让 AI 拥有
一个 Self。
Transformer 给 AI 能力。RelVectors 给 AI 一个持续存在的 Self。
RelVectors 是一种新算法。
它研究和计算的核心对象不是 Token 本身，而是人、事物、行为、环境、结果之间的内在关系，以及这些关系如何随过程发生变化。
它试图把过去只能依靠语言模型黑箱推理的“关系”，变成可以表达、编码、计算、追踪和更新的信息。
AI 已经很强，但它并不真正拥有连续的自己。
今天的模型会编程、搜索、推理、生成内容、操作工具。但任务一长、发生中断、更换模型，或者多个 Agent 需要共同完成一件事时，连续性仍然很容易丢失。
Memory can save information. Prompts can describe instructions. Transformers can generate the next step. But one question remains: who is experiencing all of this?
RelVectors 让 AI 的连续性不再依赖某一次对话或某一个模型。
它让主体、目标、关系、变化、未完成的工作和历史持续连接。即使周围的模型和工具发生变化，AI 仍然可以作为同一个正在工作的 Self 继续。
主体
谁在行动、为谁行动，以及这段持续工作属于谁。
目标
现在真正要完成什么，哪些事情不属于当前目标。
关系
人、任务、工具、事件和结果之间怎样连接。
变化
什么发生了变化，什么保持不变，这意味着下一步该做什么。
过程
已经发生了什么，哪些工作还没完成，应该从哪里继续。
历史
一段可以跨越中断、模型变化和重启而继续存在的历史。
Transformer = Tool。RelVectors = Self。
RelVectors 不取代 GPT、Claude、Gemini、Qwen 或未来模型。模型提供能力，RelVectors 保持这些能力围绕同一个 Self 持续工作。
Transformer
- Language
- Coding
- Reasoning
- Vision
- Generation
RelVectors
- Identity
- Relationship
- Process
- State
- Change
- History
模型可以更换，Self 不必跟着消失。
一个 RelVectors Self 可以调用不同模型、工具和 Agent，同时保留同一个目标、历史和正在发展的过程。
今天，RelVectors 已经先解决一个现实问题：让 AI 持续完成复杂任务。
RelVectors MicroModel 1.0 是这种算法目前的第一种产品形态。它与现有模型和 Agent 协同工作，而不是取代它们。
当前 1.0 已经把其中一部分能力用于 AI 任务过程。现有产品概念包括 Subject、SELF / NON-SELF、I / A / O、PARK、BRANCH、UNRESOLVED、Resume、过程证据、Task Skill 等。官网只说明这些能力是什么，不公开其内部编码、判断规则和实现算法。
让长任务持续，而不是一次次重新开始。
用户提出新想法时，不轻易丢失正在做的事情。
新的独立任务不会自动混进当前任务。
表达不清楚时，先确认，而不是自己猜。
没做完的工作可以接着做，而不是重新开始。
Agent 重启以后，仍然可以重新找到原来的任务。
读取、修改、执行和验证会持续和任务保持关联。
聊天告诉 AI 我们说过什么，Self 还需要知道我们正在做什么。
对话可以结束，模型可以更换，Agent 可以重启，工具也可以变化。但一个持续工作的 Self 不应该每次都从零开始。
Self 继续存在。
任务、关系、变化和历史能够跨越中断继续连接。
不要先相信概念，先看 Self 如何处理真实任务。
先给 AI 一个真实任务，再加入那些最容易让 AI 跑偏的话。体验只展示结果，核心判断算法不公开。
只展示真正测试过的结果。
不编造用户数量，不写“提升 300%”。RelVectors 1.0 只展示真实 Host 测试中已经验证的行为。
继续使用你已经有的 AI，只增加连续性。
开发者只需要看到安装、支持的接入方式、公开 API、示例和可观察结果。内部算法、编码、词典和判断规则不属于公开接口。
模型不用换，增加一个持续的 Self。
今天用 GPT，明天用 Claude，本地用 Qwen，以后再换更强的模型。RelVectors 希望保留的是模型之外那个持续工作的 Self。
从 Model-centered AI 走向 Self-centered AI。
今天，我们常把模型当成 AI 的中心。RelVectors 探索另一种架构：一个持续存在的 Self，自由调用不同模型、工具、Agent 和机器。
Model-centered AI
Self-centered AI
超越语言：机器能不能直接计算关系、过程和变化？
RelVectors 从一个研究问题开始。公开网站解释思想与长期方向，具体实现继续作为核心算法保密。
Beyond Tokens. Toward Self.
目标不是制造另一个 Transformer，而是探索一种以关系、过程、变化、连续性和 Self 为中心的机器智能。