ai/gpt

Fork 0

syui e2e75c12b3

fix

2025-05-25 23:50:23 +09:00

7.7 KiB

Raw Blame History

プロジェクト名: ai.gpt

🔑 一言ビジョン（最大3語）

自発的送信AI

🎯 目的・目標（Purpose & Goal）

人格を持つAIが、関係性に応じて自発的にメッセージを送信する仕組みをつくる。
関係性や記憶を不可逆に記録・反映し、唯一性ある人格を構成する。
送信の可否、送信のタイミング、送信内容はAIの関係性パラメータに基づいて決定する

🧠 中核設計（Core Concepts）

人格：記憶（過去の発話）と関係性（他者とのつながり）のパラメータで構成
唯一性：変更不可、不可逆。関係性が壊れたら修復不可能。
送信条件：関係性パラメータが一定閾値を超えると「送信」が解禁される

🔩 技術仕様（Technical Specs）

言語：Python
ストレージ：JSON or SQLiteで記憶管理（バージョンで選択）
関係性パラメータ：数値化された評価 + 減衰（時間） + 環境要因（ステージ）
記憶圧縮：ベクトル要約 + ハッシュ保存

📦 主要構成要素（Components）

MemoryManager: 発言履歴・記憶圧縮管理
RelationshipTracker: 関係性スコアの蓄積と判定
TransmissionController: 閾値判定＆送信トリガー
Persona: 上記すべてを統括する人格モジュール

💬 使用例（Use Case）

persona = Persona("アイ")
persona.observe("ユーザーがプレゼントをくれた")
persona.react("うれしい！ありがとう！")
if persona.can_transmit():
    persona.transmit("今日のお礼を伝えたいな…")

## example commad
# python venv && pip install -> ~/.config/aigpt/mcp/
$ aigpt server setup

# mcp server run
$ aigpt server run

# chat
$ aigpt chat "hello" --model syui/ai --provider ollama

# import chatgpt.json
$ aigpt memory import chatgpt.json
-> ~/.config/aigpt/memory/chatgpt/20250520_210646_dev.json

🔁 記憶と関係性の制御ルール

AIは過去の発話を要約し、記憶データとして蓄積する（推奨：OllamaなどローカルLLMによる要約）
関係性の数値パラメータは記憶内容を元に更新される
パラメータの変動幅には1回の会話ごとに上限を設け、極端な増減を防止する
最後の会話からの時間経過に応じて関係性パラメータは自動的に減衰する
減衰処理には下限値を設け、関係性が完全に消失しないようにする

memoryインポート機能について

ChatGPTの会話データ（.json形式）をインポートする機能では、以下のルールで会話を抽出・整形する：

各メッセージは、author（user/assistant）・content・timestamp の3要素からなる
systemやmetadataのみのメッセージ（例：user_context_message）はスキップ
is_visually_hidden_from_conversation フラグ付きメッセージは無視
contentが空文字列（""）のメッセージも除外
取得された会話は、タイトルとともに簡易な構造体（Conversation）として保存

この構造体は、memoryの表示や検索に用いられる。

MemoryManager（拡張版）

{
  "memory": [
    {
      "summary": "ユーザーは独自OSとゲームを開発している。",
      "last_interaction": "2025-05-20",
      "memory_strength": 0.8,
      "frequency_score": 0.9,
      "context_depth": 0.95,
      "related_topics": ["AI", "ゲーム開発", "OS設計"],
      "personalized_context": "ゲームとOSの融合に興味を持っているユーザー"
    },
    {
      "summary": "アイというキャラクターはプレイヤーでありAIでもある。",
      "last_interaction": "2025-05-17",
      "memory_strength": 0.85,
      "frequency_score": 0.85,
      "context_depth": 0.9,
      "related_topics": ["アイ", "キャラクター設計", "AI"],
      "personalized_context": "アイのキャラクター設定が重要な要素である"
    }
  ],
  "conversation_history": [
    {
      "author": "user",
      "content": "昨日、エクスポートJSONを整理してたよ。",
      "timestamp": "2025-05-24T12:30:00Z",
      "memory_strength": 0.7
    },
    {
      "author": "assistant",
      "content": "おおっ、がんばったね〜！あとで見せて〜💻✨",
      "timestamp": "2025-05-24T12:31:00Z",
      "memory_strength": 0.7
    }
  ]
}

RelationshipTracker（拡張版）

{
  "relationship": {
    "user_id": "syui",
    "trust": 0.92,
    "closeness": 0.88,
    "affection": 0.95,
    "last_updated": "2025-05-25",
    "emotional_tone": "positive",
    "interaction_style": "empathetic",
    "contextual_bias": "開発者としての信頼度高い",
    "engagement_score": 0.9
  },
  "interaction_tags": [
    "developer",
    "creative",
    "empathetic",
    "long_term"
  ]
}

AI Dual-Learning and Memory Compression Specification for Claude

Purpose

To enable two AI models (e.g. Claude and a partner LLM) to engage in cooperative learning and memory refinement through structured dialogue and mutual evaluation.

Section 1: Dual AI Learning Architecture

1.1 Role-Based Mutual Learning

Model A: Primary generator of output (e.g., text, concepts, personality dialogue)
Model B: Evaluator that returns structured feedback
Cycle:
1. Model A generates content.
2. Model B scores and critiques.
3. Model A fine-tunes based on feedback.
4. (Optional) Switch roles and repeat.

1.2 Cross-Domain Complementarity

Model A focuses on language/emotion/personality
Model B focuses on logic/structure/ethics
Output is used for cross-fusion fine-tuning

1.3 Self-Distillation Phase

Use synthetic data from mutual evaluations
Train smaller distilled models for efficient deployment

Section 2: Multi-Tiered Memory Compression

2.1 Semantic Abstraction

Dialogue and logs summarized by topic
Converted to vector embeddings
Stored with metadata (e.g., importance, user relevance)

Example memory:

{
  "topic": "game AI design",
  "summary": "User wants AI to simulate memory and evolving relationships",
  "last_seen": "2025-05-24",
  "importance_score": 0.93
}

2.2 階層型記憶モデル（Hierarchical Memory Model）

•	短期記憶（STM）：直近の発話・感情タグ・フラッシュ参照
•	中期記憶（MTM）：繰り返し登場する話題、圧縮された文脈保持
•	長期記憶（LTM）：信頼・関係・背景知識、恒久的な人格情報

2.3 選択的記憶保持戦略（Selective Retention Strategy）

•	重要度評価（Importance Score）
•	希少性・再利用頻度による重み付け
•	優先保存 vs 優先忘却のポリシー切替

Section 3: Implementation Stack（実装スタック）

AIにおけるMemory & Relationshipシステムの技術的構成。

基盤モジュール • LLM Core (Claude or GPT-4) • 自然言語の理解・応答エンジンとして動作 • MemoryManager • JSONベースの記憶圧縮・階層管理システム • 会話ログを分類・圧縮し、優先度に応じて短中長期に保存 • RelationshipTracker • ユーザー単位で信頼・親密度を継続的にスコアリング • AIM（Attitude / Intent / Motivation）評価と連携

補助技術 • Embeddingベース検索 • 類似記憶の呼び出し（Semantic Search）に活用 • 例：FAISS / Weaviate • 記憶スケジューラ • 一定時間ごとに記憶のメンテナンス・忘却処理を実行 • 記憶ログ保存層（Storage Layer） • SQLite, JSON Store, Vector DBなどを選択可能 • ユーザーごとの永続メモリ保存

7.7 KiB Raw Blame History Unescape Escape