星穹方舟（InsightX）

要解决的问题

在AI时代，我们越来越多的工作正在交给以豆包、ChatGPT Work、Claude Cowork为核心的Agent助理们。然而绝大多数时候，我们都要给它们说上几分钟到十几分钟的上下文背景，才能让它们知道我在做什么、涉及的人事物关系、职业的潜在上下文等等，这极大增强了我们与Agent协作的摩擦成本。是否可以有一个外置的“海马体”，能够自动收录、处理我所有对话沟通数据，形成自动给Agent的结构化上下文？

未来愿景

我们希望，每个人的Agent助理们都应该能力超群，他/她们了解你、你的目标以及你所关心的一切。你的助理们，比如Arkclaw或Coze Work，将全天候为你服务，帮助你改善人际关系、提升健康、发展事业、管理财务、管理家庭事务、发展兴趣爱好等等。这将为你腾出更多时间去做自己喜欢的事情，并帮助你取得比以往更多的成就。并且它应该拥有强大的隐私和安全功能，你可以完全信任它来处理你的所有个人信息，无需担心他人访问。你可以通过任何设备与你的助理互动，包括你的智能戒指，让你随时与关心的任务保持联系。

判断

对于模型而言，单纯 ASR 转录的线下对话数据，本质上是一个非结构化、充满噪声与矛盾的长文档。即便对单次对话做了 AI 摘要，跨 session 之间隐性的人事物关系、因果链条与情感脉络仍然无法被显式表达。研究表明，ASR 转录误差会沿信息抽取管线逐级传播，显著降低下游实体识别与关系抽取的可靠性

星穹方舟构建的 P-W Mem System（Personal-World Model Based Memory） 要解决的核心问题正是：如何将"死数据"转化为"活记忆"——通过奖励机制驱动 Agent 主动完成Meta Data清洗与记忆编排，提取高质量的人-事-物关系并形成带权知识图谱；进而在每次接收指令时进行意图拆分，自动补全决策所需的全量上下文。

• 首款原型机在华为 HDC 开发者大会上首次亮相，中东、北非和亚太的海外客户当场把展示样品**全部买走**了——一台没剩。

• 开始做的是一款AI恋爱眼镜，是CEO在上一段创业结束之后，不知道干嘛，手搓的产品想成为"大龄单身男程序员"的自救指南，目标是让每个男生拥有海王的能力和一颗真诚的心。最后发现与其帮人在恋爱中分析对话，不如帮人搞钱，才转型到了工作助理硬件上

• 团队不训基座模型，不做Agent生态平台，不搞硬件参数深度打磨，而是瞄准Egocentric的数据清洗和后训练，盯住一个环节打穿。盯的环节，是把录音卡和 Obsidian、飞书打通，把「人、事、物」的隐式因果链抽离出来。

• 创始人的三段创业横跨 AI+文旅、云计算与智慧城市（拿过科技部直属平台该垂直领域第一名）、三维环境感知-理解-重建，中间被疫情打断过一次——"趁着年轻，想做点更有前景的事"。

在记忆编排层，引入强化学习使 Agent 自主学习"增、删、减、改，而非依赖硬编码规则，通过多维环境反馈的数据来奖励微调记忆管理策略，在域内与分布外评估集上有着极高增益，这主要由三个环节构成：

• 提取（Extract）——高质量人事物关系抽取：云端大模型从情景记忆中异步抽取 Subject-Predicate-Object 三元组。例如"王总提到女儿下月要考钢琴八级，最近周末没空"被结构化为 (王总, 亲属, 女儿)、(女儿, 兴趣, 钢琴)、(王总, 状态, 忙碌) 等。针对 ASR 噪声导致的错误三元组，系统引入图谱校验机制：以实体中心节点权重策略过滤矛盾信息，再由微调后的 LLM 担任"图谱评判者"甄别幻觉与噪声，在领域特定数据集上达到 SOTA 效果。

• 更新与遗忘（Update / Forget）——多维奖励与类型感知衰减，系统采用多维奖励信号训练记忆管理策略。为解决"仅以用户确认为奖励"导致的奖励稀疏与信用分配困难，P-W Mem引入细粒度反馈对齐机制：基于用户对话所产生的数据，构建模拟任务进程，为Agent提供更多真实反馈信号来做监督。同时附加时间衰减系数，对于日程类记忆、事实记忆等不同类型做语义提及与时效性的加权自适应评分

• 点与边的权重关联，知识图谱中节点（人、事、物）与边（关系）的权重由多因子融合决定，包括：共现频率、时间新鲜度（感知衰减系数）与 Shapley 贡献值等等。这使得图谱并非静态的事实存储，而是一张随交互持续演化的带权关系网络——用户不关心的自动淡化，关键关系越用越强。