SOMA v1.0：AI Agent 认知内核

一份从能力升级视角出发的全面介绍，覆盖 v0.1.0 至 v1.0.0 里程碑。

一、SOMA 是什么

SOMA（Somatic Wisdom Architecture，体悟智慧架构）是一个面向 AI Agent 的长期记忆与认知推理系统。它不是数据库、不是向量检索库，而是一个会记忆、会推理、会协作、会自我觉察、会持续进化的认知内核。

一句话：如果 LLM 是大脑皮层，SOMA 就是海马体 + 前额叶。

二、五条能力线的演进

SOMA 的版本迭代不追求功能堆砌，而是沿着五条能力线逐层深入。每一条线回答一个根本问题。

2.1 记忆线 — 从”存得住”到”理得清”

核心问题：AI 如何像人一样管理记忆？

v1.0.0 的三层结构：

• L1 情节记忆：一条一条的具体信息（原始能力，始终保留）
• L2 场景块：自动将相关碎片聚合成工作场景（“在做一个 Python 数据分析项目”）
• L3 用户画像：从多个场景提炼用户特征（偏好、技能、知识缺口、目标）

整个过程全自动。用户只管正常使用，SOMA 在后台默默聚合提炼。

2.2 推理线 — 从”找到”到”理解”

核心问题：找到相关信息之后，怎么用它来思考？

v0.8.0 是这条线的分水岭。在此之前，SOMA 是一个优秀的搜索引擎——把最相关的记忆找出来，交给 LLM 去处理。在此之后，SOMA 开始自己参与推理过程：

• 因果链路追踪：不只告诉你某条记忆”与问题相关”，而是沿着因果图谱找出根本原因。比如从”用户流失上升”追溯到”三个月前的 API 变更导致响应变慢”
• 矛盾检测：当记忆中存在互相打架的观点（如”降价降低了流失” vs “服务质量才是留存关键”），自动标记并降权，避免 LLM 被矛盾信息误导
• 跨域类比：用 A 领域的经验解释 B 领域的问题。比如用生物学中的”共生关系”类比企业合作，在不相关的知识之间建立桥梁
• 反思质量自评：每次推理输出后对自己进行三维评分（一致性、连贯性、可操作性），低于阈值的自动触发反思改进

关键设计原则：推理结果以”激活记忆”的形式注入 LLM 上下文，不改变 LLM 本身的推理逻辑。SOMA 负责”准备好思考材料”，LLM 负责”做出最终判断”。各司其职，互不干扰。

2.3 协作线 — 从”一个人”到”一群人”

核心问题：一个 AI 的能力有上限，如何让多个 AI 组队？

v0.9.0 实现了从个体到群体的范式跃迁。多个 SOMA Agent 以团队形式协作：

• 专家分工：每个 Agent 拥有独立的记忆库、独立的进化路径和专长领域。技术专家积累技术记忆，商业专家积累商业案例
• 自动路由：问题来了，系统通过关键词匹配 + 语义相似度自动分发给最合适的专家。零 LLM 参与路由决策，毫秒级完成
• 共识机制：多个专家意见分歧时，三层策略逐级兜底——L1 加权投票 → L2 LLM 仲裁 → L3 辩证综合
• 分布式演化：每个专家在自己的领域独立进化（反思→调整权重→固化技能），同时定期合并全局经验。保留个体专长，共享群体智慧

v0.9.1 在此基础上增加了一个特殊能力——框架觉察。当用户连续多轮只用同一套思维模式分析问题时，系统以脚注形式温和提醒”要不要换个角度？“。不强制、不打断、不改变决策，只是让人看见自己的思维惯性。

2.4 进化线 — 从”用一次”到”越用越强”

