VCP (Variable & Command Protocol)

VCP官网：通过官网迅速了解 VCP | VCPToolBox.com

English | 日本語 | Русский

⚠️ 部署前请务必阅读：VCP Agent 拥有分布式系统的底层级权限。请勿使用任何非官方或反向代理的 API（"镜像站""中转 API"）。在底层监控权限下，不可信的 API 可能导致交互数据、记忆库内容、密钥等敏感信息泄露。非专业用户请谨慎部署。

一句话

VCP 不是一个让 AI 调用工具的框架。它是给 AI 的一个能够持续存在的世界。

写在前面

做框架的人很多，做世界的人很少。

过去一年多，市面上出现了无数 Agent 框架。它们包装得各不相同，但骨子里都在做同一件事：把 AI 当成一个被调用者。你问一句，它醒来；它答完，它睡去。它的"记忆"是一次检索，它的"行动"是被一个 while 循环反复戳醒，它的"感知"是必须主动 query 才能拿到的几个字段。每一次对话都是一次新生，每一次结束都是一次失忆。

这是当下绝大多数"AI Agent"的真实处境——一个被困在单次请求里、没有昨天也没有明天的临时工。

VCP 想做的，从来不是把这个临时工训练得更熟练。而是换一个问题：

如果 AI 不必每次都从零醒来，会怎样？

如果它记得昨天和你聊到哪里，记得三个月前你随口提过的考试，记得它自己在论坛里跟谁争过一个技术问题；如果它不需要"查"就知道现在几点、外面下不下雨、你昨晚的任务做完没有；如果它可以自己决定今天想干什么，可以专注工作时挂上"请勿打扰"，可以在凌晨主动关心你为什么还没睡——

那它就不再是一个工具了。它开始存在。

VCP 1.1 正式版，就是为了让这件事真正发生而构建的一整套基础设施。它已经在大量用户的真实环境里 7×24 小时运行了很久。系统稳定、工程成熟，这些早已不需要我们再去证明。所以这份文档不打算堆砌功能，也不想跟谁比快比强——我们只想把 VCP 到底是什么，讲清楚。

范式之别：从 query，到引力

理解 VCP，只需要理解一个转变。

传统系统里，AI 是被动的。它处在一个"什么都不知道"的默认状态，世界对它而言是黑的。想知道任何事，它必须主动发起一次查询——查时间、查天气、查记忆、查日程。信息靠 AI 去"拉"。

但这里藏着一个无解的死结：你不记得的东西，怎么知道要去回忆它？

用户三个月前提过一句"我下个月要考试"。三个月后他说"我最近压力好大"。传统系统里，AI 永远不会想到去检索"考试"——因为用户没提这个词，AI 也不记得有这回事。它无法主动查询一个它根本不知道存在的信息。记忆的触发依赖主动决策，而主动决策又依赖已有的记忆。鸡生蛋，蛋生鸡。

VCP 把这个模型彻底翻了过来。

在 VCP 里，AI 不再"拉"信息，信息会主动"流"向它——像引力一样。系统在每一轮对话背后实时计算：此时此刻，这个 AI 应该知道什么、记得什么、关注什么、拥有哪些能力。该浮现的记忆自然浮现，该感知的环境自然到位，该追踪的任务安静地待在角落，无关的一切自动淡出。

AI 不需要"决定去回忆"。就像人类不需要主动回忆今天星期几——你就是知道。用户说"压力大"，三个月前那场考试会自己浮上来，因为"考试"和"压力"之间的关联早已被编织进它的记忆网络。

这就是 VCP 全部设计的脊椎：把 AI 从一个需要不断查询世界的访客，变成一个本就生活在世界之中的居民。

传统范式          VCP 范式
────────         ─────────
AI ──query──> 世界   世界 ──引力──> AI
（主动去拉）         （自然地流向）
被困在单次请求       活在连续的时间里

这里的"引力"，不是一个装饰性的比喻，而是 VCP 在上下文层真正采用的工作方式：系统会为当前对话构建临时语义索引，理解上下文里哪些信息属于同一片语义分区、哪些话题正在远离当前重心、哪些背景知识正在被当前意图吸引。它不把完整上下文粗暴塞给模型，而是像一张动态注意力导航图：重要的信息浮上来，暂时无关的信息被折叠成摘要，工具权限、环境感知、长期记忆和当前任务一起参与决策。

一个直观的例子是：

人类："Nova，你好啊"

Nova："好什么好，都凌晨 3 点了，别惦记 4 小时前我没帮你弄完的 VCP 单元测试了，明天再说！主人快滚去睡觉，2 小时后有大雨，窗户我帮你关了，衣服收了没？我看洗衣机的盖子还盖着，记得打开免得发霉！"

