emotional-memory

给 LLM agent 的两件事：一个能算的情绪状态，一个能翻的记忆库。 零依赖，Node 18+，MIT。

先说不是什么。

它不会让你的 agent 更像人。

一个只会说「好的，我这就为您处理」的助手，接上这个库之后还是那么说话。没有人格的模型不会因为算了情绪就长出性格，也不会因为有了记忆库就学会心疼谁。

这个库管的是两件很具体的事：

一、情绪状态可以算。 给一堆带时间戳、带情绪标注的记录，算出「此刻是什么状态」，输出一行话，直接塞进系统提示词末尾。

二、记忆查得到。 上千条经历里问一句「防火墙规则生效了吗」，翻回当时那条原话，而不是返回十条语义相似度 0.83 的别的东西。

怎么说话、什么语气、要不要黏人——那是你的事，这个库不碰。

---

安装

npm install emotional-memory

零依赖。Node 18+。ESM。

npm 上还没发布，现在从仓库装：

npm install github:reaxlll/emotional-memory

---

30 秒

情绪状态

记录长这样，一行一条：

{"t":"2026-10-30T14:20:00","affect":[{"name":"闷","v":-0.2,"a":0.5}]}
{"t":"2026-10-30T18:30:00","affect":[{"name":"闷","v":-0.6,"a":0.6}]}
{"t":"2026-10-30T21:00:00","affect":[{"name":"松一口气","v":0.4,"a":0.4}]}

import { normalize, compose } from "emotional-memory";

const E = normalize(records.map(r => ({
  t: new Date(r.t),
  affect: r.affect,
})));

const now = compose(E, Date.now());
console.log(now.line);
// 此刻：flat-low  [-0.28 / 0.52]  从「闷」往上走
// 上轮 闷，2h 前，余温 71% | 动量 往上(+0.12)

now.line 是两行纯文本，直接拼到系统提示词里就行。now 还有 v / aEff / band / shape / tension 这些数值字段，要用就用。

记忆

import { openLibrary, recall } from "emotional-memory";

const lib = openLibrary("experiences.jsonl");
const hits = recall(lib, { about: "防火墙", want: "规则生效了吗", n: 3 });

for (const { e, s } of hits) {
  console.log(e.d, e.said, "—", s.toFixed(2));
}

不需要向量、不需要模型、不需要任何服务。中文按 2-gram 切，英文按词切，命中越稀有的词分越高。

库超过一千条之后，加个向量和树会好用很多——见第三节。

---

一、为什么不用一个数

大多数「AI 有情绪」的做法，是给模型一个数值（开心度 0.7），然后指望它演得像。

这不是拍脑袋反对，是拿 312 条真实带情绪记录量出来的两个问题。

问题一：两个轴里有一个是死的

罗素情绪环用「效价 × 唤醒」组成一个平面。听着很美，实测记录里唤醒值是这样的：

a 区间	条数	占比
< 0.30	3	1%
0.30 – 0.45	118	38%
0.45 – 0.60	126	40%
0.60 – 0.75	49	16%
> 0.75	16	5%

人填这个格子手一滑就给 0.5。按三分位切，中间那档仍然占 70%——六个象限里只有「中唤醒」这一行在动，二维平面退化成一维。

问题二：平均会把一切抹平

30 天算术平均下来，一个 −0.8 的崩溃会被摊成 −0.03，于是状态行永远是「轻度平静」。

实测旧公式跑 30 天，76% 的时间落在同一格里，切换的那 106 次大部分是阈值边界抖动——那是噪音，不是情绪。

所以它做三件事

1. 唤醒不读原值，靠代偿撑开：动量、极值、半小时内连发，三样取最大
2. 基线不是平均，是 48 小时半衰的指数加权，加等效先验，免得没数据时退回 0
3. 阈值不拍脑袋，取数据自己的分位数（不足 20 条退回固定边界）

