TITAN Memory：像你一样记得的AI
将任何人工智能变成跨对话记忆的学习伙伴
______________________________________________________________________
什么是MCP-TITAN？？
想一想 你 记住事情：
- 💭 短期记忆 -你5秒前听到的
- 📝 长期记忆 -你稍后会想起的重要事实
- 🗄️ 深度存储 -多年前你“只知道”的事情
希望 （分层在线持久编码）是TITAN的第二代，它赋予了AI同样的能力。它不会在每次谈话后忘记一切，而是像人脑一样积累知识。
希望解决的问题
❌ Standard AI (e.g., ChatGPT without plugins):
User: "I'm working on a React project with TypeScript"
AI: *Helps with code*
[Next session]
User: "How do I add a new component to my project?"
AI: "What framework are you using?" ← Forgot everything!
✅ HOPE Memory:
User: "I'm working on a React project with TypeScript"
HOPE: *Stores in long-term memory: React + TypeScript project*
[Next session]
User: "How do I add a new component?"
HOPE: *Recalls context* → "Here's a TypeScript React component for your project..."______________________________________________________________________
主要特点
🧠 三层存储系统
像你的大脑一样，HOPE有多个记忆层次：
| 记忆水平 | 它存储了什么 | 有多长时间 | 就像你的大脑一样 |
|---|---|---|---|
| 短期的 | 当前对话 | 分钟数 | 工作记忆-你刚才听到的内容 |
| 长期 | 重要模式 | 天数/周数 | 综合事实——你研究的东西 |
| 档案 | 核心知识 | 永久性 | 深层知识-你“刚刚知道”的事情 |
例子：
Conversation: "My dog Max is 3 years old and loves fetch"
HOPE storage:
- Short-term: "User talking about Max right now"
- Long-term: "User has dog named Max, age 3" (promoted after repeated mentions)
- Archive: "User is pet owner" (core fact, rarely changes)🎯 智能遗忘
并非所有事物都值得被铭记！
- 令人惊讶/新奇的信息 → 存储时间更长
- 重复无聊的东西 → 遗忘得更快
- 重要图案 → 升级为长期储存
这可以防止内存膨胀，并专注于重要的事情。
📈 持续学习 （基于动量）
与训练后冻结的标准AI不同：
Standard AI: Learn once → Deploy → Never changes
HOPE: Learn → Deploy → Keep learning from every interaction它是如何工作的：
- 看到图案一次→ 小内存跟踪
- 反复看到图案→ 更强的加固
- 矛盾信息→ 逐步更新（非灾难性覆盖）
这叫做 动量学习 -变化发生得很顺利，阻止了人工智能“忘记”重要的事情。
🔗 序列理解 （令牌流）
希望理解 序列，而不仅仅是个人事实：
❌ Standard: Knows "cat", "sat", "mat" as separate words
✅ HOPE: Understands "cat sat on mat" as a pattern
User: "The cat..."
HOPE: *Predicts "sat on mat"* (learned sequence)📊 基于惊喜的注意力
HOPE关注意外：
Input: "The sky is blue"
HOPE: Low surprise → Process quickly, minimal storage
Input: "The sky is green with purple clouds"
HOPE: High surprise! → Deep processing, strong memory trace______________________________________________________________________
工作原理（技术概述）
希望建筑
HOPE基于以下前沿研究 嵌套学习 -学习同时发生在多个层面的想法：
┌─────────────────────────────────────┐
│ INPUT: "Help me debug this code" │
└──────────────┬──────────────────────┘
│
┌──────▼─────────┐
│ Memory Router │ ← Decides where to look
│ (Surprise-based)│
└──────┬──────────┘
│
┌──────────┼──────────┐
│ │ │
┌──▼─┐ ┌──▼─┐ ┌──▼─┐
│Short│ │Long│ │Arch│ ← Three memory tiers
│Term │ │Term│ │ive │
└──┬─┘ └──┬─┘ └──┬─┘
│ │ │
└──────────┼──────────┘
│
┌──────▼─────────┐
│ Retentive Core │ ← Processes & integrates
│ (Sequence Model)│
└──────┬──────────┘
│
┌──────▼─────────┐
│ Momentum │ ← Smooth learning
│ + Forgetting │
└──────┬──────────┘
│
┌──────▼─────────┐
│ OUTPUT │
│ + Memory Update│
└─────────────────┘核心机制
- 连续存储系统（CMS）
- 具有自动升级/降级功能的多层存储 - 记忆根据访问模式和惊喜在层之间移动
- 基于动量的更新 （摘自研究论文）
M_t = (1 - α) * M_t + S_t
Where:
- M_t = Memory at time t
- α = Forgetting gate (higher for boring stuff)
- S_t = Momentum term (accumulated learning)- 选择性状态空间过滤器 （曼巴风格）
- 高效的序列处理 - 基于上下文的自适应过滤
- 稀疏路由
- 并非每次查询都会检查所有内存 - 将查询路由到相关内存层
______________________________________________________________________
安装和设置
需求
- Node.js 22+ （TensorFlow.js优化所需）
- npm或bun包管理器
快速开始
# Install
npm install @henryhawke/mcp-titan
# Or with bun
bun add @henryhawke/mcp-titan光标配置
添加 ~/.cursor/settings.json:
{
"mcp": {
"servers": {
"hope-memory": {
"command": "npx",
"args": ["-y", "@henryhawke/mcp-titan"],
"workingDirectory": "/path/to/your/memory/storage"
}
}
}
}Claude桌面配置
- 打开克劳德桌面设置
- 添加MCP服务器：
- 姓名： 希望记忆 - 命令： npx - Args： -y @henryhawke/mcp-titan - 工作目录： 存储记忆的位置（默认值： ~/.hope_memory)
