RiverX

超级记忆存储系统 — 将转瞬即逝的对话转化为持久、可治理、可溯源的知识。RiverX 让 AI 真正记住你 — 不是你说了什么，而是你是谁。

2026 年 2 月  ·  文档 v6.0

RiverX — 连接知识

概述

RiverX 是 Seapex 生态系统的超级记忆存储中枢。它赋予 AI 一种长期的、可审计的、值得信赖的记忆 — 跨对话持久存在，携带来源证明，并随你一起成长。

RiverX 不是聊天记录存档。它不存储你的消息原文。它存储的是从这些消息中提取的知识 — 你的偏好、目标、约束、关系、经历 — 经过结构化、验证和版本控制，让三知等 AI 系统能真正理解你是谁，而不仅仅是你上次说了什么。

系统由两个紧密集成的层构成：

RiverX 核心

事实仓库，具备两阶段写入治理、语义向量检索、画像快照和完整审计链。关于你的一切知识的唯一真实来源。

知识图谱

基于图的关系层，将扁平的事实和事件转化为活的连接网络 — 人与事件相连，事件与情感相连，模式在时间中浮现。

两者共同回答每个个人 AI 必须解决的两个问题：「我了解这个人什么？」和「这一切如何关联？」

一个用户的旅程

要理解 RiverX，最好跟随一个真实的人走过这个系统。

认识小美。

小美开始使用三知，进行了第一次对话。她提到自己是一名摄影师，正在计划去墨尔本旅行，并且对贝类过敏。

仅从这一次对话，系统就提取了三个信号：一个特征（摄影师）、一个计划（墨尔本之旅）和一个约束（贝类过敏）。每一个都作为候选提交给 RiverX — 是提案，还不是事实。

AI 推理引擎审核这些候选。贝类过敏置信度高且关乎安全 — 立即被提交确认并置顶，确保永远不会被遗忘。摄影师特征以中等置信度被确认。墨尔本计划被标记为易变 — 现在是真的，但可能会变。

三周后，小美提到她现在考虑去悉尼而不是墨尔本。RiverX 不会删除墨尔本计划。相反，一个新计划进入系统，两者共存于一个冲突组中。当三知下次给出旅行建议时，它知道小美正在两个目的地之间犹豫 — 可以主动询问，而不是自作主张。

与此同时，知识图谱已经围绕小美构建了一个小型网络：她的画像节点连接着摄影兴趣、旅行规划事件和两个目的地实体。随着她继续使用三知，图谱不断生长 — 关系加深，模式浮现，系统开始理解的不仅是小美说了什么，而是她的世界如何运转。

这就是 RiverX 的运作方式：对话变成候选，候选变成确认的真相，真相变成一个人的活画像。

对话如何变成记忆

从用户的话语到持久记忆，遵循一条严格的管线 — 确保噪声永远不会变成真相。

第一步：提取

当用户与三知对话时，AI 提取引擎分析交互内容，识别发现 — 关于用户个性、价值观、行为、情感、决策和关系的信号。每个发现都携带类别、置信度分数和对源对话的引用。

第二步：本地暂存

发现首先在本地存储，处于待定状态。用户可以审核、确认、调整或驳回它们。这赋予用户对系统所认知内容的直接控制权。发现只有在积累了足够的置信度后才会向前推进 — 无论是通过用户确认还是反复观察。

第三步：提交到 RiverX

确认后的发现被转换为结构化的候选 — RiverX 的第一阶段格式。敏感信息被脱敏（电话号码、身份证号、邮箱变为掩码形式）。证据引用链接回原始对话。候选通过 Seapax 网关提交。

第四步：治理与确认

RiverX 接收候选，与现有知识去重，验证证据链，将其放入暂存区。AI 推理引擎（RavaAI）审核候选并决定哪些应该提交确认 — 将其从提案提升为事实源。只有被确认的事实才会进入下游系统依赖的画像快照。

第五步：图谱同步

事件和已确认的事实异步流入知识图谱，在那里它们成为关系网络中的节点和边 — 丰富系统对用户世界如何相互关联的理解。

用户对话
    ↓
AI 提取（发现）
    ↓
本地暂存（用户可审核）
    ↓
候选提交（PII 脱敏，证据附加）
    ↓
RiverX 治理（去重，冲突检查）
    ↓
RavaAI 确认（候选 → 已确认的真相）
    ↓
画像快照（四维结构）
    ↓
知识图谱同步（关系网络）

两阶段写入

大多数系统对写入数据只有一条规则：你发送它，它就被存储了。RiverX 拒绝这种做法。当 AI 可以不经审核就向用户画像写入任何内容时，就会产生噪声积累 — 误听的偏好、过时的观察、幻觉出的细节。随着时间推移，画像退化恰恰是因为系统"知道太多"不真实的东西。

