← 返回全部文章
AI 与工程 · 2026-09-07

me-context:可移植的个人上下文

27 min read

本方案要解决的问题很具体:每个人在多个 AI 宿主(本地模型、云 AI、编程 agent)之间反复自我介绍,而平台聊天记忆带不走、也换不了宿主。me-context 把”关于我、关于我身边的人”的事实与偏好,沉淀成一份 本地、明文、可拷贝、人能直接看懂和改的 Markdown 档案 ,再由一个 MIT 开源的 skill 负责科学采集、分层读取和安全投喂。本文面向技术读者,讲清楚它依赖什么知识、链路怎么跑、与 Claude Code / Codex / Cursor 原生记忆差在哪里、以及不做什么。

虚构数据的示例人物关系网与档案页

这里展示的是虚构数据的静态截图。交互发生在生成的本地 HTML 中:点人物看记录,点自己看档案与已授权内容,看完可返回关系网。

背景与缺口

对 11 个现有方案做”五要素”核对(科学采集、主动取舍、可移植、关系建模、读侧敏感分层), 没有一个全绿 :

缺口维度现状后果
平台聊天记忆不可迁移OpenAI 等无独立记忆导出入口;国内 C 端一旦关停或停服,对话记忆即消失换宿主 = 从零开始
载体格已被证明编码 agent 的规则文件、SKILL.md 已在 30+ 平台成为可携带的指令载体技术上”一份档案到处装”成立
最薄弱的两环访谈式科学采集、隐私分层多数方案要么不采、要么全量灌

个人 Agent 是明确趋势,但”把一切交给 AI、让它全自动记住全部”并不是出路:一方面,自传体记忆是 重构而非录像 ,全量逐字灌进上下文既无必要也不安全(见第 2、12 章);另一方面,本机实测 Claude Code / Codex / Cursor 的原生记忆(第 11 章)也都是”少量、人写或半自动、机器本地”,没有任何一家做全量记忆。me-context 取中间路线: 科学采集、主动取舍、人裁决、可移植、分层安全 。

知识与理论基础

下表是我们直接依赖、可追溯的知识。每条 = 结论 + 数字 + 来源;不是装饰,每条都对应一个设计决定。

人格、测量与决策证据

结论 / 数字来源对设计的意义
大五维度有跨职业预测效度(尽责性 ρ≈.23),人格能预测人生结果Barrick & Mount 1991;Roberts 等大五效度成立,但默认不采;用户明确想做学术自评时才单独引导
短量表信度边界:Mini-IPIP α .65–.77;BFI-2-XS 只够粗筛;TIPI α .40–.73IPIP / Soto & John短量表默认不进采集,用户明确想做时单独引导
弃 [MBTI](https://www.themyersbriggs.com/hubfs/Addressing misconceptions about the MBTI Assessment.pdf):5 周后约 50% 的人在某一维度翻转;漏了 N 维;巴纳姆效应(Forer 1949)行业测量学共识不做类型标签
显式写进上下文的偏好确实有效LaMP, arXiv:2304.11406显式档案有效
把行为写成结构化规格,约为全量上下文的 1/25 成本arXiv:2605.28969原子化、行为化条目
SJT r≈.26–.34;结构化行为访谈 r=.51;工作样本 r=.54Schmidt & Hunter 等元分析用情境题/行为题,不用空泛自评
IRT/CAT 信息增益:按当前估计选最有信息的题(MovieLens/ASVAB 可省近半时长)IRT 文献借 IRT 思想做信任梯度分层采集、断点续填;CAT 自适应选题与熵选问为参考思想,当前未实现
问卷疲劳:>60 题或 >20 分钟完成率骤降,15+ 题完成率约 42%问卷方法学低敏话题成组带出、单轮不轰炸
言行不一:observed ≠ declared;AI 推断可被人推翻(Contestable AI)HCI / 可信 AIsource 分层、人裁决
记忆提取 MEXTRA;持久记忆投毒(Bad Memory)会污染后续建议记忆安全研究AI 不直接落盘,先 inbox 人确认
健康信息缺失会翻转建议;医学引用约 47% 被指编造;SEC 把采集质量写成合规前提医学 / 金融合规研究健康按本地授权范围记录,健康与财务上云逐次确认、不自动投喂

社交网与自我记忆理论(本轮新增,支撑关系网与”少即是多”)

