القائمة
大脑启发式记忆架构方法论 - 将用户记忆分离为内容层（海马体式 engram）和技能层（新皮层式共享 adapter），实现高效个人化 LLM
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/hiyenwong/ai_collection --skill user-as-engram-hippocampal-memory-architectureيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
Graph-native Python reimplementation of the Information Dynamics of Music (IDyOM) model that represents predictive memories as explicit graph objects for musical expectation modeling and network analysis.
Physics-aware end-to-end deep reinforcement learning methodology for quadcopter control with actuator dynamics modeling.
Reinforced Dreamer methodology for asymmetric reinforcement learning using latent guidance to improve world model representations and behaviors in model-based RL.
استنادا إلى تصنيف SOC المهني
عرض SKILL.md
| name | user-as-engram-hippocampal-memory-architecture |
| description | 大脑启发式记忆架构方法论 - 将用户记忆分离为内容层（海马体式 engram）和技能层（新皮层式共享 adapter），实现高效个人化 LLM |
| trigger_words | ["user memory","engram","hippocampus neocortex","personalization LLM","per-user memory","LoRA adapter","memory architecture","local parametric edits","hash-keyed memory","content vs skill"] |
| paper_id | arXiv:2606.19172 |
| published | 2026-06-17T00:00:00.000Z |
| authors | Bojie Li |
大脑将记忆分离为两个系统：
这种架构的关键优势：新事实不会覆盖已有知识。
| 方法 | 存储位置 | 优点 | 缺点 |
|---|---|---|---|
| Retrieval Pipeline | 外部检索索引 | 不修改权重 | 检索延迟随人口增长 |
| Per-user LoRA | 权重内全局 delta | 直接回忆 | 内容+技能混合污染 |
Per-user LoRA 的根本问题：
内容层: 用户事实存储为对 hash-keyed memory table 的外科手术式编辑
技能层: 共享 adapter 承载推理能力
Engram 编辑:
- 写入事实 → 开启特定触发器 lookup
- 添加答案值 → 精确位置
- 其他位置 → 保持不变
- 不同用户 → 占据不相交 hash slots → 可叠加！
| 事实数量 | 检索延迟 | Engram 优势 |
|---|---|---|
| <100 | 可接受 | 无优势 |
| >100 | 随人口增长 | 检索不增长！ |
| 大规模 | 2.5x 更大模型 | Engram 更快 |
| 大脑组件 | LLM 对应 | 功能 |
|---|---|---|
| Hippocampus Engram | Hash-keyed Table Rows | 稀疏、局部的事实存储 |
| Neocortex | Shared Skill Adapter | 慢速学习的共享技能 |
| Episodes | User Facts | 特定内容 |
| Reasoning Skills | Adapter Weights | 解释理解能力 |
大脑的架构优势在于：
# Engram 编辑伪代码
class EngramTable:
def write_fact(self, trigger, value, layer):
# 精确 hash slot 查找
slot = self.hash(trigger, layer)
# 手术式写入
self.table[slot] = value
# 其他 slot 完全不变
def lookup(self, trigger):
# 精确触发器匹配
slot = self.hash(trigger, layer)
return self.table[slot]
# 多用户共存
class MultiUserEngram:
def add_user_facts(self, user_id, facts):
# 每个用户占据不相交 slots
for fact in facts:
slot = self.hash(fact.trigger, fact.layer, user_id)
self.table[slot] = fact.value
# 可叠加无数用户！
Bojie Li. "User as Engram: Internalizing Per-User Memory as Local Parametric Edits." arXiv:2606.19172. 2026-06-17.