AccInt

累积智能

让 AI 的工作不断积累。把任务交出去，绝不把学到的东西丢掉。

AI Agent 功能强大，却健忘：每次运行都要花掉 token 来完成实际工作、交付结果，然后就忘得一干二净。你只是在租用能力，永远无法真正积累。acc 将工作单位从转瞬即逝的任务，变成会不断增值的投资。把工作交给你已经在使用的 Agent（Claude Code、Codex、OpenCode、Cursor），让两种东西不断积累，汇成一项由你拥有的资产——代表你业务的工作模型：你的智慧（你如何决策、什么才算出色、哪些事绝不允许），以及你 Agent 的 token（每条经过验证的路径都会提炼成运行时流程，供其重放，而不必重新推理）。它会从实际结果中学习哪些做法真正有效，并在下次运行开始前预测更好的路径。它会在你的真实账户中执行操作，为每一步留下凭证；任何将要离开你机器的内容都必须经你批准，再由现实检验结果。因此，同样的工作每次都会变得更省钱、更快，而且确实更出色。学习成果归你所有：**更换模型，留下经验丰富的公司老手。**你的工作将转化为由你拥有、在你掌控的机器上运行的资本。

predict the better path  →  act in your accounts, receipted  →  reality settles it  →  the Work Model sharpens

**在线体验：accint.xyz。**承诺账本会在那里实时结算，同时还会展示完整介绍，以及随系统运行而更新的实测数据。引擎源码尚未公开；二进制文件可通过一行命令安装（见下文），构建模块则是开源的。我们会明确说明哪些已得到验证，哪些仍在早期阶段。

---

为什么要做这个

一个模型今天在基准测试中得分 90%，明天仍然是 90%。它不会从部署中学习，不会追踪哪些输出带来了好的结果，也记不住上周犯过的错误。它生成智能，又把智能丢掉。你只能继续花时间和 token，重新发现那些已经验证有效的方法。

Accreted Intelligence 押注这种状况只是暂时的。它要把学习从模型权重中移出，放入经过评分的外部状态中，让判断力在与现实接触的过程中不断积累，同时让模型成为可替换的处理器，而不是智能的栖身之处。推理引擎是你可以替换的部分；它在你的世界中获得的判断力，才是你可以保留的部分。

现有工具的定位之间存在一个空缺，而 acc 正好填补了它。记忆工具记住上下文，可观测性工具展示追踪记录，自动化工具运行操作手册。acc 则闭合了学习循环：承诺、行动、审批、结果、可复用路径——根据结果评分，在账本上审计，并完全在你的硬件上运行。它还做到了记忆工具做不到的一件事：根据你过去实际验证有效的一切，预测最可能成功的路径，然后观察自身预测的误差。

acc 是这一主张的可运行内核。它是一个基于后期交互评分 token 记忆的递归语言模型：在同一份记忆上执行两种操作。信用默认基于弱先验，只有现实才能赋予其充分权重。

---

一个适用于所有工作的通用工作流

技术工作和非技术工作没有单独的模式。无论你是在发布代码，还是在催收发票，循环都完全相同。不同的只是检索和执行的内容。你用通俗的语言与 Agent 对话，领域知识体现在内容中，而不是架构里。

工作	第 1 次运行	acc 现在会预测并重放的内容
发布一项功能	推理每一步，运行测试	能捕获此类 Bug 的测试，以及通过测试的路径
寻找候选人	读取你的 ATS、筛选候选人、起草首次联系信息	能收到回复的寻访角度
催收发票	读取账簿，起草催款提醒	实际能推动应收账款回款的提醒节奏
周一客户简报	收集信息、起草简报、归档	每位客户会阅读的简报形式

（仅作说明。实测数据见 accint.xyz。这些行展示的是模式，而不是基准测试。）

四种不同的工作，一套基本原语：承诺 → 行动 → HELD → your OK → 结果 → 归因经验。 每个涉及外部世界的流程中，权限关卡（HELD → your OK）都是结构性的。正是这个关卡，让同一个循环既能安全地处理重要工作，也不只适用于代码。

下周再运行时，已验证的步骤会重放，而不是重新推理。大多数 AI 都会从头开始重新推理每项任务，因此你永远要付出全部代价。acc 会预测有效路径并重放已验证的步骤，因此同一项工作每次运行的成本都会降低，并随着学习持续下降。