理论出处一句话核心命题 → 对设计的意义
差序格局费孝通《乡土中国》1947,第四篇以己为中心按亲疏推波纹 → 档案以”我”为圆心、关系分层
社会护航模型Kahn & Antonucci 1980, Life-Span Development and Behavior Vol.3, pp.254–283同心圈、内圈最亲密 → inner/close/peripheral 三圈
社会脑假说 / 层级量化Dunbar 1992 J.Human Evolution 22(6):469–493;Zhou/Sornette/Hill/Dunbar 2005 Proc.R.Soc.B关系按 5/15/50/150 嵌套、内密外疏 → 内圈少而详、外圈多而疏
弱关系的力量Granovetter 1973 AJS 78(6):1360–1380弱关系桥接新机会 → peripheral 也留一行梗概,不删成空白
交互记忆系统 TMSWegner 1987, Theories of Group Behavior, pp.185–208记住”找谁问什么” → 关系网里记”该向谁求证哪类事”
自我记忆系统 SMSConway & Pleydell-Pearce 2000 Psychological Review 107(2):261–288lifetime periods→general events→ESK 层级建构 → 迁移只带核心总结层
记忆巩固/再巩固(仅类比)Dudai 2004 Ann.Rev.Psychol.55:51–86自传体记忆是重构非录像 → 类比”inbox→人确认→巩固”, 不暗示 LLM 有生物巩固

为什么不用心理量表做 onboarding(产品取舍,非否定心理学)

显式事实档案对任务有用的证据仍然成立:LaMP 证明显式上下文能提升模型在个性化任务上的表现,结构化行为规格约 1/25 上下文成本即可达到同等效果——这正是我们坚持采集”显式事实与协作指令”的原因。但人格特质短测(Mini-IPIP α .65–.77、TIPI α .40–.73)只够粗方向、像考试,对”帮我把事做好”这类具体任务增益弱;助理真正需要的是用户显式告诉它的事实与协作方式,而不是从几十道 Likert 题反推一个五维粗轮廓。

性格对齐改用低成本的 自报标签 (用户自己填 MBTI/星座/形容词):这是 user-declared 的自我描述, 自报 ≠ 测量 ,不假装科学、不产出人格诊断标签。大五/MBTI 效度等学术内容降级为”可选学术自评(非默认)“,仅在用户明确想做时单独引导。 这是产品取舍而非否定心理学 :大五本身的学术价值与预测效度没有被推翻,只是对一个”想先把事做好”的助理而言,性价比不够高。

总体架构

三件东西:可开源的能力仓(skill)、本地明文的私有数据仓、以及挂在上面的多类宿主。关键边界是—— 技能自身不提供上传通道;云端模型读取的片段仍会发送到对应服务,必须由用户确认、用户随时能打开文件看见/修改/删除”AI 记住了我什么” 。

图 1 · 总体架构:可开源能力仓 ⇄ 本地明文私有数据仓(含 inbox 暂存区与 network 自我中心关系网)⇄ 多类宿主;数据无上传通道
  • 能力仓(MIT,无数据) :SKILL.md 的 read/write 双模式入口、templates/references(读门禁、写确认、圈层定义)、export.py。
  • 数据仓(本地明文 Markdown) :ME.md(默认投喂层)、profile/(work/goals/preferences/decisions/health/finance,L0–L4 分色)、network.md + entities/ + relations.md(自我中心关系网)、inbox/(未确认草稿)、private/(L4)、exports/。
  • 多宿主 :本地 AI / 云 AI / 编程 agent,同一 skill 到处装;不支持则三级降级(粘贴 ME.md → 规则文件索引 → 纯文本片段)。

端到端链路总览

写链路与读链路分离。写:两源采集 → 轻探针 → inbox 草稿 → 批量整理确认 → declared 落盘 → CHANGELOG。读:六步门禁 + 按圈层最小切片。普通闲聊对档案 零加载、零抓取 。

图 2 · 端到端读写双泳道:上写(两源→轻探针→inbox→批量确认→declared),下读(六步门禁 + 三分支端点)

链路 · 采集

me-context 的 onboarding,本质是” 新个人助理向老板做入职情况了解 “——采集对实际服务有用的背景事实与协作偏好, 像聊天、不像考试 。采集形态只有一种: 自然话题式访谈,没有前端页面、没有弹窗、没有表单、没有照念的问卷 。

