cognos-session-memory

CognOS 会话记忆

mcp-name: io.github.base76-research-lab/cognos-session-memory

通过认识论信任评分，为大模型注入经过验证的上下文。

通过在对话之间保留经过验证、高置信度的会话上下文，解决会话碎片化问题。

问题

大语言模型面临会话碎片化：每次新对话开始时，都没有经过验证的先前工作上下文。这迫使用户重复说明，导致决策历史丢失，并破坏长期工作流。

现有解决方案（持久化记忆系统、向量检索）存在以下问题：

• 注入前缺少信任分数 → 幻觉会传播
• 不审计注入了哪些上下文 → 存在合规性缺口
• 将所有历史信息一视同仁 → 噪声淹没有效信号

解决方案

一个计划模式网关，用于：

1. 从最近的 3-5 条轨迹中提取结构化上下文
2. 使用 CognOS 认识论公式对上下文质量进行评分：C = p · (1 − Ue − Ua)
3. 仅在 C > threshold 时将其作为系统提示词注入
4. 在 C < threshold 时标记以供人工审核
5. 使用轨迹 ID 审计每次上下文注入 → 符合 EU AI Act 要求

架构

recent_traces (n=5)
    ↓
extract_context() → ContextField + coverage
    ↓
compute_trust_score(p, ue, ua) → C, R, decision
    ↓
if C > threshold:
    system_prompt ← inject
else:
    flagged_reason ← manual review

核心公式

C = p · (1 − Ue − Ua)
R = 1 − C

where:
  p   = prediction confidence (coverage of required fields)
  Ue  = epistemic uncertainty (divergence between traces)
  Ua  = aleatoric uncertainty (mean risk in traces)

操作门控

R < 0.25       → PASS      (inject without review)
0.25 ≤ R < 0.60 → REFINE   (inject with caution)
R ≥ 0.60       → ESCALATE  (flag for manual review)

API

POST /v1/plan

提取并评分上下文。

请求：

{
  "n": 5,
  "trust_threshold": 0.75,
  "mode": "auto"
}

响应（已注入时）：

{
  "status": "injected",
  "trust_score": 0.82,
  "confidence": 0.82,
  "risk": 0.18,
  "decision": "PASS",
  "context": {
    "active_project": "CognOS mHC research",
    "last_decision": "Verify P1 hypothesis",
    "open_questions": ["How does routing entropy scale?"],
    "current_output": "exp_008 complete",
    "recent_models": ["gpt-4", "claude-3", "mistral"]
  },
  "system_prompt": "## CognOS Context...",
  "trace_ids": ["uuid-1", "uuid-2", ...]
}

响应（已标记时）：

{
  "status": "flagged",
  "trust_score": 0.45,
  "decision": "REFINE",
  "flagged_reason": "Trust score 0.45 below threshold 0.75. Manual review recommended.",
  "trace_ids": [...]
}

模式

• auto（默认）— 如果 trust_score ≥ threshold 则注入，否则标记
• force — 始终注入（用于测试）
• dry_run — 计算分数，但不注入

Claude Code 集成

替代 /compact

# In any Claude Code session:
/save

Claude 会编写结构化摘要，为其计算信任分数，并将其持久化到 SQLite。 在下一次会话中，它会在你的第一个提示词之前自动作为 SESSION_CONTEXT 注入。

完整对比请参阅 docs/COMPACT_ALTERNATIVE.md。

作为 MCP 服务

添加到 ~/.claude/settings.json：

{
  "mcpServers": {
    "cognos-session-memory": {
      "command": "python3",
      "args": ["/path/to/cognos-session-memory/mcp_server.py"]
    }
  }
}

提供的工具：

工具	描述
save_session(summary, project?)	为会话摘要计算信任分数并将其持久化
load_session(threshold?)	检索最近经过验证的上下文（默认阈值：0.45）

---

快速开始

安装

git clone https://github.com/base76-research-lab/cognos-session-memory
cd cognos-session-memory
pip install -e .

运行网关

python3 -m uvicorn --app-dir src main:app --port 8788

测试 /v1/plan（dry_run）

curl -X POST http://127.0.0.1:8788/v1/plan \
  -H 'Content-Type: application/json' \
  -d '{"n": 5, "mode": "dry_run"}'

测试 /v1/plan（auto）

curl -X POST http://127.0.0.1:8788/v1/plan \
  -H 'Content-Type: application/json' \
  -d '{"n": 5, "trust_threshold": 0.75, "mode": "auto"}'

模块

• trust.py — CognOS 置信度公式、操作门控、信号提取器
• trace_store.py — SQLite 持久化（写入/读取/清除）
• plan.py — 上下文提取、信任评分、系统提示词构建
• main.py — FastAPI 网关与中间件
• mcp_server.py — MCP stdio 服务（save_session、load_session）

测试

pytest tests/ -v --cov=src

文档

• COMPACT_ALTERNATIVE.md — 为什么它胜过 /compact
• PAPER.md — 研究论文

研究论文

请参阅 docs/PAPER.md —《经过验证的上下文注入：面向大语言模型的认识论评分会话记忆》

状态： 独立研究 — Base76 Research Lab，2026 作者： Björn André Wikström（Base76）

引用

@software{wikstrom2026cognos,
  author = {Wikström, Björn André},
  title = {{CognOS Session Memory}: Verified Context Injection via Epistemic Trust Scoring},
  year = {2026},
  url = {https://github.com/base76-research-lab/cognos-session-memory}
}

许可证

MIT

联系方式

• 作者： Björn André Wikström
• 电子邮件： [email protected]
• ORCID： 0009-0000-4015-2357
• GitHub： base76-research-lab