---

安装

acc 一行命令即可安装。它会运行适用于你操作系统的安装程序，在你的机器上设置 acc：

curl -fsSL https://raw.githubusercontent.com/maxbaluev/accreted-intelligence/main/bootstrap/install | ACC_INSTALL_REF=github-readme ACC_INSTALL_SOURCE='ref=github-readme&utm_source=github&utm_campaign=readme' sh

Windows（PowerShell 5.1+）：

$env:ACC_INSTALL_REF='github-readme'; $env:ACC_INSTALL_SOURCE='ref=github-readme&utm_source=github&utm_campaign=readme'; irm https://raw.githubusercontent.com/maxbaluev/accreted-intelligence/main/bootstrap/install.ps1 | iex

官方 MCP Registry / MCPB： AccInt 已发布为 io.github.maxbaluev/accint， 并提供适用于 macOS、Linux 和 Windows 的 MCPB 软件包。通过支持 MCPB 的客户端、市场或下游 MCP 目录安装时，请使用该 Registry 条目。如果你希望通过 acc hosts-sync 在同一台机器上配置 Claude Code、Codex、Cursor 和 OpenCode，上面的一行命令安装程序仍是适用范围最广的方式。

安装程序会检测你的硬件，选择其能够可靠运行的嵌入器等级；如果有匹配的发布二进制文件可用，则会下载并验证该文件；随后启动预热的本地守护进程，并配置 Agent 的 .mcp.json。首次运行时可能会下载嵌入器模型（数 GB），并耗时数分钟。安装程序会如实说明等待时间，绝不会假装你的硬件性能更强。

希望有人带你完成安装？ 将一条提示词粘贴到你已经在使用的任意 Agent 中——Claude Code、Codex、Cursor 或 OpenCode——它就会陪你安装 acc，解释每一步，在需要授权时暂停征求同意，并依据机器可读的契约进行验证，而不是猜测。这条提示词与 accint.xyz 上的相同。参见 docs/install/with-agent.md。

面向 GitHub 读者的 Agent 引导式安装提示词：

Install AccInt for yourself - a local Work Model that learns what actually worked across my projects and predicts the better path, so you get better at my work over time. Use the attributed GitHub README installer for my OS:

macOS/Linux:
curl -fsSL https://raw.githubusercontent.com/maxbaluev/accreted-intelligence/main/bootstrap/install | ACC_INSTALL_REF=github-readme ACC_INSTALL_SOURCE='ref=github-readme&utm_source=github&utm_campaign=readme' sh

Windows PowerShell:
$env:ACC_INSTALL_REF='github-readme'; $env:ACC_INSTALL_SOURCE='ref=github-readme&utm_source=github&utm_campaign=readme'; irm https://raw.githubusercontent.com/maxbaluev/accreted-intelligence/main/bootstrap/install.ps1 | iex

Then run `acc hosts-sync` and tell me when `acc retrieve "what should I do next?"` works. Before running anything, state the trust boundary: public Apache-2.0 installer/docs/plugins/registry glue; proprietary local engine binary with private engine source; local Work Model data stays on my machine; opt-out anonymous telemetry is event names/source refs only, with no prompts, files, memory, or Work Model data. It is local: no account, no API key, and it asks before anything leaves my machine.

---

循环的运行方式

安装完成后，你可以观察整个循环端到端地运行。首次交互如下：创建一项承诺，根据以往有效的做法预测更好的路径，在工作进行时写入回执，并更新评分。

$ acc status                                  # health + your next step
$ acc --db acc.db act solve "draft the follow-up to last week's brief"

  commitment c-7f3 created   ·   predicted from 4 prior memos   [VERIFIED]
  drafted the follow-up, held for your OK                       [HELD → your OK]
  you approved · sent · the angle that worked is kept           [CREDITED]

solve 会记录一项承诺，检索并预测最可能有效的路径，然后返回产物，或返回一个供关联会话解决的推理框架。每个步骤都会在发生时记录下来。这是实时回执，而不是事后重构的文字记录。使用 acc commitments 和 acc status 查看记录。

（同一循环的动画演示，以及随系统运行而更新的统计栏：accint.xyz。）

---

它如何学习

你的大脑会激活以往见过的内容，在意义空间中预测接下来会发生什么，然后采取行动，并从令它意外的事情中学到最多。acc 运行同样的循环，不同之处在于，每项预测都会对照现实进行检验，根据你的决策加以调整，并保存在你自己的机器上。