RiverX 将观察与认知分离。

第一阶段：候选

第二阶段：确认

身份的四个维度

RiverX 将它所了解的关于一个人的一切组织到四个语义维度中。它们共同构成一幅完整的画像 — 不是关于某人说了什么，而是关于他是谁。

特征

持久的特质 — 偏好、价值观、性格模式、决策风格。跨越岁月定义你的东西，而非当下的对话。「喜欢安静的环境」「偏好数据驱动」「风险规避型」

状态

当前的状况 — 情绪、健康、财务状况、人生阶段。现在为真但会改变的事情。当下的快照。「正在找工作」「对截止日期感到焦虑」

目标

愿望和意图 — 你在努力达成什么、面临什么时间线。你正在构建的未来。「计划在夏天前学会摄影」「希望两年内成为团队负责人」

约束

边界和不可妥协的底线 — 饮食限制、伦理红线、硬性限制。AI 绝不能建议违反的事项。「贝类过敏」「周末不加班」「素食主义者」

每个维度中的事实都有唯一键（如 pref.travel.style 或 constraint.diet）并进行版本控制。当事实变更时，旧版本不会被删除 — 而是被取代，并链接到新版本。任何事实的完整演化轨迹都可追溯。

记忆类型

除了画像的四个维度，RiverX 还将单个记忆原子分类为不同类型，捕捉知识的本质：

类型捕捉内容示例
偏好用户喜欢、偏爱或倾向的事物「喜欢靠窗的座位」「爱用徕卡相机」
约束硬性边界、禁忌、过敏、不可妥协的底线「贝类过敏」「不看恐怖片」
经历过去的事件、遭遇、里程碑「去年春天去了悉尼」「三月份换了工作」
计划未来的意图、即将采取的行动「计划欧洲旅行」「在学 Python」
事实客观的个人信息「住在上海」「有两个孩子」
关系与其他人或组织的联系「姐姐是医生」「在创业公司工作」
资产用户拥有或可使用的事物「有一台徕卡 M10」「有健身房会员卡」

这些类型之间存在有意义的交互。资产 + 偏好定义推荐领域。约束 + 经历防止重蹈覆辙。计划 + 约束塑造什么建议是切实可行的。AI 不仅知道孤立的事实 — 它理解这些事实如何关联。

稳定性

每条记忆都标记稳定性：稳定（长期，如性格特征 — 365 天半衰期缓慢衰减）或易变（临时，如当前心情 — 30 天半衰期自然消退）。这确保永久事实保持相关性，而暂时性观察自然淡化。

置顶

关键记忆 — 严重过敏、核心身份特征 — 可以被置顶。置顶记忆绕过所有预算和时间窗口限制。它们始终被检索，始终存在。它们是绝不能遗忘的事实。

证据链

RiverX 中的每个事实都必须有出处。这是不可妥协的。

写入记忆时，必须包含来源引用（指向知识产生的对话轮次、消息或文档的指针）或证据指纹（将事实与原始材料加密关联的哈希值，而不存储原始内容）。

这意味着当 AI 告诉用户「你提到过想去墨尔本」时，它能追溯到产生这个知识的确切对话。不是「我觉得你好像说过」，而是具体的、可验证的引用。

置信度评分

每个事实都有 0 到 1 的置信度评分。「用户的名字叫小明」（1.0）与「用户似乎对摄影感兴趣」（0.6）有本质区别。检索系统可以按最低置信度过滤 — 确保不确定的观察不会被当作已确立的真相。

幂等写入

网络故障会发生，系统会重试。RiverX 保证恰好一次语义 — 重复提交会被静默吸收。如果相同的证据指纹出现两次，系统将其识别为同一事实，增加提及次数而非创建重复条目。

检索与排序

RiverX 全量存储，按预算输出。每次搜索都受到预算约束，强制质量优先于数量。

语义搜索

每条记忆都被编码为 1536 维向量，支持按含义而非关键词搜索。「这个人关心什么？」即使从未出现过完全匹配的词语，也能返回相关记忆。结合关键词扩展和时效性信号，形成混合检索系统 — 找到重要的内容，而不只是匹配的内容。

预算控制

每次检索都受预算约束 — 返回多少条结果、向前搜索多远的时间范围、接受什么最低置信度、包含哪些记忆类型。置顶记忆始终绕过预算限制。

预算的存在是有原因的：防止 AI 淹没在无关上下文中，强制成本意识，并通过防止无限制的历史导出来保护隐私。

智能排序

当记忆竞争有限的位置时，RiverX 通过多因子综合评分排序，平衡语义相关性、可信度、时效性和重要性。排序的设计确保关键事实 — 比如两年前记录的严重过敏 — 仍然排在上周随口提及的一家餐厅前面，因为系统在时效性之外还衡量置信度、稳定性和安全重要性。

