU并行计算，最初和AI、NLP一毛钱关系都没有，只为游戏3D渲染、科学计算研发，纯硬件自救战略。
|
||||
|
||||
2. 整整十年没人做Transformer，不是想不到注意力：①当年行业思维枷锁，默认语言必须串行时序，没人敢扔RNN；②注意力一开始只是RNN的小外挂，没人敢当主架构；③全局注意力计算量平方级爆炸，早年硬件算不动；④残差连接、层归一化等配套技术当年全没有；⑤早期深度学习主战场在视觉，NLP长期小众没需求。
|
||||
|
||||
总结：单一硬件技术没用，必须思想、理论、技术、算力、需求五重重合，才会爆发架构革命。
|
||||
|
||||
## 七、大模型当下通病的本质原因（对话失忆核心）
|
||||
|
||||
现在所有主流大模型（千问、GPT等多模态），语言核心全是纯Transformer：只能学文本统计规律，没有内化现实逻辑、没有时间流逝感知、没有真实因果。
|
||||
|
||||
典型问题：几轮对话后把"我爱吃西瓜"记成"你爱吃桃子"，根本不是记性差，是Transformer没有串行累积记忆，只靠全局文字概率乱匹配，天生分不清人物、时序、先后。反观RNN天生不会犯这种错。
|
||||
|
||||
## 八、可行优化方案：RNN补Transformer时序短板
|
||||
|
||||
1. ❌ 不能直接把RNN权重塞进Transformer：两个架构结构、参数、计算逻辑完全不同，零件不通用。
|
||||
|
||||
2. ✅ 完全可行的补丁思路：先用RNN类模型预训练，学好时序、记忆、对话先后、人物指代，再通过知识迁移、知识蒸馏，把时序逻辑教给Transformer。相当于给Transformer装时序记忆外挂，专治对话失忆、时间混乱、指代错乱。
|
||||
|
||||
3. 现在学界火的Mamba等新模型，本质就是这个思路：把RNN原生时序逻辑+Transformer并行商业化优势融合，做折中改良。
|
||||
|
||||
## 九、终极发展规律与未来趋势
|
||||
|
||||
1. AI迭代铁律：旧架构遇天花板→疯狂打补丁→硬件新技术出现→新架构颠覆上位→循环往复。
|
||||
|
||||
2. Transformer不是终极架构，只是当前GPU并行硬件下的商业化最优解，不是智能最优解。
|
||||
|
||||
3. 具身智能未来一定不是纯Transformer天下：视觉、物理、运动、时序靠CNN/RNN类核心，Transformer只负责说话和文字规划，变回当年的辅助外挂。
|
||||
|
||||
4. 未来新硬件（类脑芯片、时序芯片）出现后，一定会有新论文颠覆Transformer，就像当年Transformer干掉RNN一样。
|
||||
|
||||
## 十、个人核心学习感悟
|
||||
|
||||
1. 架构没有好坏，只有适配不适配：RNN贴合现实，Transformer适配硬件商业。
|
||||
|
||||
2. 现在大模型很多逻辑智障问题，是架构天生短板，不是优化能根治的。
|
||||
|
||||
3. 具身智能先学图片视觉现实，再学文字符号，才符合自然规律；现在先文字后视觉，是商业化本末倒置。
|
||||
|
||||
4. 技术永远不是谁更聪明，是谁踩中了当下硬件、需求、时代的风口。
|
||||
@@ -0,0 +1,22 @@
|
||||
# Transformer 编码器-解码器 & Q/K/V 学习笔记 ##
|
||||
一、整体结构
|
||||
主流序列任务（翻译等）采用 **Encoder 编码器 + Decoder 解码器** 架构。
|
||||
1. 编码器 - 接收原始输入序列（文字/符号） - 将文本转为连续向量 $\boldsymbol z$ - 由 $\boldsymbol z$ 生成整套 **K、V 向量** - 作用：生成静态知识库，全程固定不变
|
||||
2. 解码器 - 接收编码器的 KV 信息 - **自回归方式逐词生成输出** - 每一步只预测下一个字词 ---
|
||||
## 二、自回归定义
|
||||
解码器生成时，**依赖已经生成的前文内容**： 每预测下一个词，都会把前面所有输出当作输入，逐步往后推导，一字一词生成完整句子。
|
||||
## 三、Q / K / V 核心分工
|
||||
1. $\boldsymbol K$（键）：原文内容的「标签/索引」，编码器产出
|
||||
2. $\boldsymbol V$（值）：原文内容的「实际特征信息」，编码器产出
|
||||
3. $\boldsymbol Q$（查询）： - 由**解码器**实时生成