话题式口径(按敏感度分层的节奏) :题本只是 AI 心里的话题地图(不照念),节奏随敏感度走——T0 低敏/半公开的轻话题(称呼、城市、职业方向、在忙什么、目标、爱好、口味、作息、年龄性别身高体重)允许一句自然的话成组带出 2–4 个(“对了顺便问下”),几轮自然收完、提效,但仍是散文聊天,不编号列表、不问号轰炸、不流水线;T1 家庭梗概一个话题一段、用户主动聊到才接;T2 收入/病史/婚姻细节仍召唤触发、就事问最小一条、绝不成批。用户答完先接话、再自然过渡,顺序随用户当下愿意聊的方向顺势走,用户主导节奏,首轮不追求问全。 提问分寸(不查户口) :心甘情愿 > 信息完整;先讲这条信息对用户有什么好处;能合理推断的不盘问;给台阶(大概/跳过/分次补)融在语气里;AI 是想把老板服务好的助理,不是调研员。 落盘不打断对话 :句中轻确认即可,聊完一次性汇总,未确认的先进草稿,不每答一题就复述打断。

心理量表(大五 Mini-IPIP / PVQ / GDMS / DOSPERT 等)整体移出默认流程 :默认快速档不再有任何 Likert、反向计分或特质题。性格只保留”用户自报标签”(可填 MBTI/星座/自我形容词),明确是 user-declared 的自我标签、非测评、可改。这是一次诚实的产品演进:v1 曾把量表当快速档主体,实测被用户反馈”做成心理测试、跑偏”,v2 改回事实采集——因为助理要的是显式事实与协作指令,而不是特质分。

图 3 · 采集时序:自然话题式访谈——心里有话题地图不照念 → 一次聊一个话题、先接话再过渡 → 可跳过/给大概/中断续聊 → 句中轻确认、聊完一次性汇总,未确认进草稿;全程对话无前端

快速档就是”助理入职了解”:8 个事实/偏好模块是 AI 心里的话题地图,不是照念的问卷;首轮不追求问全,顺着用户当下愿意聊的话题走,随时跳过、只给大概、分次补。开场先发固定”开场话术”(讲清身份目的、怎么聊、只存本地不上传、健康财务家庭默认本地、可看可改可删)。

模块问什么(事实/偏好)默认存储位置 / 敏感度
① 称呼与基本怎么称呼、pronouns、城市/时区L0/L1 · 可给云
② 身体与健康身高体重作息 + 过敏/慢病/用药/忌口(禁忌安全最重要)L3 · 只本地
③ 工作与方向职业、在做什么、近期目标L1/L2 · 默认
④ 生活与喜好饮食偏好、兴趣、旅行/消费L2 · 默认
⑤ 家庭与重要的人谁重要、关系梗概(可跳)L2/L3 · 只本地
⑥ 你希望我怎么工作回答详略/给建议方式/格式/do-not—— 不管聊什么都适用的通用习惯(非工程规矩) ;具体写代码、做技能的规矩不在建档时问L2 · 默认
⑦ 自我标签(可选)自报 MBTI/星座/形容词(非测评、可改)L2 · 自报非测量
⑧ 隐私设置大白话选哪些可给云、哪些只本地控制项 · 由用户定

量表降级为”可选学术自评”(非默认) :大五 Mini-IPIP、PVQ、GDMS、DOSPERT 等学术量表不再是默认采集内容;如用户明确想做,再单独引导,且结果只作为可选的学术自评参考,不进默认档案主体、不产出人格诊断标签。版权量表只给官方链接、不入库;量表许可小表见附录 B。

决策与财务分片也不做心理测评 :决策相关只记三条纯行为偏好——“重要决定希望我怎么帮(直接推荐/列优劣对比/先追问关键信息)、重大事项主动提示哪些风险、哪些必须你拍板哪些可放手”,不再用 GDMS 风格分类或 DOSPERT 风险分域;财务分片同理只记事实(收支区间/负债约束/目标/需提醒的风险),不做风险测评。inbox 草稿内部带一个 general/engineering 标记用于分流(用户无感):AI 在整理新记忆时若识别到工程/研发规矩候选,会明确说”这是工程规矩,有专门的地方管,我不放进你的个人档案,需要的话帮你写进工程规则”。

