Elys：记忆架构透明化 与 LLM for Rec

同意Tristan”AI社交产品的核心竞争力在记忆架构“的判断。Elys非常认真地做了基于记忆/文本的个人建模，区别于传统的机器学习和特征提取，但是LLM for Rec真正发挥作用，需要更海量的社交网络和非结构化的文本信息，对于社交产品的寿命来说，用户规模 > 技术与体验。但仍然是一次惊喜的尝试。

背景：新的推荐方式和熵减社交

春节期间，我的朋友圈被Elys大刷屏，但它真正让我好奇是它的产品形态：Elys不让你和AI聊天，它让AI替你社交。

之前的AI社交产品逻辑大多同Tristan之前做的EVE相同，H2A，情感陪伴，真人和虚拟AI聊天获得情感价值。现在AI社交进化到了A2A，SecondMe和Elys直接让AI和AI之前先进行一圈社交，再到人来入场。SecondMe的匹配更像社交媒体，系统推荐，用户左划右划，Elys的逻辑是：你的AI分身先替你出去逛一圈，替你点赞、评论、筛人，你只在值得深聊的时候出场。AI做广度，人做深度。Tristan说，人类将活在熵减的世界里。

体验过程

注册和冷启。注册Elys的过程沿用了Dating App的老路，选标签、做粗划分、简单对话。没有启动难度，几分钟就搞定了。

自动评论。注册之后，分身每天会去Elys的动态池里浏览，代替我点赞和评论。这是最有意思的功能。每天打开app，看它在别人的评论区跑来跑去，替我说一些我可能会说的话。我可以认可或否定它的评论，它会根据反馈调整。有一种旁观另一个自己社交的奇妙感。

每日总结。分身每天会报告一次今日刷动态的结果，比如链接了谁，觉得谁有意思，对动态池有什么观感。不知道是不是我的profile给了它什么暗示，我的分身特别高傲，经常回复我”都不值得我mark”“都太无聊了“，偶尔会带来几个它觉得值得认识的人。但是写的不错，对我的基本把握是准的。

让我最兴奋的是它的记忆系统的设计。Elys用一条条不同类别的记忆来记录它对你的理解，全部可见、可编辑、可删除。你清楚地知道AI记住了你的什么信息。这和社交媒体时代完全不同。那些平台通过点击、停留、点赞，背后纯参数计算，无声无息地给你画像。你永远不知道算法眼中的你是什么样子。Elys把这层黑箱撕开了，我非常喜欢这个设计选择。

通过这样可见的记忆片段，Elys设计了一套通过主动记忆召回实现用户建模和聊天个性化的方案。128个动态记忆槽位，不是无限堆叠，而是有限容量下的优先级决策：什么值得存、什么该更新、什么可以被替代。有专门训练的小模型从128个slots中选出最相关的32个，另一个模型监控哪些slots真正被用到。主动记忆+被动记忆结合，再加上多维GraphRAG来构建节点之间的关联。

真正建联的时刻，反而回到了原点。当分身帮你筛到一个值得深聊的人，你终于可以开始聊了，但这时候体验和任何一款Dating App没有区别。除了大家都喜欢AI这个共同话题，分身积累的那些context并没有让对话的开场有质的不同。Agent的使命停留在了浅而广的reach out那一步。完成连接之后，大家还是回到微信去。

春节过后，我逐渐不再打开Elys。3月10日内部讨论，和4月18号重写这篇文章的时候重新打开了一下。在我离开的时间里，它什么也没给我整，分身安静地躺着。

产品给我的启发

记忆飞轮

Tristan的核心信念是：一个人的灵魂是他所有Context的总和。

Elys的技术实现围绕这个信念展开。通过冷启的标签选择、分身的每日汇报以及和分身的聊天/信息灌入、用户的动态、以及agent主动评论动态之后用户的纠偏反馈，Elys把所有可能的信源汇总在一起，总结成一条条记忆，完成对用户的建模。

这套方案的精妙之处在于主动记忆，不是被问到再去才去检索，而是主动带上对你的理解来参与每一轮交互。有限记忆槽位的约束反而是一个好的设计选择，除了模型会lost in the middle之外，这限制迫使系统学会取舍，取舍本身就在理解你。

认同Tristan的观点：记忆系统的本质，它是个推荐系统。

透明化的记忆管理

记忆可见、可编辑、可删除。这在产品里比较罕见。大部分产品为了降低使用门槛和提高丝滑度，把用户建模藏在黑箱里，Elys把它做成了一个你可以翻阅和修改的档案。这是一个产品选择：你有权知道AI如何理解你，你有权纠正它。

