许多个人 AI 把长期记忆做成一个向量袋：切块、embedding、相似度检索。OpenHuman 的 Memory Tree 选择了一条更像编辑工作的路——原始片段会被装进桶，桶满后封存为摘要，摘要再向上汇成更高层的概览；需要证据时，又能沿树钻回叶子。
我喜欢它的原因很简单：记忆终于不只是“找得到”，还要回答“这句话从哪来”。
从叶子到摘要，发生了什么
每个来源先被确定性地切成带出处的 leaf。L0 的叶子依次进入 bucket；达到容量后，系统把这一桶压缩成 L1 summary。多个 L1 又可以形成更高层节点。长时间没有新内容的半满桶也会触发 stale seal，避免少量尾部资料永远游离在树外。
这是有损压缩，但损失是可管理的。上层节点负责导航，下层叶子保留原文跨度。检索时可以 walk 浏览候选分支，用 drill_down 继续向下，再以 fetch_leaves 取回证据。entity index 帮助选择入口，却不取代 source tree 的出处关系。
这里有一个需要实时修正的细节：早期公开材料会提到 source、topic、global 三类树；当前源码架构已经移除 topic tree 和 global tree，只构建 source tree，再借实体索引跨来源连接。文章如果继续写“三棵树”，会把已经发生的收敛误当成现状。
为什么不用一次性生成整份摘要
整份重写很优雅，也很危险。资料一多，每次更新都需要重读大量上下文；一次错误摘要还可能覆盖旧版本。bucket sealing 把影响范围限制在局部，新叶子只推动所在分支变化，已经封存的节点保持稳定。
它也很适合本地优先桌面应用。OpenHuman 的 React / Tauri 负责界面和系统外壳，Rust core 才拥有权威状态。记忆构建、队列与检索放在 core，意味着关闭某个页面不会让后台 ingest 逻辑失去主人；Markdown / Obsidian 形态则让用户能在模型之外检查结果。
当然，树并不会自动消除幻觉。摘要节点依旧是模型生成的，层层压缩可能把小误差放大。真正可靠的产品必须在回答时愿意下钻，而不是拿顶层概览冒充原始事实。
我的思考
OpenHuman 最容易与知识工作者、研究者、档案爱好者和隐私敏感用户产生共鸣。他们不只想让 AI 记住，还想保留一种能翻阅、修订和迁移的个人知识史。
市场变化会发生在“信任界面”上。个人 AI 的竞争不应只是谁能导入更多数据，而是谁能把摘要、出处、修改记录和删除传播展示清楚。对医疗记录、工作关系、家庭往事这类高敏感内容，可见的 provenance 可能比模型参数更像护城河。
我额外担心一种安静的风险：摘要漂移会变成机器替你撰写的自传。它未必明显错误，却会不断选择哪些细节值得留下。未来的个人 AI 应该允许用户声明“不可压缩的记忆”，也要允许多个互相矛盾的解释并存。一个人的历史，本来就不该只剩一条最方便检索的结论。