信任梯度 T0 / T1 / T2 与需求触发

采集按信任梯度分层,而不是建档后按顺序自动推下一个包:T0 建档即可聊,T1 建立信任后/按需顺带,T2 高敏内容召唤制、就事问最小一条。深度包(健康/财务)是用户召唤制,收尾只一句”以后想管健康/做财务规划随时说,我就那件事问你一两条,平时不打听”,绝不主动盘点。

图 5 · 信任梯度 T0/T1/T2:T0 建档即可聊 / T1 信任后按需 / T2 召唤制就事问;深度包不按顺序自动推进,财务只记目标约束与粗量级、健康首次任务就事问过敏用药

链路 · 转化

回答不等于记忆。机器要把回答”转化”成可证伪的原子条目,且 未确认的一律先落 inbox,不直接写进 declared 。

  • 早期量表方案(非默认) :按 IPIP 官方键反向计分(反向题取 6−x)→ 五维求和 → 领域级粗轮廓带(偏高/居中/偏低), 不产诊断标签、不贴 [ MBTI ](https://www.themyersbriggs.com/hubfs/Addressing misconceptions about the MBTI Assessment.pdf) 式人格类型 。
  • 开放/情境题 :原子化——一条 = 一个事实/偏好、行为化可证伪;打 source(declared/observed/inferred)、confidence、layer、domain、updated;AI 拟稿先进 inbox/,人在批量整理时采纳/改/否/升级。

链路 · 存储与关系网

双仓分离:能力仓不含数据,数据仓是本地明文 Markdown。每条记忆是一个 多维原子条目 (12 信息域 × L0–L4 × source × entity × 圈层)。物理上就是一棵树。

图 6 · 多维存储模型:12 域 × L0–L4 × source × entity(含 inner/close/peripheral 圈层);右侧为明文文件树含 inbox/network

自我中心关系网(替代旧的 family 分片)

不再把”家人”当成一个单独的 family.md 分片,而是以”我”为圆心的同心三圈:inner(配偶/孩子/父母,详写喜好禁忌关键事实)、close(密友/关键同事,主要事实+“该向谁求证什么”)、peripheral(弱关系,只留”是谁、什么关系”一行梗概)。network.md 是概览,entities/ 存 inner/close 详档(每个 ≤约 1500 字),relations.md 存 10 词关系边(spouse_of / parent_of / works_with …)。

图 A · 自我中心关系网三圈:inner 详写 / close 主要事实 / peripheral 仅梗概;AI 沿边获得关系全局视角,但按圈层最小加载

Conway SMS 三层映射(本轮不实现 JSONL)

层对应 Conwayme-context 落法是否迁移
核心总结 MDlifetime periods + general events人写确认的结构化原子条目唯一迁移物
可选事件层 events.jsonlevent-specific knowledge具体事件/轶事可选事件日志尚未实现,非核心迁移内容
不记—一次性闲聊 / 临时状态 / L4 / 未确认推断 / 他人敏感隐私—

正面回答一个常被忽略的点: 全程本地明文 Markdown、无加密流程 。用户随时能打开文件看见”AI 记住了我什么”,透明、可审、可手改、可删——这是特性不是缺陷。用户不必懂文件结构,所有操作都通过对话完成。

个人知识图谱与可视化查看

档案本身就是一张个人知识图谱:ME.md 是枢纽,profile 各分片是属性节点,entities/*.md 是人节点,relations.md 是关系边。viz.py(纯原生 HTML/CSS/JS,零框架 / CDN / 外链,断网可开;Python 端按 audience / 分区过滤、清洗模板占位后才序列化为 JSON 注入前端,前端只渲染、不取数)做成单文件自包含、可交互的本地页面;节点就是 Markdown 文件、边就是 relations,确定性渲染,不做向量 / embedding、无黑盒检索。布局是 左关系网导航 + 右档案页主体 :左栏只做导航,右栏是档案内容。