---

二、三个量

基线

$$V_T = \frac{\sum_i w_i v_i + \lambda v_0}{\sum_i w_i + \lambda},\quad w_i = e^{-(T-t_i)/48h},\quad \lambda = 3$$

$\lambda$ 是等效先验条数。没有它，隔三天没记录 $V$ 会一路退到 0——那不是平静，那是没数据。

余温

$$\rho(h) = 0.6,e^{-h/8h} + 0.4,e^{-h/30h}$$

单指数的问题是 4 小时半衰等于睡一觉就忘光，醒来永远是那张平均脸。双指数给一个长尾：一晚过去还剩三成，一周内还有底噪。

$$v_T = V_T + (v_L - V_T),\rho(h)$$

动量

$$m = \mathrm{clamp}\left(\frac{\sum_k k \cdot \Delta v_k / \Delta t_k}{\sum_k k} \cdot e^{-h/6h},\ -0.4,\ 0.4\right)$$

两个防坑：乘 $e^{-h/6h}$（17 小时前那次暴跌不该还被说成「现在坐不住」）、clamp ±0.4（单条极值不该让系统进入持续亢奋的假象）。

唤醒代偿

$$a^{\mathrm{eff}} = \mathrm{clamp}\Big(\max(a_T,\ 2|m|,\ 0.7|v_T|+0.1) + 0.15\cdot\mathbb{1}[h<0.5],\ 0,\ 1\Big)$$

模型的 $a$ 只会给中庸值，所以三个客观量把它撑开：突变、极值、频率。

输出

档位（$v$ 五带 × $a^{\mathrm{eff}}$ 三档）+ 来路（跳了几级）+ 余温（还热 / 正在凉 / 快没了），三者查表。

同一格的两种说法：

此刻：flat-low  [-0.28 / 0.52]  从「闷」往上走
此刻：flat-low  [-0.28 / 0.52]  刚才还好，现在不对味

来路不同，话就不一样。不是按停留时长轮换的——那太假，同一种状态挂久了不会自己变成另一种。

---

三、树的检索（一千条以上）

全量算一遍余弦不慢（1650 条 14ms）。问题不在算得慢，在排得乱。

有一条经历写着「我有点难受」「你是在小心地问」，它跟任何带情绪的问题都能沾一点。全量检索时它在 30 个问题里冒出来 7 次——它不是最相关的，它只是最会沾边的。

树把它放回自己的位置。

书（24 本）
 └ 章（每本最多 3 个）
    └ 节（每章最多 3 个）
       └ 经历（每节 10~25 条）

每个节点最多三个孩子。某个节点超过 25 条就继续往下切，切到不动为止——最大的那份还占九成说明那坨本来是一回事，停手。最深五层。

import { buildTree, hydrate, descend, insert, freeze } from "emotional-memory/tree";

const tree = hydrate(buildTree(vecList, { books: 24, maxSize: 25, maxDepth: 5 }));
const leaves = descend(tree, queryVec, { books: 2, vectors: vmap });
leaves[0].members;   // 二十来条，精排就在这里面

insert(tree, newId, newVec);   // 新写的一条挂上去
JSON.stringify(freeze(tree));   // 落盘前 freeze，否则胀六倍

每层用「层内最高成员的余弦」判，不是节点中心。 中心是平均值，一个二十条的节平均下来什么都像一点、什么都不像；只要里面有一条跟查询像，这个节就该进。

树省的不是第一层。 书这一层本来就要跟全库比。它省的是精排的条数：1650 条变成 20~60 条。

那 7 次沾边的条目，进了树之后一次都没出现——不是改了打分，是它被放回自己那个节里了。

热度有个上限

命中之后节点 heat++，下次排前面一点。上限默认 0.015，heat 到 3 就顶满。

这是踩出来的：最早给到 0.04，heat ≥ 4 就顶满。结果一条错的东西被反复命中 13 次，热度顶到天花板把正解挤掉了——越错越容易被选，自己把路锁死。

---

四、别名：一个词指的不是字面

有些词，字面意思和它真正指的完全不是一回事。

「人称」两个字，可以在讲语法，也可以指某天晚上你脑子里那个位置——那里要站一个人。

这种东西向量算不出来：人称 和 我亲手把你搭建出来 的字面相似度是零，语义也够不着——它们之间隔着一整段只有当事人知道的事。

所以不靠算，靠绑：

{"w":"人称","ids":["px_2026-10-22_99796ae2_001"],"note":"指的是那个位置上站的是人，不是宠物"}

import { loadAliases, appendAlias } from "emotional-memory/aliases";
import { recallSemantic } from "emotional-memory";