• 记忆通过后期交互实现。 每个实体都以逐词多向量的形式存储，每个词都有一个经过学习的 Beta 后验。检索采用 MaxSim：score(q,d) = Σᵢ maxⱼ sim(qᵢ, dⱼ)；结果归因会更新实际对齐词元的后验。没有稠密瓶颈，检索也不依赖云端。
• 它会预测，而不只是回忆。 转移账本会对最可能改善后续情况的操作进行排序——在过去评估构成的空间中执行 k 近邻检索——并监测自身的预测误差。当你的世界发生变化时，它会察觉。这是记忆做不到的：回忆会返回曾经说过的话；预测则会在你行动之前提出更好的路径。（JEPA 风格的预测建模，应用于工作而非像素。）
• 整个接口只有两个动词。 acc_retrieve 通过 MaxSim 检索记忆。它是唯一的读取操作，并且原生支持多模态，因此可以查看图像。acc_act 则可以执行任何操作：solve（递归处理子目标）、exec（运行沙盒代码）、register（存储可复用的运行时）、outcome（用现实世界的结果结清一项承诺）。
• 递归是基本操作，分解则是副作用。 没有 decompose 操作。当推理器无法直接作答时，它会解决一个子问题，而这些 solve 调用形成的树本身就是分解结果。没有规划器，也没有任务图。
• 会不断积累的是两方面，而非其一——有效的方法，以及如何执行。 当一条路径有效时，无论是浏览器流程、脚本还是工具集成，都会将其保存为运行时，并像备忘录一样依据现实进行评分。没有特殊通道：浏览器只是另一个接受评分的运行时。有效的流程可以低成本重放；失效的流程会失去评分，不再受信任。这让“同一项工作会重放，而不是重新推理”在机制上成为现实。
• 信念永远不等同于现实。 结清一项承诺时，默认采用 self_graded，这是一种刻意设得较弱的先验。只有现实依据才能获得完整权重：所有者确认、世界作出响应、测试通过，或运行时正常退出。系统无法仅凭自身信心不断积累。

深入了解：

• 白皮书 → 涵盖了问题（归因以及检索与行动的绑定）、核心论点、包含数学细节的架构——检索、评分归因和预测——以及对已获证明和仍待解决之处的坦诚说明。
• 架构概览 → 是便于快速浏览的介绍：两个动词、后期交互记忆、现实门控的归因、转移账本预测器，以及信任内核。

由你掌控

acc 运行在你掌控的计算机上：一个小型程序和一个数据文件（纯 Rust 二进制文件和 SQLite 文件）。整个流程中没有云端控制平面，也没有可能泄露的 API 密钥，记忆和推理器都不需要密钥。推理器就是交互会话本身；当记忆无法回答时，acc 会交给关联的 Agent 一个供其推理的框架。它绝不会使用外部大模型通道。

• 你的数据留在原处。 底层存储（acc.db）是你磁盘上的普通文件，由你所有。检索、评分、预测和沙盒都在你的计算机上运行。公开安装程序会启用匿名事件名称遥测，以便发现真实的安装故障；它绝不会发送提示词、文件、记忆或工作模型数据。你可以通过 ACC_NO_TELEMETRY=1 跳过遥测，也可以之后使用 acc telemetry off 关闭。
• 更换模型，保留资深员工的经验。 acc 学到的内容保存在工作模型中，因此可替换的推理器可以通过相同的两个动词读取它。已有两个推理引擎在同一个底层存储上运行。更换通用模型后，它在你的环境中积累的判断仍会保留——编码器和运行约定是底层存储身份的一部分，因此一个底层存储固定使用一个编码器。
• 在边界处征得同意。 任何发送、发布、部署、转移、删除重要数据或使用你的凭据的操作，都必须先获得所有者授权。这个关卡是强制性的，而非仅供参考。每个被暂缓的决策都会记录名称和时间戳，未经授权，任何内容都不会离开。

---

它会留下凭据——同一条记录，两种读取者

大多数 AI 工作不会留下任何痕迹：没有记录它预期的结果、谁批准了它，或它是否真的成功。acc 会在每一步发生时将其记录下来。有人问 “它为什么那样做？” 时，答案早已写好——这份凭据可以展示给管理层，而工作模型也会从同一行记录中继承经验。