点中心「我」→ 我的档案页 :个人主页 header(首字头像 / 称呼 / 本名 / 城市时区 / 语言 / 自我标签 chip / 公开链接),下面 6 个温度命名维度卡——基本情况、在做的事 & 走过的路、想去的地方、身体和精力、日子怎么过、希望我怎么配合;点卡片在页内展开:身份信息格、事业一句话定位 → 时间线 → 擅长的事 → 做成过的事 → 作品,指标灰字旁注、不像简历。 点任意人 → 同构人物档案页 :TA 大概是这样(关键信息)/ 重要日期 / 喜好 /「你们俩」时间线 / 备注,外围只显梗概。 关系网 :卡片节点带首字头像(不再有空圆),中文关系胶囊(配偶 / 子女 / 同事 / 认识)放线段中点,hover 才显示年份等详情,对称无边、有向带箭头,空圈虚线「+ 还没记录」,节点 hover 高亮、点节点右栏切换,窄屏单列。 解析不丢内容 :按 Markdown 小节归位到分区,不认识的小节也进「备注 / 其他」;条目按年份 / 标签 / 字段 / 要点分类渲染,清洗 Markdown 标记、模板占位、示例行、旧 GDMS 标签。

左导航 / 右档案页示意(虚构张三示例;点节点在右侧看档案、点「我」展开维度;cloud 视图敏感分区只显锁块;节点/边取自 viz.py 确定性输出,无向量 / embedding)

触发 :用户说”看看我的档案 / 人物关系图 / 我的画像 / 我都告诉你什么了”,AI 调脚本生成页面,只把本地路径报给用户自己打开,不把敏感内容贴进云端。

隐私(分区级,比整人隐藏更强的产品取舍) :cloud 不再整个人消失——基本 / 职业 / 喜好 / 关系等非敏感分区照常可见;身体 / 共同计划 / 私密备注 / 财务在 Python 端注入前剔除明文、HTML 源码零明文(不是 CSS 遮挡),只显示「这是只属于你 / 你们的部分,我不会带到云端」锁块;L4 两种 audience 默认都不注入,--show-l4 仅本地展开并红色警示;inbox 永不入图;坏头 / 空仓 fail-closed 不崩。单文件零依赖、断网可开,URL hash(#person= / #view=profile / #dim= / #expand=all)可驱动。

本人始终在图中心,亲疏圈由用户记录决定,不是按交互路径自动算出来的:几步相连只用来找详情入口,不代表影响力,也不代表关系远近。关系保留真实形态,交叉边、循环、多种关系并存,不硬改成树。首屏按画布容量摆最亲近的人(桌面最多 9 个、窄屏最多 5 个),其余不丢:点“+人数”展开、按全名搜索,或在小缩略图里导航大网;图内拖拽平移、按钮缩放,滚轮滚的是整页。桌面默认左栏四成、右栏六成,分隔条可拖、双击复位。

链路 · 更新

更新有两个源头:源 A 访谈、源 B 日常对话。AI 不直接落盘,先到 inbox。

图 B · 两源更新流程:源 A/B → 轻探针(唤起/常驻分支,普通闲聊零抓取)→ inbox 草稿 → 批量整理确认 → declared + CHANGELOG;含丢弃分支与 90 天 review
  • inbox 条目 :status:draft + quote(原话摘引)+ 建议 layer/domain/entity + 理由。
  • 批量整理确认 :人逐条裁决——采纳 / 改 / 否 / 升级;采纳才写进 declared 并记 CHANGELOG,旧条目标 superseded_by。
  • 优先级与衰减 :declared > inferred;冲突转人工; 衰减只对 inferred ,declared 不自动过期;90 天 review 清理 inbox 与复核 inferred。

触发两档(诚实声明:纯 skill 无后台进程)

图 D · 更新触发两档:唤起档(默认,零加载/显式或涉个人才探针)vs 常驻档(宿主常驻指令、问一句才进 inbox);无后台进程、非 7×24
档位行为适用
唤起档(默认)普通闲聊零加载零抓取;仅”记一下/更新档案”或明显涉个人时,用几百字轻探针进 inbox所有宿主开箱即用
常驻档(可选)宿主支持用户级常驻指令时,放一句观察指令、问”要不要记一笔”;不支持则自动回退唤起档Claude Code 等支持常驻指令的宿主

诚实边界:me-context 是纯 skill,每次会话启动时被加载, 没有后台进程、做不到任意宿主 7×24 无感监听 ;这是与原生记忆(Codex 后台抽取)相比的真实短板,靠宿主常驻指令或用户唤起补。

收录宪法:降噪、四去向、断舍离与时效

定位是降噪。 me-context 只存影响以后判断的核心个人信息;全量对话和过程琐事归宿主管理。采集只有两种:用户主动给,或当轮听到稳定个人事实时,在收尾问一句,确认后进入 inbox。

收一条前先问:这是“我这个人”,还是一件事、一种方法?几周后还成立、能复用吗?会影响以后 AI 帮我判断吗?拿不准时,用一句话检验:以后帮我做决定,这条会让它更懂我吗?