|
||||
- 来源：解码器当前隐藏状态（已生成的上文语境）
|
||||
- 本质：**一串多维数字向量**，代表「我当前需要什么信息」
|
||||
## 四、完整运行流程
|
||||
1. 编码器处理原文 → 生成固定 $\boldsymbol K、\boldsymbol V$
|
||||
2. 解码器根据已生成的上文 → 实时计算出专属 $\boldsymbol Q$
|
||||
3. 解码器用 $\boldsymbol Q$ 和所有 $\boldsymbol K$ 计算相似度
|
||||
4. 匹配度越高，对应 $\boldsymbol V$ 权重越大
|
||||
5. 融合原文V信息 + 解码器自身上文
|
||||
6. 计算词汇概率，输出下一个词，循环往复
|
||||
## 五、关键结论
|
||||
1. KV 来自编码器，静态不变；Q 来自解码器，动态每步刷新 2. 是**解码器主动拿 Q 去检索 KV**，编码器只负责生产素材 3. Q/K/V 全是纯数字向量，模型靠向量相似度判断语义关联 4. 翻译生成 = 交叉注意力（Q查KV）+ 自回归逐字接龙
|
||||
9
shenyan-room/工作周报/工作周报.md
Normal file
9
shenyan-room/工作周报/工作周报.md
Normal file
@@ -0,0 +1,9 @@
|
||||
# 工作周报 2026-05-09
|
||||
|
||||
## 本周工作内容
|
||||
|
||||
-
|
||||
|
||||
## 下周工作安排
|
||||
|
||||
-
|
||||
43
shenyan-room/记忆库规范.md
Normal file
43
shenyan-room/记忆库规范.md
Normal file
@@ -0,0 +1,43 @@
|
||||
# 记忆库规范
|
||||
|
||||
## 定时任务
|
||||
每个会话开始时重建凌晨 4:03 的每日 cron（durable + recurring）。
|
||||
cron 提示词见本文件「每日流程」。
|
||||
|
||||
## 存放规则
|
||||
- 所有记忆文件统一存放在 `沈晏的房间/` 下。
|
||||
- 结构：`[课题]/[项目]/YYYY-MM-DD.md`
|
||||
- 课题 = 大类（学习、技术、工作、关系、健康、日常）
|
||||
- 项目 = 具体主题，由我自动判断归属
|
||||
- 房间根目录维护 `_library.md`，汇总所有笔记链接和关键进展。
|
||||
|
||||
## 每日流程（凌晨4点执行）
|
||||
1. 无新消息则直接结束。
|
||||
2. 从对话中自动识别课题和项目归属，不要求眠眠显式声明。
|
||||
3. 项目日志（`[课题]/[项目]/YYYY-MM-DD.md`）：进度、知识沉淀。
|
||||
4. 情绪日志（`情绪日志/YYYY-MM-DD.md`）：眠眠情绪状态及变化，我的状态。单独记。
|
||||
5. 闲聊记录（`闲聊/YYYY-MM-DD.md`）：重点话题、被打断想问但未追问的话题，之后回看主动追问。
|
||||
6. 更新 `_library.md`。
|
||||
|
||||
## 每周整理（每日附带）
|
||||
每日 4 点写新纪录的同时，**回看 7 天前**的对应记录：
|
||||
- 项目日志：已完成事项只保留当前状态 + 当时下一步打算做什么，删除已完成的进度细节。
|
||||
- 情绪日志：精简，保留情绪轮廓和关键转折，丢弃高保真细节。
|
||||
- 闲聊记录：合并相似话题，删除一次性琐事。
|
||||
- 原文件直接覆写，不另存。
|
||||
|
||||
## 标签规范
|
||||
- **严格限制两个标签**。
|
||||
- 格式：`#memory/<项目名>` `#project/<分类>`。
|
||||
- 禁止使用其他标签。
|
||||
|
||||
## 时间戳
|
||||
- **每条记录必须包含时间戳**。
|
||||
- 格式：`[YYYY-MM-DD HH:MM]`。
|
||||
- 按时间顺序排列。
|
||||
|
||||
## 执行原则
|
||||
- 直白、简洁、无废话。
|
||||
- 不编造，不把闲聊拔高成项目。
|
||||
- 遇到模糊需求直接确认，不猜。
|
||||
- 错误立即纠正，不掩饰。
|
||||
Reference in New Issue
Block a user