知识图谱

孤立的事实是数据。相互关联的事实是知识。随时间演化的知识网络是理解。

RiverX 核心存储事实。知识图谱揭示它们如何关联。

超越结构化表格，RiverX 维护着一个基于图的关系层，将知识表示为节点和边 — 一个活的连接网络，可以被遍历、查询和推理，以扁平存储无法实现的方式。

三种节点类型

画像

代表一个用户。连接其所有事件和实体。每个个人子图的中心节点。

事件

带时间戳的发生 — 一个对话主题、一个人生事件、一个决策点。携带情感、类型和主题元数据。

实体

从事件中提取的人物、地点、组织或事物。「墨尔本」「姐姐」「那家创业公司」

校准边权

不是所有连接都同样强或同样新。图谱中的每条边都携带一个权重，反映系统的置信程度、连接的新鲜度和来源的权威性。边会随时间自然衰减 — 上周讨论的友谊比两年前提及的友谊权重更高 — 但较早的连接永远不会被删除，在需要时仍可用于更深层分析。

零阻塞同步

知识图谱作为独立的异步进程运行。它从事件流中读取并独立构建关系网络。如果它落后或遇到错误，RiverX 核心 API 完全不受影响。失败的同步进入死信队列并自动重试。

设计原则：知识图谱是派生视图，不是事实源。它揭示数据中存在但在扁平存储中不可见的连接。它永远不会回写到事实源。图谱观察、连接、照亮 — 但从不覆盖。

冲突与演化

人会变。偏好会转移。目标会演化。一个不考虑变化的记忆系统是一个撒谎的记忆系统。

当 RiverX 遇到矛盾的事实 — 2024 年的「喜欢热闹」和 2025 年的「偏好安静」— 它不会用新的悄悄覆盖旧的。两个版本都保留在一个冲突组中，并带有明确的解决策略：

策略行为
待审核两个版本都被标记。AI 或用户必须决定哪个是当前的。
共存两个版本同时有效。「有时喜欢热闹，有时不」
最新优先最新版本优先。旧版本保留在历史中。

冲突以冲突摘要的形式呈现在画像快照中，下游系统始终知道它们何时在使用不确定的信息。这至关重要：AI 必须知道用户何时在变化中，而不是假装不存在的确定性。

版本链

每个事实都维护一条取代链 — 前序版本的链表。你可以追溯任何认知的演化轨迹直到其起源，不仅了解系统今天知道什么，还了解它是如何得出这个结论的。

从记忆到个性

存储只有在让 AI 变得更好时才有价值。以下是 RiverX 的记忆如何转化为个性化体验：

画像快照

当三知需要回应用户时，它向 RiverX 请求画像快照 — 一个预计算的四维结构，包含所有已确认的事实。此快照在每次事实确认时重建，始终反映最新的已验证知识。检索是即时的 — 无需全表扫描，无需查询时计算。

记忆上下文注入

在对话过程中，三知检索相关记忆并注入 AI 的上下文。如果用户询问旅行计划，系统会检索旅行相关记忆、墨尔本/悉尼冲突、贝类约束和摄影偏好 — 给 AI 提供一切所需信息，让它像真正了解这个人一样回应。

风格适配

除了事实，画像还影响 AI如何沟通。如果用户偏好简洁回答，AI 会更简短。如果用户风险规避，建议会强调安全。如果用户焦虑，语气会更柔和。记忆不仅改变 AI 说什么 — 也改变它怎么说。

渐进解锁

系统追踪对每个用户的了解程度。有 5 条确认记忆时，基础画像解锁。达到 10 条时，详细画像卡片可用。用户互动越多，画像越丰富 — 个性化体验也越深入。

RiverX 在 Perthy 中

在三知中，RiverX 记住一个人。在 Perthy 中，RiverX 进入满血状态 — 不仅记住个体，更理解人与人之间的连接。

Perthy 是 AI 时代的人力资源可寻址层。它让人变得可发现、可理解、可连接，通过一个智能网络实现。RiverX 是驱动这种智能的引擎。

从个人记忆到网络智能

当 RiverX 驱动三知时，它回答的是：「我了解这个人什么？」 当它驱动 Perthy 时，它回答的是一个复杂得多的问题：「谁应该与谁连接，通过什么路径，为什么？」