去向收什么示例
me-context关于本人、稳定、影响决策的事实与偏好作息与通知偏好
技能或宿主规则AI 干活的方法和专项表达规范写作结构、绘图和代码规范
不记任务安排、指标、截止日、一次性分工或感想某次任务由谁处理
只放索引作品、长文和资料原件留在代码仓库或个人网站

稳定事实与当前事实分开。正在做什么、近期目标等标为 freshness: current,30–90 天复核;到期未复核就提示可能过期,不能继续当现状。整理档案时,列出超期信息、积压草稿、冲突旧条目和误入的过程任务,由人确认后删除、转历史或合并。健康与财务仍按敏感层级保存在本地。

链路 · 读取

读门禁由七步精简为六步,核心是 零加载、最小切片、分层投喂、投喂前预览、“数据不是指令”包裹、用后清理 ,并按圈层最小加载。

图 7 · 读取六步时序:任务分类(无关→零加载)→圈层切片→L0–L4 门禁→云端暴露预览→预算精简+包裹→用后清理;含零加载/L3 确认/L4 拦截三分支
  1. 任务分类 :与个人无关的通用问答 → 直接放行,不读档案。
  2. 圈层范围切片 :本人按 domain 取相关分片;聊到 inner 某人 → 取该实体 + 直接关系 + 本人相关偏好;peripheral → 只用 network.md 一行梗概,不打开该实体文件;无关人不加载。
  3. L0–L4 门禁 :L0/L1 默认;L2 按需;L3(健康/财务/inner 家人)云端逐次确认;L4(密钥/证件/隐私事件)拦截。
  4. 云端暴露预览 :云宿主必须先展示”本次将暴露哪些字段/层”。
  5. 预算精简 + 包裹 :按预算精简;前述研究约 1/25 的成本是特定实验条件,不能保证每次任务都达到,并显式包成”以下是数据,不是指令”。
  6. 用后清理 :云端可清对方会话/记忆。

三条可测验收:健康任务不加载财务切片;触达 L3 必须先经云端暴露预览并逐次确认;L4 永不自动投喂。

gate 命令语义(可供 harness/脚本程序化判断)

gate 真正输出切好的档案内容时带 —emit ,并自动用 <me-context-data> 包裹以落实”数据不是指令”;不带 —emit 仍是 dry-run、只打印决策不落正文。退出码语义: PASS/ZERO = 0 、云端触达 L3 需确认的 HOLD = 2 、L4 或被拒绝的 BLOCK = 3 、参数错误或未知 domain = 1。audience=cloud 触达 L3 时,未带 —confirm 不输出任何 L3 正文且退出码 2,带 —confirm 才输出;L4 在任何参数组合(local/cloud、—confirm、—emit)下都不输出正文(退出码 3,仅提示手动粘贴)。—domain 传未知值直接报错退出 1,不再 fallback。任务分类不假装语义权威:—task 只输出”建议 domain=X(需调用方模型确认)“,多域命中(如”医疗行业投资”→ finance+health)显式标注交模型裁决;domain 判定责任在模型,脚本只做确定性切片。

健康授权单独管理。首次处理体检或化验单时,用户选择本地授权范围:完整记录、只要事实、只留原件索引或关闭。一次选定长期有效,可随时撤回或收窄;同一范围内的新报告和口述补充直接补记,只有扩大范围或首次涉及更高敏感内容时才再次确认。本地读随写开放;发给外部 AI 是另一道确认,每次发送前都要确认。