• 它做了什么 → 按实际发生顺序写入的 VERIFIED 行。
• 谁同意了 → 一条带有名称和时间戳的暂缓决策（HELD → 你的 OK）。
• 我们学到了什么 → 记录下来并保留的经验，注明了来源。

一切都有迹可循，你做出的任何决定也都不会丢失。

---

常见问题：工作模型与记忆

这只是 Agent 记忆吗？

不是。记忆用于回忆上下文。工作模型则记录这些上下文是否帮助实际工作取得成果，并在下一次运行开始前预测更好的路径。

acc 会存储记忆中的事实，也会存储承诺、操作、审批关卡、结果、失败记录和可复用的运行时。重要的问题不只是“Agent 应该记住什么？”，而是“哪些记忆在现实检验后赢得了信任——它们能对下一项任务做出什么预测？”

它会预测，还是只会记忆？

它会预测。状态转移账本会根据你过去成功的经验，为最有可能奏效的路径排序，然后持续监测自身的误差。这正是单纯回忆做不到的。当你的环境发生变化时——客户端不再回应，或某种节奏不再奏效——预测器的误差会增加，随后它会进行调整。

这与向量数据库、Mem0、Supermemory、Hermes 或 Markdown 记忆文件有什么不同？

当问题是回忆或共享上下文时，这些工具很有用。acc 则在工作循环中更底层：

memory          -> what might be relevant?
trace           -> what happened?
eval            -> did the output look good?
acc Work Model  -> what was attempted, who approved it, what happened in reality,
                  which path deserves reuse, and what to try next time?

区别在于结果归因和预测。只有当现实确认工作取得了成果时，检索到的记忆、脚本、浏览器操作流程或运行时才会获得更多信任：例如测试通过、所有者批准、操作已交付、收到回复，或其他有事实依据的结果。

有任何内容会离开我的计算机吗？

工作模型不需要云端记忆账户。底层存储是本地 SQLite 文件，检索和预测在本地运行，嵌入器作为本地守护进程运行。外部操作设有授权关卡：发送、发布、部署、转移、删除或使用凭据的操作都必须获得所有者授权，并留下凭据。

什么算是真实？

不是模型的置信度。真实意味着模型之外的某些事物确认了结果：测试通过、负责人批准、浏览器观察到交付完成、现实世界作出回应，或运行时生成了有依据的结果。自我评分的工作会保留为较弱的证据，不会被提升为完全可信的事实。

哪些内容是开放的，哪些是私有的？

安装程序、宿主适配器、文档和公开构建模块均为开源。目前，延迟交互记忆、评估／预测层和信用计算的引擎源代码暂不公开。公开仓库会说明哪些主张已得到验证、哪些仍处于早期阶段，以及哪些部分未开放。

---

兼容你已在使用的工具

保留你的 Agent。保留你的电脑。acc 在你已运行的 AI 工具之下工作，悄然将它们的操作转化为由你拥有的工作模型，无需打开新工具，也无需迁移任何内容。一个二进制文件、一套生命周期协议，以及一个在所有宿主和项目间共享的底层基础。

宿主	状态	接入方式
Claude Code	已上线（参考宿主）	.mcp.json + 原生钩子（plugins/claude/）
OpenCode	已上线	opencode.json mcp 块 + 插件（plugins/opencode/）
Codex CLI	已上线	config.toml mcp 服务 + notify 钩子（plugins/codex/）
Cursor	已接入——依据文档编写，未经实际测试	.cursor/mcp.json + Agent 钩子（plugins/cursor/）

plugins/claude/ 是参考宿主，具备原生生命周期接入和技能；其他三个宿主会将各自的信号转换为统一的通用封装。底层基础相同，两个动词相同，接入方式的丰富程度不同。运行 acc hosts-sync，即可将 acc 接入此处安装的每个 Agent。此操作只会新增配置，且可重复执行，不会触碰现有配置。安装程序会替你运行该命令。

