核心用法
cc-soul 是一款颠覆性的零向量 AI 记忆引擎，完全摒弃了传统的向量数据库和 GPU 依赖，通过纯符号算法实现对话记忆的存储与召回。用户通过 REST API（POST /memories 存储、POST /search 检索）即可集成，支持 DeepSeek、Claude、OpenAI、Ollama 等任意兼容 OpenAI 格式的 LLM。
核心架构包含三层蒸馏系统：L1 原始记忆 → L2 主题节点（每6小时压缩）→ L3 心智模型（每12小时生成），自动淘汰低质量内容。检索时通过 CNAS 查询调度器智能选择策略：精确查询用 BM25+ 严格匹配，时间类查询强化时间信号，多实体查询启用覆盖重排，宽泛查询则全扫描放宽匹配。
显著优点
1. 性能突破：LOCOMO 长程对话记忆基准测试 76.2% 准确率，全球第4，是前五名中唯一的非向量系统；存储仅 5.7MB（比向量方案小 8.6 倍），P50 召回延迟 127ms。
2. 真·自学习：AAM 自适应联想网络从每次对话中学习词共现（PMI 统计），1200 条消息后 Hit@3 从 30% 提升至 67.5%，强关联自动晋升为同义词表，零人工维护。
3. 多维智能：9-12 信号融合（频率、时效、情绪共振、扩散激活、干扰抑制等）、5 维 PADCN 情绪追踪（愉悦/唤醒/支配/确定性/新颖性）、11 种自动切换人格（工程师/朋友/导师/分析师等）。
4. 隐私极致：纯本地 SQLite 存储，零云端、零遥测、零外部 API 调用（LLM 可选），PII 自动过滤。
潜在缺点与局限性
- 符号天花板：LOCOMO 仍落后 SOTA 向量系统约 10%，语义相似但词汇不同的表达可能召回失败。
- 冷启动问题：学习曲线需 1200+ 消息才达理想状态，初期体验可能弱于预训练向量方案。
- 英文优化：词共现统计对中文分词友好，其他语言可能需适配。
- 无分布式能力：SQLite 单节点设计，高并发场景需自行封装。
适合人群
- 隐私敏感的个人 AI 助手开发者
- 端侧/边缘设备部署（低资源环境）
- 长对话场景（客服、心理咨询、角色扮演）
- 对「黑盒向量检索」不信任、需要可解释记忆逻辑的技术团队
常规风险
- 数据误删：三层蒸馏自动淘汰机制可能导致用户认为重要的细节丢失，需定期导出备份。
- 情绪误判：PADCN 系统可能错误推断用户情绪状态，导致人格切换不合时宜。
- 关联污染：长期使用后，AAM 网络可能形成意外的错误关联（如负面记忆与中性词绑定），需监控 synonym table。
- MIT 开源但生态稚嫩：29K 行 TypeScript 代码量大，二次开发门槛较高。