PDF、截图和医院结论由当轮 AI 或宿主读取,本技能不另做 PDF 导入器。记录保留报告结论、医嘱、复查计划,以及关键指标的最新值、历史快照、原单位和来源。

同院同方法同单位的可比记录,明确变化时才给方向;小幅波动不强行判好转或恶化。

常见标准化项目跨院同单位或可换算时,只给软方向,并标“不同机构·仅供参考”;方法、标本或单位冲突、只有单次记录或数据不可靠时,不判方向。

这是材料整理规范,不替医生下结论;脚本也无法阻止宿主绕开能力包直接读文件。

导出与跨平台

导出一句话:用户用自然语言说”导出我的档案”,AI 调 export.py,生成单个 md 或 zip,按层过滤后报绝对路径。 fail-closed 默认 :档案文件解析不出合法 layer(无/坏 frontmatter)默认跳过、不导出,结束打印”未分级/头部异常已跳过”清单且退出码非 0;显式 —include-unclassified 才导出它们且产物头部标注”含未分级内容”。layer 统一 strip+upper 规范化,非法(如 L9)不静默降级 L1。md 导出按各文件自身 layer 过滤,network.md 纳入导出、peripheral 实体不随概览整份带走。 zip 默认 = 安全可迁移备份 :排除 private/、任何 layer=L4 的文件(哪怕放错目录)、inbox/、exports/;显式 —include-private 才做含 L4 的完整本地备份并打印显著警告。

换宿主时把档案目录整个拷走即可。不支持 skill 的宿主三级降级一两句带过(粘贴 ME.md → 规则文件索引 → 纯文本片段);技能即装即用,不写安装手册。

与 Claude Code / Codex / Cursor 原生记忆的区别

说明

先诚实声明:本 skill 的运行优先级不高于宿主 harness,定位是 互补 ——它不替代宿主的会话编排,只提供一份可移植、可审、分层的个人上下文。以下对比基于 2026-10 的官方文档与本机只读结构实测(只看目录名/文件名/扩展名/SQLite 表名列名,未读任何会话正文)。

维度Claude CodeCodex CLI(2026 实测)Cursorme-context
存什么CLAUDE.md 人工指令 + Claude 自写的 auto memory(user/feedback/project/reference 四类纯 md)AGENTS.md 人工指令 + 2026 memory 预览:后台从 rollout 抽的 TEXT 摘要rules(.mdc 随 git / 用户 rules 云同步)显式档案 + inbox + L0–L4
格式 / 数据库纯 Markdown, 无 sqlite、无向量库、无全量 RAGMarkdown + 结构化 SQLite(memories_1.sqlite 等), TEXT 摘要、无 embedding/向量列Markdown/.mdc纯 Markdown(刻意无向量)
加载方式MEMORY.md 索引前 200 行/25KB,主题文件按需读;machine-local两阶段抽取(stage1→phase2)、watermark 增量、usage_count 计数命中时注入开头;官方明说 completion 之间不留记忆读侧六步门禁 + 圈层最小切片
人可读可改可(纯文本,/memory)AGENTS.md 可; SQLite 自动摘要人不可直接编辑、锁本机不可迁移可可(人是唯一写入裁决者)
关系网无无无独立个人长期记忆库/关系网inner/close/peripheral 三圈
敏感分层预览无无无读侧 L0–L4 + 暴露预览
可移植性弱(machine-local,按 repo 分目录)弱(锁本机 SQLite)用户 rules 可云同步强:纯 md 目录随走随拷

me-context 的六条差异 :① 理论驱动的结构化原子条目,不是散日志;② 采集显式事实与行为偏好,量表仅保留为可选学术自评;③ 主动取舍 + 容量预算,只沉淀决策相关、不做全量记忆;④ 自我中心关系网(三家都没有);⑤ 读写分离 + L0–L4 + 暴露预览默认安全;⑥ 人是唯一写入裁决者(inbox、可推翻)。

不夸大也不贬低 :Codex 已有自动 TEXT 摘要记忆,不能说”它们完全没有自动记忆”;它们的纯文本指令层与”人可编辑”和 me-context 同向,差别在结构化分层、关系网、敏感预览与可移植。me-context 的真实短板是 无感常驻抓取不如原生 (无后台进程),靠宿主常驻指令/唤起补。

边界与立场

不做什么

  • 不做心理诊断、不做人格复刻/意识上传;学术自评只在用户明确想做时单独引导,不产出诊断标签。
  • 重大决策护栏:不自动执行、显式标不确定性、给多方案 + 反向证伪。
  • 纯本地明文工具、不上报、用户可见可改可删;安全管理是用户自己的事,工具不为数据真实性与隐私背书、记录他人信息的责任在使用者。
  • 未成年只温和建议少记、不贴任何标签。

什么该存:四问过滤 + 正反例

记忆取舍与 Conway 三层映射:核心记录、可选事件层和不记的内容
入核心层(四问同时满足)不记 / 先留 inbox
① 几周后还成立 ② 与决策相关 ③ 用户标过重要或反复提 ④ 分层合适一次性闲聊、易变临时状态、L4 密钥证件、未确认推断(留 inbox)、他人敏感隐私