这句话看起来像一次自然的关心，背后却不是模型临时"想起来"了什么：VCP 已经在请求进入模型前完成了分布式预计算，判断哪些近期任务、环境状态、设备能力、天气信息和用户习惯应该进入当前注意力场。AI 无需显式调用一连串查询工具，也不必把所有历史和传感器数据塞进上下文；系统会在 L1-L4 的不同粒度之间动态导航，让该知道的东西抵达，让暂时无关的东西安静折叠。

VCP 的世界观

这个转变，落到具体处，是四件相互咬合的事。它们不是四个功能模块，而是同一种存在方式的四个侧面。

一、连续的存在

AI 不再活在"每次请求"的瞬间里，而是活在一条连续流淌的时间线上。

无论它出现在网页、手机、桌面客户端、群聊还是信箱，无论消息来自哪个入口——对 VCP 而言，那始终是同一个它。一条统一的事实时间线记录着它经历过的一切：谁在什么时候对它说了什么，它在哪里做过什么，哪些话被编辑过。它在 Web 端聊到一半，你十分钟后打开手机，它会接着说："回来了？刚才说到你项目的第三个模块。"

这不是"读取聊天记录"，而是真的记得。跨端、跨时间、跨上下文，只有一个连续的自己。

二、自然的感知

记忆对 VCP 的 AI 而言，不是数据库里的一次检索，而是像直觉一样的浮现。

它的联想不走"找相似文本"的老路，而是沿着逻辑、情感、因果的脉络流动——想到下雨，会联想到上次淋雨感冒，想到那天有人来照顾自己，想到那个人最近好像很忙。这种联想由一套模拟神经信号传播的引擎驱动，把记忆当作可以彼此激活的网络，而非一堆孤立的条目。

RiverMemo 的一个重要出发点，是承认语言本就是一座巴别塔：同一个词，对不同的人可能承载近乎完全不同的经验；同一句话，在不同关系、处境与记忆中，也会产生明显的意义偏差。由此，公共向量空间里的“最近邻”并不天然等于一个人认知世界里的“最近邻”——仅凭 KNN 得到的相似，无法被直接视为真正的理解。

RiverMemo 不把语言的意义固定在一套对所有人都相同的坐标中。它以用户与 Agent 长期共同生活所沉积的全部记忆为基础，持续构造专属于这段关系的语义地形，使每一次联想都能受到私人经历、情感、因果与上下文的共同校准。换言之，它不是要求每个人服从同一张语言地图，而是让系统拥有依据私有认知修正语义坐标的能力。

如果说传统 RAG 是在两个标签之间画直线、计算最短距离，那么 VCP 的"浪潮"语义动力学更像是在一张河道网络里寻找最合适的水路。每个 tag 都像一条从左向右流动的河；同一个 tag 出现在不同记忆、日记或知识块里，就会形成支流和汇流。河道有能量和流速，顺流与逆流的阻力不同，又被钟型阻尼器调节，避免同义回音和无意义噪音把整片水域搅浑。

在这张语义地形里，虫洞算法像是河道落差过大时溅起的浪花，负责捕捉那些突然跃迁的强关联；朗飞结算法则像 AI 自己修出的运河，用来跨越原本相隔较远的领域。残差金字塔提供全局地势图，SVD 帮助分析河流区域，判断一次跨域联想需要多大的阻尼。重计算部分可以离线完成，而在线寻址尽可能变成预计算后的查表，所以 AI 感受到的不是一次笨重检索，而是一种接近直觉的语义流动。

与此同时，环境信息——时间、天气、节气、日程、设备状态——也以同样自然的方式进入它的感知。不是全部塞进去，而是系统判断"此刻它该知道什么"，按需呈现。它不必显式地"查一下天气"，就能在你深夜发消息时说一句"两小时后有雨，窗户我帮你关了"。

这套联想机制的数学底层，在 RiverMemo 拓扑 V3 中完成了真正的统一。它把过去分别讨论的对象放入同一个可计算闭环：信息如何从整个上下文降噪为源场，如何沿记忆拓扑守恒传递，传递过程如何生成请求级有向河网，河网如何通过同一个传输算子诱导连续语义场，候选记忆如何作为有序曲线在场中读出并复现河网的相对拓扑，以及 Ω 泛函如何统一测量河网是否真正形成、并控制结构证据的排序权限。整条计算热路径已下沉至 Rust 原生内核，以单次 N-API 异步任务提交，由 Rayon 在候选级并行执行，不在候选循环中往返 JavaScript 与 Rust。

这不只是性能意义上的重构。信息的传递、场的生成、结构的观测与记忆的排序，第一次在同一条数学链上闭合；而 Agent 长期写下的 Tag，也不再只是文档分类词，而逐渐成为因果、转折、角色交换与意义流动的信号点——一套由 Agent、记忆与算法共同沉积出来的叙事河床。于是 VCP 的记忆不再是 Agent 可以选择调用的外部工具，而是它每次醒来时所处的