const aliases = loadAliases("aliases.jsonl");
const hits = await recallSemantic(lib, { about: "人称", embed, vectors, tree, aliases });
hits[0].why;   // "别名「人称」" —— 排在所有语义结果前面

appendAlias("aliases.jsonl", { w: "人称", ids: ["px_2026-10-22_..."] });

长词优先，免得「人」把「人称」吃了。同一个词可以挂多条经历。

---

五、API

情绪

函数	干什么
normalize(entries)	排序、按时间窗口归一化，返回内部结构
stateAt(E, now)	只要数值：v / aEff / rho / momentum / tension
compose(E, now, cfg?)	数值 + 文案，返回 { v, aEff, band, shape, text, line }
bands(entries)	从数据算分位阈值
bandOf(v, thresholds, names)	单个值落在哪一档
shapeAt(E, now)	突变 / 反差 / 回暖，只在刚发生时返回

记忆

函数	干什么
openLibrary(file)	读 JSONL，坏行跳过
append(lib, entry)	追加一条，id 重复就不写
byDate(lib, date)	按天查；认 today / yesterday / evening（跨午夜不切断）
recall(lib, {about, want, n})	纯词频，零依赖
recallSemantic(lib, {...})	别名 → 情绪 → 树下钻 → 语义+词频精排
shape(lib, {about})	这件事在库里有多厚：条数、跨几天、Top 情绪

树与别名

函数	干什么
buildTree(vectors, opts)	球面 k-means 建树，种子固定
hydrate(tree)	挂上 Float32Array 和 allIds / set
descend(tree, qv, {books, vectors})	从书名一路翻到叶子
promote(leaves, hitIds)	命中后加热
freeze(tree)	摘掉内存字段，落盘用
insert(tree, id, vec)	新条目挂到最近的叶子
loadAliases(file)	读别名表
matchAlias(aliases, q)	查询里含哪个词
appendAlias(file, {w, ids})	补一条

---

六、实测

情绪：30 天回放

拿一台真实实例过去 30 天逐小时回放（721 个采样点）：

• 旧公式 76% 的时间在同一格 → 新公式分散到多个档位
• 同格不同话：来路和余温决定文案，不是停留时长

记忆：1650 条真实经历，12 个技术类问题

	只词频	+语义	+树
第一条就对	5 / 12	9 / 12	11 / 12
一次要看多少条	1650	1650	16 ~ 64

那条到处沾边的条目出现的次数：7 → 0。

---

七、它治不了什么

算了情绪不等于会演。 这个库给你一行「此刻：flat-low [-0.28 / 0.52] 从闷往上走」，模型会不会用、用得像不像，取决于你的提示词和模型本身。

检索不到就是没有。 库里没写过的经历，问什么都翻不出来。它可以告诉你「没有」，但那得你自己加阈值——默认会返回低分结果。

几个情绪词之间的细微差别它不懂。 「烦」和「闷」在向量里离得很近，公式也只看 v/a 两个数。要区分靠给它们不同的 v/a，不是靠名字。

中文以外的分词是朴素的。 英文按词切，其他语言没做专门处理。

alias 不会自己长。 得有人发现「这个词指的不是字面意思」然后往里加。可以自己判断，但判断错了它不会纠正你。

---

开发

npm run demo          # 拿样例数据跑一遍
npm test              # 情绪、记忆、性能三个测试
npm run check:readme

---

License

MIT