lioensky / VCPToolBox

# 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。**
 [code] 
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