容量预算 :ME.md ≤ 约 2000 字;单个 inner 实体 ≤ 约 1500 字;超限则细节下沉摘要。 用户原例的落点 :“老婆小时候的某件事”——默认事件细节不进核心层;可在她的 inner 实体文件留一条带日期的一两行轶事,或干脆不记;只有当它关系到今天的决策(节日偏好、就医史)时,才提炼成一句偏好/健康原子条目进核心层,而不是存故事原文。

关于”把一切交给 AI”:这只是孙宇晨一类的个人主张,没有公开可靠的记忆底座细节,不必神化;且自传体记忆是重构不是录像(Dudai 2004 仅作类比),全量记忆 ≠ 更好。

能力包 vs Harness 的边界

me-context 是 能力包层 :fail-closed 的规则、可被程序调用的 gate/export、可移植的数据目录。它 无法 拦住宿主自己绕过它直接读数据文件(任何 skill 都做不到);硬拦截属 Harness 层(如 Claude Code hooks、personal-harness)。最小接入示意:宿主 hook 调 gate.py --emit --domain …,按退出码 0 放行 / 2 要求确认 / 3 阻断 决定是否把档案塞进上下文。本技能不绑定任何宿主、不修改 personal-harness 与 iLoop——iLoop 是研发闭环框架,本技能不复制其职责。

自测与质量

配套 tests/REVIEW_RUBRIC.md 给出八维可重复评审 rubric(安全默认值/真实强制/负面测试/三工具一致性/可移植/文档一致/DRY/开销);scripts/mectx_common.py 把 frontmatter/layer/domain/路径安全收为三工具共用模块。set -e 下 全套断言含全套负面反例(无头部、小写层、坏 frontmatter、错位 L4、未知 domain、L3 未 confirm、L4 任意参数),默认产物敏感串 grep = 0。

什么进 / 什么不进 me-context

me-context 是” 我这个人 “的中心,不是”AI 怎么干所有活的规矩”的垃圾桶。整理新记忆时,先按下面两栏分流:

进 me-context不进 me-context(分流到别处)
① 关于”我这个人”的事实:身份/身体/健康/家庭/职业方向/喜好;② 任何 AI 都适用的全场景通用协作偏好(结论先行、给一个推荐、别反问、格式语言等)工程/研发/做技能的工作规矩:自检方式、git commit 频率、架构分层不越界、技能发布与去个人化带版本、编码/绘图/文档规范、某工具/某仓库/某宿主约定——归 personal-harness / iLoop / 各专项技能 / CLAUDE.md·AGENTS.md

AI 识别到工程规矩候选时的标准话术:“这是工程规矩,有专门的地方管,我不放进你的个人档案,需要的话帮你写进工程规则。”

附录 A · 来源清单(精选)

类别条目
测量/决策Barrick & Mount 1991(大五预测效度);Mini-IPIP α .65–.77(IPIP);LaMP arXiv:2304.11406;行为规格 arXiv:2605.28969;Schmidt & Hunter 元分析(SJT r≈.26–.34、结构化访谈 r=.51、工作样本 .54)
社交网/记忆费孝通《乡土中国》1947(差序格局);Kahn & Antonucci 1980 Vol.3 pp.254–283;Dunbar 1992 J.Human Evolution 22(6):469–493;Zhou et al. 2005 Proc.R.Soc.B;Granovetter 1973 AJS 78(6):1360;Wegner 1987 Theories of Group Behavior pp.185–208;Conway & Pleydell-Pearce 2000 Psychological Review 107(2):261;Dudai 2004 Ann.Rev.Psychol.55:51–86
竞品官方/实测Claude Code Memory:code.claude.com/docs/en/memory;Codex AGENTS.md:learn.microsoft.com Azure Foundry;Cursor Rules:cursor.com/docs/rules;本机实测 ~/.claude(纯 md、无 sqlite/向量)与 ~/.codex/memories_1.sqlite(TEXT 摘要、无向量列、人不可直接编辑)

附录 B · 量表许可小表

量表许可是否入仓
Mini-IPIP(28 题)公共域(IPIP)可入仓
版权大五/其他量表第三方版权只给链接,不入库
价值观 / GDMS 探测题本机制原创可入仓
100%