首次运行
# Start the HOPE server
npx @henryhawke/mcp-titan
# The server will:
# 1. Create ~/.hope_memory/ directory
# 2. Initialize empty memory banks
# 3. Start listening for MCP tool calls______________________________________________________________________
操作快速入门
- 运行服务器：
bun run build && bun start（或npx @henryhawke/mcp-titan) - 按顺序初始化工具：
- init_model - init_tokenizer - start_learner
- 储存和召回：
- 店铺： store_memory { text, type?: episodic|semantic } - 召回： recall { query, topK? } - 蒸馏： distill_memories { memories: number[][] }
- 在线学习：
- 添加数据： enqueue_samples （一批输入/目标对，可选正/负） - 状态： learner_status - 控制： start_learner, pause_learner, stop_learner
- 检查点：
- 保存： save_checkpoint { path } - 汽车出口： export_checkpoint → .hope_memory/checkpoints - 导入： import_checkpoint { filename } 或 load_checkpoint { path }
- 健康：
- health_check --detailed - get_hierarchical_metrics, get_momentum_metrics, get_token_flow_metrics
- 安全默认值：
- 输入经过消毒并加盖长度；阵列验证；沙盒路径 - URL引导使用超时/大小保护 - 日志经过结构化、轮换和编辑
哑巴开始
bun run build && bun start- 呼叫
init_model那么init_tokenizer那么start_learner store_memory保存事实；recall去接他们enqueue_samples教学；手表learner_statusexport_checkpoint备份；import_checkpoint恢复- 如果卡住：
health_check --detailed
向后兼容
- Titan别名仍然被导出（例如。，
TitanMemoryModel→ HOPE) - 检查点包括版本+校验和，并在加载时验证维度
______________________________________________________________________
使用示例
基本内存操作
// In your AI chat interface (Claude, Cursor, etc.)
// 1. Initialize memory (first time)
> init_model
// 2. Store some context
> bootstrap_memory text="I'm building a Python web app with FastAPI and PostgreSQL"
// 3. Have conversations - HOPE learns automatically
> help me set up database migrations
[HOPE stores: User uses FastAPI + PostgreSQL]
> how do I add authentication?
[HOPE recalls context: FastAPI project → suggests FastAPI-specific auth]
// 4. Check what's stored
> get_memory_state
// 5. Save for later
> save_checkpoint path="my_project_memory.json"训练希望
// Explicit training on patterns
> train_step
x_t: "def hello"
x_next: "world"
// HOPE learns: "def hello" → "world" pattern
// Later:
> forward_pass input="def hello"
// Predicts: "world" (or similar completion)在线学习模式
// Start continuous learning
> init_learner
// Feed training samples as you work
> add_training_sample data="function add(a, b) { return a + b; }"
// HOPE learns in background, memory updates automatically
// Check learning progress
> get_learner_stats______________________________________________________________________
可用的MCP工具
希望曝光 19工具 通过模型上下文协议：
内存管理
init_model-初始化或重新配置内存系统bootstrap_memory-从文本或URL快速加载上下文get_memory_state-检查当前内存内容memory_stats-获取统计摘要prune_memory-清理低价值记忆
学习操作
forward_pass-查询内存并获取预测train_step-从示例对中进行显式学习reset_gradients-清晰的训练状态
持久性
save_checkpoint-将内存保存到文件load_checkpoint-从检查点还原
在线学习
init_learner-启动后台学习服务pause_learner/resume_learner-控制学习get_learner_stats-监控学习指标add_training_sample-输入训练数据
高级指标
get_token_flow_metrics-序列模式分析get_hierarchical_metrics-内存层分布health_check-系统健康与性能
公用事业
help-列出所有可用工具及其说明
看 docs/api/README.md 以获取完整的API参考。
______________________________________________________________________
真实世界用例
1. 个性化代码助手
Day 1: "I'm learning Rust"
HOPE: Stores preference for Rust
Day 5: "Show me how to handle errors"
HOPE: Recalls Rust context → Shows Result pattern
(Not Python try/catch or JavaScript throw)2. 项目上下文记忆
Store once: "Working on e-commerce site, React frontend, Django backend, Stripe payments"
Every question after:
- "Add a new product page" → HOPE knows React + Django + ecommerce context
- "How do I refund a payment" → HOPE knows you use Stripe
- "Deploy to production" → HOPE remembers full stack (React + Django)3. 研究助理
Feed HOPE 50 research papers on neural networks
Query: "What's the consensus on attention mechanisms?"
