User Profile: AI That Understands Who You Are
neuromem team
传统的 AI 记忆系统只做一件事：存储事实。"用户喜欢 Python"、"用户住在北京"——这些都是有用的信息，但它们拼不出一个完整的人。
neuromem 的用户画像功能走得更远。它不只记录你说了什么，还通过 digest 反思机制理解你是什么样的人。
3
画像维度
3
特征子类型
2
情绪维度
4
证据等级
画像的三个维度
neuromem 的用户画像页面展示三个层面的信息：
事实摘要（Facts）
事实是从对话中提取的离散信息，按类别组织。比如：
- 工作：在某公司担任后端工程师
- 技术栈：主用 Python 和 TypeScript
- 偏好：喜欢用 pnpm 而不是 npm
事实是客观的、可验证的。它们来自用户的直接陈述，每条事实都可以追溯到原始对话。
特征概览（Traits）
特征是 neuromem 最独特的能力。与事实不同，特征不是从单次对话中提取的，而是 digest 引擎在多次对话中观察到的行为模式。
每个特征包含以下信息：
- 内容：特征的文字描述
- 子类型（Subtype）：行为（Behavior）、偏好（Preference）或核心（Core）
- 阶段（Stage）：从 trend 到 core 的生命周期阶段
- 置信度（Confidence）：AI 对这个特征有多确定，以百分比显示
- 支持次数 vs 反驳次数：有多少证据支持这个特征，有多少证据与之矛盾
特征按置信度分层，形成一个认知层级：
行为（Behavior）→ 偏好（Preference）→ 核心（Core）
直接可观察 从行为中推断 深层人格维度
行为是表层模式——"经常深夜写代码"、"总是在做决定前查数据"。偏好是从多个行为中归纳的——如果一个人总是查数据、要求 A/B 测试、拒绝没有数据支持的方案，系统会推断出"偏好数据驱动的决策方式"。核心是最深层的人格特征——"高尽责性"、"重视自主性"。
三层特征认知层级
从直接可观察的行为到深层人格维度的抽象过程
近期情绪（Recent Mood）
neuromem 追踪对话中的情绪信号，在画像页面展示近期的情绪概览：
- 效价（Valence）：情绪的正负方向，-1 到 1 的范围
- 唤醒度（Arousal）：情绪的激烈程度，0 到 1 的范围
- 样本数（Samples）：基于多少条消息的统计
- 时间段（Period）：统计的时间范围
情绪追踪不是为了"监控"用户，而是为了让 AI 更好地理解上下文。一个情绪低落的用户可能需要更温和的沟通方式；一个高度兴奋的用户可能正在经历重要的事情。
置信度的意义
画像页面中每个特征下方都有一个置信度进度条。这个设计的核心目的是让用户信任 AI 的判断。
传统系统给出的标签是非黑即白的："你是一个内向的人"。但现实中，人的特质是有程度之分的。neuromem 的置信度机制让用户看到：
- 这个特征被多少条证据支持？
- 有没有矛盾的证据？
- AI 有多确定？
一个置信度 90% 的核心特征和一个置信度 35% 的新趋势，对用户的意义完全不同。透明的置信度让用户可以判断 AI 的理解是否准确，而不是被动接受一个黑盒的结论。
适用场景
用户画像功能适用于多种需要深度理解用户的场景：
- 个人 AI 助手：让助手记住你的工作方式、沟通风格和偏好
- 心理健康应用：通过情绪追踪和行为模式识别，辅助心理健康评估
- 教育辅导：理解学生的学习风格、知识盲区和情绪状态
- 客户服务：为每个客户建立行为画像，提供个性化服务
neuromem 的画像不是一个静态的表格，而是一个持续进化的认知模型。随着对话的积累和 digest 的执行，画像会变得越来越精准——不是因为存储了更多数据，而是因为系统在不断反思和修正自己的理解。