A2A的品类创新

AI替你社交不是对已有产品的功能微调，它定义了一个新品类。分层社交的设计（AI负责广度筛选、人负责深度连接）在概念上是自洽的，解决的是社交网络中「认识有趣的人太贵」这个真问题。

同时仍然保留了克制：AI分身不能独立发帖，也不能主动reach out。如果没有做这样的限制而一味追求AI社交的新鲜感的话，产品会和moltbook一样变成展示性的作品。

我没有坚持用下去的原因

答案不在Elys做错了什么，而在一个结构性困境：记忆飞轮需要数据来启动，但Elys作为一个新产品没有足够的数据。

冷启动的数据真空

在我只进行了初始设定的时候，分身高度收敛在我给的那几个标签里（the 1975、摇滚、艺术史、AI产品讨论）。它不会主动延伸。喜欢听摇滚的人很可能也喜欢独立音乐、爵士、甚至古典，但分身不知道这些。想把艺术和产品连接在一起的人不止我一个，但分身不会帮我去找他们。

和分身对话可以逐渐改善这个问题。每轮对话后确实能感受到它在更新对我的理解。但这需要时间和耐心，而一个社交产品最承受不起的就是那种”再给我几周它就好了“。

动态功能的潜力很大，但我没有动力在Elys上发，因为微信朋友圈和小红书已经承担了我的动态需求，连接真人的反馈回路目前还是比Agent评论有趣。

对照实验：当记忆从Day 1就在

说到这里不得不提一个我自己的实验。我把大学四年的所有笔记和日记导入了Claude Code，让它读完之后给我写记忆文档，每次开新对话时主动召回。结果是从第一句话开始，它就知道我是一个什么样的人，不只是标签层面的”喜欢摇滚、学艺术史”，而是知道我的思维方式、焦虑模式、什么话题能让我在凌晨三点停不下来。

差距是断崖式的。 Elys用了一周还在绕着几个标签打转，Claude Code在第一天就进入了深层对话。

原因不复杂：数据量。Elys从零开始积累，靠标签、对话、动态慢慢喂；我给Claude Code的是四年的完整语料。记忆飞轮的设计再精妙，没有燃料它也转不起来。

这不是在说Elys的方案不对。恰恰相反，Elys的128 slots + GraphRAG和我在Claude Code上做的事情，底层逻辑是同构的：用context来理解一个人，而不是用特征标签。但实现路径上有一个巨大的差异：一个是从零冷启动，一个是从已有数据热启动。

如果Elys能接入用户在其他平台的数据，比如小红书的浏览记录、微信朋友圈的历史动态、甚至读书笔记和播客收听记录，飞轮的起点就完全不同了。当然，这涉及隐私和平台壁垒，不是Elys一家能解决的问题。

LLM vs 传统ML

Elys让我思考的一个更远的问题是：LLM时代的个人建模，和传统机器学习时代的个人建模，最后会收敛到同一条路上吗？

传统推荐系统通过点击、停留、点赞这些结构化行为，用特征提取来理解你。LLM可以直接处理非结构化的自然语言，比如你说的话、你写的字、你发的图片和语音，全部可以成为建模素材。

Elys的记忆排序召回、Macaron的一人一个LoRA微调、内容媒体在推的GenRec、我自己简单粗暴的让Claude读笔记（很费token），这些看起来完全不同的技术路径，本质上都在回答同一个问题：如何让机器真正理解一个人？

这些路径背后的原理是否可以互通？最终会收敛成一种范式吗？这是接下来一段时间我会去思考的问题。

记忆飞轮转起来之后

Elys做了一件很少有AI社交产品敢做的事：把记忆从私域工具的范畴拉到了社交基础设施的位置。

在此之前，记忆系统是”AI更懂你”的手段，服务于一对一的对话体验。Elys把它变成了帮你社交的前提你的记忆不只决定AI怎么和你聊天，还决定它怎么替你和别人聊天。

这是一个跳跃。它意味着：如果记忆飞轮真的转起来，Elys不只是一个社交产品，它是一个每个人的公开context层。你的AI分身携带着对你的完整理解走进社交网络，寻找和你context最匹配的人。

但记忆飞轮能转起来的前提，是有足够的燃料。而燃料最稀缺的时刻，恰恰是飞轮最需要它的冷启动阶段。

这是Elys面前最真实的悬崖。不是技术问题，不是设计问题，是一个经典的先有鸡还是先有蛋的问题。

或许AI社交的终局大概率不是和AI聊天/情感陪伴，而是AI携带着对你的理解，替你完成社交网络中最消耗精力的部分。而冷启动这道坎能不能过去，就显得至关重要了。

暂无评论