HOPE:
- Short-term: Current paper's view
- Long-term: Cross-paper patterns identified
- Archive: Fundamental concepts
→ Synthesized answer from all levels4. 持续学习聊天机器人
Traditional bot:
- User: "No, I meant X not Y"
- Bot: "OK" → Forgets next session
HOPE bot:
- User: "No, I meant X not Y"
- HOPE: Stores correction in long-term memory
- Next session: Remembers correction automatically______________________________________________________________________
性能和可扩展性
基准测试
| 度量 | 性能 |
|---|---|
| 内存初始化 | ~100ms |
| 正向传递（查询） | \ reset_gradients |
prune_memory threshold=0.1
### TypeScript编译错误
当前已知问题（已在v3.1中修复）。尽管有错误，仍要使用：
Skip type checking
npm run build --skipTypeCheck
Or use published version
npx @henryhawke/mcp-titan
### 性能缓慢
// Reduce memory capacity in config
init_model config={
"shortTermSlots": 32, // Default 64 "longTermSlots": 128, // Default 256 "archiveSlots": 256 // Default 512 }
______________________________________________________________________
## 贡献
欢迎投稿！需要帮助的领域：
1. **修复TypeScript错误** -请参阅 `docs/typescript-error-resolution-guide.md`
1. **实施势头更新** -请参阅 `PLAN.md` 第1阶段，任务1.1
1. **文档改进** -让希望更容易实现
1. **测试覆盖率** -当前约60%，目标80%+
### 开发工作流程
1. 分叉回购
1. 创建要素分支： `git checkout -b feature/amazing-feature`
1. 进行更改和测试： `bun test`
1. 承诺： `git commit -m 'Add amazing feature'`
1. 推： `git push origin feature/amazing-feature`
1. 打开拉取请求
看 [贡献.md](CONTRIBUTING.md) 详细指南。
______________________________________________________________________
## 研究与引用
如果你在研究中使用HOPE，请引用：
@article{behrouz2025nested, title={Nested Learning: The Illusion of Deep Learning Architectures}, author={Behrouz, Ali and Razaviyayn, Meisam and Zhong, Peiling and Mirrokni, Vahab}, journal={NeurIPS}, year={2025} }
### 相关工作
- **变压器XL** -长序列的分段重复
- **保留网络** -注意力的有效替代方案
- **曼巴** -选择性状态空间模型
- **测试时间培训（TTT）** -神经网络中的在线学习
- **快速重量编程器** -动态重量更新
______________________________________________________________________
## 许可证
MIT许可证-请参阅 [许可证](LICENSE) 文件
______________________________________________________________________
## 支持与社区
- **问题：**
- **讨论：**
- **文档：** [docs/](docs/)
- **电子邮件：** support@henryhawke.dev
______________________________________________________________________
## 常见问题解答
### Q： 这与RAG（检索增强生成）有什么不同？
**A.** RAG获取外部文件；希望建立内部神经记忆。
|特写| RAG|希望|
|---------|-----|------|
|存储|外部向量数据库|内部神经张量|
|学习|不学习（只检索）|有动力的持续学习|
|遗忘|永不忘记（储存所有）|聪明遗忘（修剪低价值）|
|上下文|检索到的文档|学习到的模式|
|速度|较慢（外部查找）|较快（内存中）|
### Q： 希望会取代微调吗？
**A.** 不，是互补的。微调=培训前知识。HOPE=特定会话学习。
Base Model → Fine-tuning → HOPE Learning (General) (Domain) (User-specific)
### Q： HOPE使用了多少内存？
**A.** 典型约500MB，可配置。通过降低层容量来减少。
### Q： HOPE可以在CPU上运行吗？
**A.** 对！使用TensorFlow.js节点后端（CPU）。GPU可选，但不是必需的。
### Q： 我的数据是私有的吗？
**A.** 对。HOPE在本地运行，内存存储在您的磁盘上(`~/.hope_memory`).没有云上传。
______________________________________________________________________
**由...制作❤️ HOPE团队**
*将你的AI变成一个与你一起成长的学习伙伴。*