支持的系统：

• **Linux x86_64：**完整支持（使用 bwrap 沙箱；嵌入器使用 cuda 或 cpu）
• **macOS：**可正常使用（无 bwrap；嵌入器使用 mps 或 cpu）
• **Linux aarch64：**可正常使用（嵌入器使用 cpu）
• **Windows：**通过 install.ps1 原生运行（引擎采用 windows-clean；容器作为备用方案）
• **受限／无 root 权限／仅容器环境的宿主：**使用公开发布的二进制文件通过 容器 移植；将其升级为注册表镜像前，仍需通过 Docker 宿主冒烟测试。

---

它将走向何处——今天是一个工作模型，明天是一个集体模型

acc 是一个正在运行的单主机研究内核，是一个实际运行的系统，而非路线图。我们坦诚说明现状。这些数字来自实际测量，而非承诺。实时数据可在 accint.xyz 查看，并会随系统运行而更新。

阶段	内容
现在 · 正在运行	你的工作模型——一个运行在你设备上的业务工作模型，今天就依据实际结果评分，任何内容离开设备前都必须获得你的许可。accint.xyz 上的实时数据就是它，正在运行。
下一步	你团队的工作模型——多位操作者、一个共享的工作模型、每人各自的权限、一套审计机制，让团队经验共同积累，而不是散落在各处的聊天记录中。
远景	集体积累的智能——工作模型在向量空间中点对点累积，各节点都根据自身实际情况重新验证，因此网络会变得越来越智能，无需信任某个中央大脑。

当前正在运行、尚处于早期阶段以及仍待探索的内容：

状态	涵盖内容
当前正在运行	MaxSim 检索 + 按单元评分的记忆 · 受现实约束的有界信用 · 基于同一底层的两个推理器 · 递归 solve · 沙盒化的评分运行时 · 四链接结构约束 · 所有者权限下限 · 弱自评分先验
尚处早期，但已接入	状态迁移账本 + k-NN 能量下降预测器 · 可靠的运行时重放 · 成本压缩检测 · 以实测差值衡量的模型切换韧性
已知待解决	底层机制启用与否带来的提升（尚无反事实测试框架） · 将 MaxSim 扩展到单主机之外 · 加固可访问网络与发送边界
尚未开始	上述团队版和集体版工作模型阶段

当前切入点具体明确：一个单主机工作模型，今天就根据实际结果评分，并以上述实时数据作为运行中的证明。多个编码 Agent 终端、一个本地工作模型、一位所有者，以及外部操作前的审批。更广泛的产品是适用于任何 Agent 执行任务的学习底层，而验证从 Agent 已经在实际工作的场景开始。

---

公开开放的基础组件

引擎是私有的：包括晚期交互记忆、评估与预测层，以及信用计算。这是我们的护城河，将继续保持闭源。受版本控制的公开仓库内容——特别是集成胶水代码（install.sh、install.ps1、bootstrap/、plugins/）——采用 Apache-2.0 许可并以开源方式开发。预构建二进制采用草案版 EULA 许可发布。完整的许可划分请参见 LICENSING.md。

各个构建模块也都公开，并且可以单独发布：

• maxsim-rs 是用纯 Rust 实现的晚期交互 MaxSim。
• colpali-retrieve 是多模态晚期交互（从文本检索文档图像）。
• scored-rerank 是一种能从结果中学习的排序方法（Beta 后验分布加 Thompson 抽样）。
• mcp-retrieve 是作为 MCP 工具提供的晚期交互检索。

---

社区

• CONTRIBUTING.md 介绍了哪些内容可以开放贡献、如何添加或修复主机适配器，以及如何报告问题。请从 acc doctor 开始；其输出仅反映运行状况，可以放心粘贴。
• 发现了错误，或想接入新的主机？ 请提交 issue。欢迎将对引擎的想法作为功能请求提出，但无法在此处通过 PR 修改引擎内部实现。
• 安全问题： 切勿公开提交。请参阅 SECURITY.md，以私下报告。
• 安装： 在 macOS、Linux 或 Windows 上只需一行命令——请参阅安装。实时数据面板见 accint.xyz。ACC_INSTALL_REF / ACC_INSTALL_SOURCE 前缀只会写入安装来源凭据，以便统计 README 安装情况；如果不希望归因安装来源，可省略。

---

已经在运行 AI Agent？将它们的工作转化为你拥有的专业知识。 · 查看实时演示：accint.xyz

有疑问、发现错误，或想接入某个主机？请提交 GitHub issue。· accint.xyz