核心问题：AI 能自己从经验中学习吗？

SOMA 内置了一套完整的进化闭环。这个闭环不是预设的规则更新，而是从实际使用中自我优化：

1. 反思：每次回答后，系统根据成果（用户是否采纳？后续讨论是否延续？）自动反思——“这次思考用到的规律对了吗？权重该不该调整？”
2. 调权：七条思维规律的权重随成功/失败自动升降。多次成功的规律权重上升，被更多问题优先触发；失败的规律权重下降
3. 固化：当某条规律积累了足够样本且成功率稳定，自动固化为”技能”——从临时工具变成永久能力
4. 共享：多 Agent 模式下，各专家的进化成果定期合并。好的经验在团队中传播

关键设计：进化是数据驱动的，不是预设规则。系统不会因为”第一性原理很重要”就给它高权重，而是因为它在实际使用中确实帮助解决了更多问题。

2.5 工程线 — 从”能跑”到”值得信赖”

核心问题：怎么证明这些能力是真实的，不是吹的？

SOMA 建立了一套从单元到集成到基准的完整测试体系：

• 511 项单元测试：覆盖所有模块，每次提交前全量回归
• 五维基准测试引擎：记忆（召回/延迟/持久/去重）、智慧（拆解/规律/多样性）、进化（反思/成功率/固化）、伸缩性（1K→10K→100K 延迟曲线）、综合
• 30 题标准化数据集：覆盖战略决策、创新设计、跨域推理、深层归因、经验借鉴五大领域
• 竞品对比框架：与 Mem0、Letta(MemGPT)、Zep、Hermis 等竞品的可量化对比数据
• 多轮统计基准：N 轮独立运行，输出均值 ± 标准差、95% 置信区间、变异系数、稳定性评级

v1.0.0 在 1050 条记忆的中型数据集上跑出了：记忆 97.6 / 智慧 87.3 / 进化 60.2 / 伸缩性 100.0 / 综合 85.5。

三、架构理念

SOMA 的设计遵循三个核心原则，贯穿所有版本：

3.1 记忆优先

传统 AI Agent 的做法是”接到问题 → 调用工具 → 生成回答”。SOMA 的做法是一切从记忆出发：

问题 → 拆解为核心焦点 → 从记忆中激活相关知识 → 用记忆驱动推理 → 生成回答 → 将新经验存回记忆

记忆不仅是数据库，它是整个系统的上下文基础设施。每一次推理都是”记忆驱动的”，每一次回答都为记忆贡献新的素材。

3.2 七条思维规律

SOMA 从大量人类思考模式中提炼出七条通用思维规律，构成认知内核：

七条规律不是硬编码的规则引擎。每条规律有动态权重，随实际使用中的成功/失败自动调整。一个创业团队和一家大公司的 SOMA 实例，最终会有完全不同的规律权重分布。

3.3 向后兼容

所有新能力默认关闭。从 v0.1.0 升级到 v1.0.0，一行代码不用改，行为完全不变。新能力按需开启，互不耦合。

四、版本演进一览

五、与其他方案的区别

SOMA 不是又一个向量数据库或 RAG 框架。它的差异化体现在三个层面：

1. 不只检索，还推理：RAG 是”找到相关文档 → 拼接进 prompt”。SOMA 是”找到相关记忆 → 追踪因果链路 → 检测矛盾 → 跨域类比 → 把加工后的认知材料交给 LLM”。中间多了一层认知加工。

2. 不只记忆，还进化：大多数记忆系统是静态的——写入、检索、不变。SOMA 的记忆是活的——相似内容自动合并、低价值信息自动遗忘、思维规律的权重随使用动态调整。

3. 不只个体，还协作：多个 SOMA Agent 可以组队，各自有独立记忆和专长，通过路由和共识协议形成超越个体的集体智能。这是大多数 Agent 框架所没有的原生能力。

六、开源与生态

• PyPI：pip install soma-wisdom
• GitHub：github.com/sunyan999999/soma
• 许可：Apache 2.0
• Python：≥ 3.10
• 核心依赖：SQLite + FastEmbed + FAISS + NetworkX + LiteLLM

SOMA — Wisdom over Memory.