为什么是 Previously
对话是 UI 产物。时间线是认知模型。Previously 从根本上重新思考 AI 交互：修复记忆模型，交互模型便会自行修复。
两个问题，同一个根源
当前 AI 助手存在一对相互关联的缺陷，大多数人将其体验为同一种挫败感。
问题 1：记忆被束缚在单次对话中。 每一次新聊天都从零开始。Agent 看不到你昨天、上周或在另一个相关话题的线程中讨论过什么。跨对话回忆需要拼接向量数据库、RAG 流水线和提示词工程——即便如此，结果仍像在跟一个失忆症患者交谈。
问题 2：对话列表是错误的心智容器。 人类不会把记忆整理成"跟妈妈的第 47 次聊天"。你是根据事情发生的时间和内容来记忆的。扁平化的聊天线程列表是消息应用遗留下来的 UI 产物，而不是人类实际思考和回忆方式的模型。
这两个问题是同一个错误的两面：围绕对话 UI 而非围绕记忆来构建产品。
记忆模型修复交互模型
如果一个 Agent 真正记住了你——跨越时间、跨越话题、跨越数天或数周的间隔——那么对话管理就变得不再必要。你不需要选择或创建正确的线程。你不需要提醒 agent 你是谁、你在做什么。你只需要出现，然后对话。
Previously 用时间线取代了聊天线程列表：一个从上到下的垂直时间切片视图。每个切片是一段不间断的对话片段——你开始说话时打开，在静默 30 分钟后自动关闭。路径精确告诉你它发生在何时：
memory/episodic/slices/YYYY/MM/DD/HHMM.md
一个日历日是一个目录，可以包含多个切片。没有需要命名、整理或搜索的对话——只有一段持续不断的关系，向上滚动回顾过去，向下滚动继续。
每次请求的上下文都保持有界，因为提示是从时间线上相关切片中组装而成，而不是来自不断增长的对话窗口。Agent 不会忘记长历史的开头，因为开头从未出现在窗口里——只有那些重要的片段，每次都被重新组装。
"Previously"这个名字来自电视："Previously on..."（上一集回顾）——简要回顾上次的内容，刚好够你从停下的地方继续。
设计原则
完整的 Agent，而非仅仅一个记忆工具
Previously 可以读、写、推理和行动。记忆使交互看起来连续，但它并非唯一的能力。Agent 对你的 GitHub 仓库运行工具，使用多模型架构（DeepSeek V4 Flash 负责快速回忆和元数据维护，DeepSeek V4 Pro 负责深度推理和生成回复），并在一个白名单安全边界内运行，该边界将 agent 的写入权限限制在 memory/、tasks/ 和 sessions/——src/ 目录是只读的。
记忆是真正的难题
存储对话是微不足道的。在正确的时刻以正确的深度检索到正确的记忆，才是真正的难点——而这正是投入精力的地方。架构体现了这一优先级：每次请求一次 Flash 往返，同时完成意图分类、回忆扫描和元数据维护。复杂度预算投入到核心的"存储-索引-回忆"循环中，而不是配置旋钮或边缘情况。
你的记忆属于你自己
记忆是带有 YAML 前置元数据的纯 Markdown，存储在你自己的 GitHub 仓库中。每个文件都可被任何工具读取、可移植到任何系统，并通过 git 进行版本控制。没有云数据库、没有向量存储、没有专有格式。存储后端可在本地文件系统（开发环境）和 GitHub API（生产环境）之间切换，但格式完全一致。
白名单安全层强制执行这一所有权。Agent 工具只能写入 memory/、tasks/ 和 sessions/。代码——agent 的运行时和能力——在 src/ 中保持只读。
简洁胜于复杂
只有一个切片规则决定一个对话片段何时成为新切片：30 分钟静默。早期版本有容量检查和 Flash 连续性检查；这些已被移除。一个硬编码的阈值——这就是全部规则。每次请求一个 Flash 调用，在一个往返中同时处理回忆、意图路由和元数据维护，附带一次重试（300 毫秒）和一个回退到安全默认值的降级方案。
简洁是一个有意的选择：每一个可配置的旋钮、每一个边界情况处理器、每一个存储的标志，都是对未来推理征收的税。Previously 只在核心循环中——在真正产生价值的地方——才支付这笔税。
人类记忆是正确的隐喻
架构直接映射到认知科学。Endel Tulving 在 1972 年提出的情景记忆（与时间和地点绑定的事件）和语义记忆（抽象知识、事实、概念）的区分是蓝图：
- Slices 是情景性的——"发生了什么"，按时间组织。
- Strands 和 memory nodes 是语义性的——"是关于什么的"。Strand 是一个关键词，贯穿所有包含它的切片；
memory/episodic/strands.json将每个 strand 映射到其切片路径。（实验性：strand 在切片关闭时写入，但尚未在召回时被扫描。）
回忆遵循这种分层模式。Flash（快速、轻量、有意设计为可犯错的那个模型）扫描最近的切片摘要，返回带有相关性分数的指针——一种快速的条件反射。Pro（主模型）接收这些指针，决定通过 readMemory 完整读取哪些切片——深思熟虑、深入且资源充沛。如果 Flash 没有找到任何内容，Pro 直接扫描切片目录。
上下文依赖性记忆研究（Godden & Baddeley, 1975; Smith & Vela, 2001）表明，当检索上下文与编码上下文匹配时，回忆效果更好。时间线保留了时间上下文，而回忆正是利用这一点。
Flash 回忆和深度回忆已在 previously-demo.ldwid.com 的在线 demo 中发布（只读，记忆写入已禁用，刷新后重置）。更丰富的基于 strand 的回忆——在查询时主动扫描 strands.json——是一个明确的未来里程碑。
延伸阅读
本文是对 Previously 设计哲学的高层概述。深入的技术探讨请阅读作者的英文文章：Is Time the Missing Dimension in AI Memory?（dev.to，英文）。
状态
Previously 目前处于实验阶段。它是一个单人研究项目，尚未准备好用于个人或生产环境。本文所述一切反映的是 v0.1.0 的设计意图和可用代码——标记为路线图的功能正在积极演进中，而非最终的确定性承诺。