现在的 AI 记忆工具全在卷一件事：存更多，搜更快。
向量数据库从 Chroma 卷到 Pinecone，RAG 从朴素检索卷到 Graph RAG，LoCoMo 榜单上每个百分点都在争。
但你把所有 AI 记忆公司的首页看一遍，没人提一个问题：存进去的那条记忆，它本身还对吗？
检索准确率能告诉你"找到了正确的文档"，但它没法告诉你"文档里的内容是错的"。
这是两个完全不同的问题。前者是信息检索。后者是数据质量。
数据质量这件事，数据库领域花了几十年。ACID 出来之前数据库会丢数据、会不一致、会脏读，大家觉得"能用就行"。测试覆盖率被提出来的时候，很多人说"浪费时间"。现在回头看，都是常识。
AI 记忆正在经历同一个阶段。
我写了个工具，叫 Minta：给 AI 记忆做质检。四个维度，全部本地运行，零 API 调用：
- 过时检测：分类型衰减。偏好类记忆比项目状态类活得更久——你的技术栈三个月就变，写作习惯半年不变
- 冲突检测：语义相似度 + 否定模式。不是看两条记忆"相关"，是判断它们"在说反话"
- 冗余检测：余弦相似度 + Jaccard 联合判定
- 碎片检测：DBSCAN 聚类，把散落的信息归拢
三分钟。Claude Code、Cursor、Codex 都能接。
项目开源：https://github.com/xinchen03/ minta ，欢迎各位一起反馈优化，也麻烦大家点点🌟🌟
检测只是诊断。更好玩的问题是诊断之后的推理。
我现在在推三个方向：
第一，不在一个模型里死磕。通用模型判断不了"什么是对的"。医学有医学的标准，法律有法律的标准。系统应该是联邦式的——独立专家各自深耕，在边界处互相咨询。临床推理专家可以问法律专家要第二意见。
第二，记忆不能存成列表。 它们之间有依赖、有矛盾、有证据链。只有存成图，才能在一条被修正时回答"还有哪些结论会因此改变"。
第三，置信度不该是死的。 它应该是一个持续运行的模型在学习你的记忆如何演化——预判"应该发生什么"，在现实偏离时标记异常。
这些事在做，感兴趣的私下聊。
诚挚招募团队，一起打磨产品、拓展生态，把这个项目做得更远～
欢迎同行交流：xxinchen03@gmail.com