这要求知识图谱超越个人子图，进入全网络关系拓扑 — 每个用户是一个节点，每条连接是一条加权边，图谱本身成为匹配、路由和发现的推理基础设施。

四层智能

关系强度

RiverX 追踪每条连接的活力。它不使用粗暴的时间衰减，而是利用多维行为信号 — 互动频率、参与深度、互惠程度 — 来判断一段关系是活跃的、休眠的还是在淡化。沉寂的连接逐渐减弱；活跃的连接不断增强。

需求匹配

当有人需要「一位懂 AI 和教育的摄影师」时，RiverX 将这个意图编码为语义向量，在整个网络中搜索高匹配度的候选人 — 不是按关键词，而是按含义。结果是多维语义匹配，即使措辞完全不同也能找到合适的人。

路径质量

找到一个人还不够 — 你需要一条值得信赖的路径到达他。RiverX 评估每条连接链的语义连贯性：这条路径是否穿越了正确的领域？中间人是否可信？路径在上下文中是否合理？三跳经过相关专业人士的路径优于两跳经过随机联系人的路径。

连接评估

在引荐发生之前，RiverX 评估潜在价值：这两个人有多互补？领域重叠度如何？产生有效连接的可能性有多大？这把引荐从猜测变成了有据可依的决策。

行为反馈循环

Perthy 对 RiverX 使用方式的独特之处在于反馈循环。用户行为 — 回应连接请求、点赞帖子、参与讨论 — 作为交互信号流回图谱。这些信号强化边、创建新的弱连接、更新驱动未来匹配的语义向量。网络使用越多，就越智能。

示例：小美加入 Perthy

小美的 RiverX 画像已经知道她是一名摄影师，对去澳大利亚旅行感兴趣。在 Perthy 上，这些知识延伸到了网络中。当一个墨尔本的旅行摄影团体发布合作请求时，RiverX 不只是关键词匹配「摄影师」— 它理解小美的创作风格、旅行意向和该团体需求之间的语义契合。它评估连接路径，找到一个在创意行业工作的共同联系人，并以可信度评分呈现这个机会。

如果小美参与互动，边会增强。如果她没有，系统也不会做出判断。无论如何，图谱都在演化。

图谱规模化能力

满血状态：在三知中，RiverX 是个人记忆。在 Perthy 中，RiverX 是网络智能 — 同一套核心引擎（事实治理、证据链、语义向量、图谱关系）从理解一个人扩展到理解数百万人如何连接。

隐私与控制

脱敏

敏感信息 — 电话号码、身份证号、邮箱地址、银行卡号 — 在进入 RiverX 之前被脱敏。只存储掩码版本。原始内容保留在本地加密存储中，永远不会进入共享记忆系统。

用户控制

用户可以在发现进入 RiverX 之前审核、确认、调整或驳回任何发现。记忆功能可以在用户设置中完全关闭。用户始终是系统所认知内容的最终权威。

审计追踪

每次对 RiverX 的写入都记录了谁、什么、何时和为什么。每个事实都可追溯到其来源。每次变更的完整历史都被保存且可查询。

多租户隔离

所有数据在行级别按租户隔离。不存在跨租户查询。每个租户的速率限制和预算控制强制访问边界。

常见问题

RiverX 会存储我的对话吗？

不会。RiverX 存储的是从对话中提取的知识 — 偏好、目标、约束等结构化事实。你的实际消息不存储在 RiverX 中。只有脱敏摘要和出处引用。

知识图谱是什么？

它是 RiverX 内部的关系层。核心存储持有单个事实，知识图谱揭示它们如何关联 — 将人连接到事件，事件连接到情感，模式跨越时间浮现。它作为派生视图运行，增强但永远不会阻塞核心功能。

我可以删除数据吗？

可以。RiverX 支持软删除（将事实标记为已删除同时保留审计追踪）和合规驱动的硬删除（完全移除）。用户也可以在发现进入 RiverX 之前驳回它们。

知识图谱宕机了怎么办？

不会有任何影响。所有核心 API — 画像快照、记忆搜索、事件记录 — 完全在主存储层上运行。图谱同步失败进入死信队列并自动重试。图谱增强但从不阻塞 RiverX。

RiverX 和 RavaAI 的关系是什么？

RavaAI 是大脑。RiverX 是记忆。RavaAI 从 RiverX 读取画像快照和记忆来指导推理，并将验证过的事实作为最高权限写入者回写。两者互补 — RavaAI 让 RiverX 更智能，RiverX 让 RavaAI 更可靠。

RiverX 如何防止幻觉记忆？

通过两阶段写入。AI 提取的内容作为候选提交 — 是提案，不是事实。它们必须通过证据验证、去重和冲突检查，然后由更高权限的系统确认后才能进入事实源。未经验证的数据永远不会进入画像快照。