讓 AI 擁有
一個 Self。
Transformer 給 AI 能力。RelVectors 給 AI 一個持續存在的 Self。
RelVectors 是一種新算法。
它研究和計算的核心對象不是 Token 本身，而是人、事物、行為、環境、結果之間的內在關係，以及這些關係如何隨過程發生變化。
它試圖把過去只能依靠語言模型黑箱推理的“關係”，變成可以表達、編碼、計算、追蹤和更新的信息。
AI 已經很強，但它並不真正擁有連續的自己。
今天的模型會編程、搜索、推理、生成內容、操作工具。但任務一長、發生中斷、更換模型，或者多個 Agent 需要共同完成一件事時，連續性仍然很容易丟失。
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 讓 AI 的連續性不再依賴某一次對話或某一個模型。
它讓主體、目標、關係、變化、未完成的工作和歷史持續連接。即使周圍的模型和工具發生變化，AI 仍然可以作為同一個正在工作的 Self 繼續。
主體
誰在行動、為誰行動，以及這段持續工作屬於誰。
目標
現在真正要完成什麼，哪些事情不屬於當前目標。
關係
人、任務、工具、事件和結果之間怎樣連接。
變化
什麼發生了變化，什麼保持不變，這意味著下一步該做什麼。
過程
已經發生了什麼，哪些工作還沒完成，應該從哪裡繼續。
歷史
一段可以跨越中斷、模型變化和重啟而繼續存在的歷史。
Transformer = Tool。RelVectors = Self。
RelVectors 不取代 GPT、Claude、Gemini、Qwen 或未來模型。模型提供能力，RelVectors 保持這些能力圍繞同一個 Self 持續工作。
Transformer
- Language
- Coding
- Reasoning
- Vision
- Generation
RelVectors
- Identity
- Relationship
- Process
- State
- Change
- History
模型可以更換，Self 不必跟著消失。
一個 RelVectors Self 可以調用不同模型、工具和 Agent，同時保留同一個目標、歷史和正在發展的過程。
今天，RelVectors 已經先解決一個現實問題：讓 AI 持續完成複雜任務。
RelVectors MicroModel 1.0 是這種算法目前的第一種產品形態。它與現有模型和 Agent 協同工作，而不是取代它們。
當前 1.0 已經把其中一部分能力用於 AI 任務過程。現有產品概念包括 Subject、SELF / NON-SELF、I / A / O、PARK、BRANCH、UNRESOLVED、Resume、過程證據、Task Skill 等。官網只說明這些能力是什麼，不公開其內部編碼、判斷規則和實現算法。
讓長任務持續，而不是一次次重新開始。
用戶提出新想法時，不輕易丟失正在做的事情。
新的獨立任務不會自動混進當前任務。
表達不清楚時，先確認，而不是自己猜。
沒做完的工作可以接著做，而不是重新開始。
Agent 重啟以後，仍然可以重新找到原來的任務。
讀取、修改、執行和驗證會持續和任務保持關聯。
聊天告訴 AI 我們說過什麼，Self 還需要知道我們正在做什麼。
對話可以結束，模型可以更換，Agent 可以重啟，工具也可以變化。但一個持續工作的 Self 不應該每次都從零開始。
Self 繼續存在。
任務、關係、變化和歷史能夠跨越中斷繼續連接。
不要先相信概念，先看 Self 如何處理真實任務。
先給 AI 一個真實任務，再加入那些最容易讓 AI 跑偏的話。體驗只展示結果，核心判斷算法不公開。
只展示真正測試過的結果。
不編造用戶數量，不寫“提升 300%”。RelVectors 1.0 只展示真實 Host 測試中已經驗證的行為。
繼續使用你已經有的 AI，只增加連續性。
開發者只需要看到安裝、支持的接入方式、公開 API、示例和可觀察結果。內部算法、編碼、詞典和判斷規則不屬於公開接口。
模型不用換，增加一個持續的 Self。
今天用 GPT，明天用 Claude，本地用 Qwen，以後再換更強的模型。RelVectors 希望保留的是模型之外那個持續工作的 Self。
從 Model-centered AI 走向 Self-centered AI。
今天，我們常把模型當成 AI 的中心。RelVectors 探索另一種架構：一個持續存在的 Self，自由調用不同模型、工具、Agent 和機器。
Model-centered AI
Self-centered AI
超越語言：機器能不能直接計算關係、過程和變化？
RelVectors 從一個研究問題開始。公開網站解釋思想與長期方向，具體實現繼續作為核心算法保密。
Beyond Tokens. Toward Self.
目標不是製造另一個 Transformer，而是探索一種以關係、過程、變化、連續性和 Self 為中心的機器智能。