十月过半：从机械臂重力补偿到长期记忆

这是一份月中复盘与思考。涉及实验室和服务器的内容只保留必要的工程边界，不包含私人健康数据、连接凭据或未公开的内部细节。

这个月先把最重要的事情往前推

十月上旬，最明确的一件事是把康复机械臂的本体重力部分先走通。

假期期间，我完成了基于现有模型的重力力矩建模，把连杆质心、势能变化和机械联动关系放进同一套计算里，并完成了一轮 MATLAB 仿真。仿真结果说明，在理想模型和既定控制结构下，加入重力前馈后，位置保持和运动跟踪都有明显改善；但这仍然是模型内部的结果，不能直接写成真实机械臂已经通过验证。

这一步的价值不只是得到一条更好看的误差曲线，更重要的是把问题从“能不能算出重力”推进到“怎样用真实数据把参数辨识出来”。接下来最紧急的工作不是继续堆更多仿真，而是把参数辨识代码、数据合同和现场校验方法整理出来。实验室设备目前接近整机联调条件，暂定在十月下旬配合现场推进。因此，十月 14 日到 20 日的 P0 被收窄为：

完成本体重力回归、QR/SVD 求解和可辨识性检查；
用有限的合成数据检查噪声、偏置和未见姿态预测；
准备样例数据、运行说明、失败条件和安全停点；
完成离线复跑后，把代码包和说明发到实验室。

“代码包可以部署”与“真实机械臂已经通过”是两件事。现场还需要重新核对硬件版本、关节和电机映射、传感器输出侧、标定、时间同步以及可安全采集的姿态范围。只有真实数据、独立姿态验证和安全条件都成立，才能把实机重力补偿写成已验证。

在襄阳看到的另一种工程系统

十月十日或十一日前后，我来到襄阳参加所谓的实习，实际内容有相当一部分是参观东风汽车及相关产业链。

这类参观很难在短时间内理解一个企业的全部能力，但仍然能看到一些有价值的结构：汽车产业不是单个工厂的产品，而是一种产业集群。大量企业聚集在相对接近的区域，物流、协商、定制化配合和供应关系因此被压缩进一个高密度网络里。

这种模式的优势是协作和定制效率高，缺点则是重资产明显、设备和工艺投入大，产品方向一旦收窄，系统的灵活性也会受到影响。传统燃油车企业和相对新一些的产业链企业，在设备密度、产品专精程度和技术组织方式上又呈现出不同的侧重点。

这只是一次参观中的局部观察，不足以概括中国汽车产业。但它让我再次意识到，很多技术问题最后都会落到系统组织上：单个设备很先进，不等于整体链路就高效；一个算法很漂亮，也不等于它已经嵌入了可靠的工程流程。

OpenViking 让我重新想了一遍“模型”是什么

最近又搭建和使用了 OpenViking 这一类长期记忆管理系统。它最有意思的地方，不是简单地把聊天记录保存下来，而是尝试把资料、来源、摘要、索引和检索组织成一个可以持续工作的上下文层。

这让我想到一个有点奇怪、但可能值得继续想的问题：人类是不是天然就是一种多模态、持续更新的“大模型”？这里把“大模型”和“权重变化”作为理解学习与经验的比喻，并不是对人脑机制的科学定义。外置记忆带来的上下文变化，也不等同于模型参数被持续训练。

企业提供的通用大模型，通常拥有很大的参数规模和很强的通用能力，但它面对一个具体项目时，并没有真正经历这个项目的历史。人类则不同。人通过视觉、听觉、触觉、行动反馈和语言共同理解世界；在持续参与一个项目的过程中，自己的判断重点、经验权重和行动习惯也会慢慢变化。一个长期参与项目的人，实际上已经被这个项目“特化”了。

从这个角度看，外置记忆并不等于给模型增加几个聊天摘要。它更像是为一个通用模型补上一层项目连续性：

哪些事实来自哪里；
哪些结论已经验证，哪些只是猜测；
哪些决定在什么时间、基于什么条件作出；
下一个 Agent 怎样接着工作，而不是重新从零理解。

但长期记忆也有两个明显的风险。

第一，不能把某一个记忆服务当成唯一事实源。原始材料、结构化导出和可迁移的素材包仍然要保留，否则服务一旦更换，个人的工作历史就会被绑定在一个实现上。

第二，记忆系统仍然需要人维护。自动索引可以帮助找到内容，却不能自动保证来源没有混乱、时间没有过期、不同版本没有冲突。长期记忆的核心不是“存得更多”，而是“来源清楚、边界明确、能够迁移”。

所以我现在更愿意把 OpenViking 看成一个上下文基础设施，而不是一个替代人判断的“第二大脑”。它的价值要通过长期项目才能真正体现：能不能减少重复解释，能不能让不同 Agent 共享前期成果，能不能在迁移工具时带走自己的工作方法。

数据服务、模型分工与消耗

最近也完成了个人运动健康数据的采集和服务接入。这一步解决了“能否获取和查询”，但还没有回答“这些数据如何长期服务于自己的生活”。下一步应先观察同步完整性、指标定义和实际使用需求，再决定是否加入饮食记录等新功能。具体健康数据和原始记录保留在私人系统中。

我希望尝试一种分工：Agent 处理需要判断的任务，确定性脚本处理固定格式和统计，小模型协助简单文本整理，OpenViking 负责上下文组织与检索。复杂问题再交给能力更强的模型。这目前仍是方案：4B 与 9B 的实际内存占用、整理质量、并发影响和总成本，需要用同一批任务测试后才能比较，不能只按参数规模下结论。

Token 应该花在能产生有效判断和行动的位置。要检查的不只是某一次请求的价格，还包括哪些操作触发了摘要、记忆提取、检索扩展、重复索引，以及失败后的重试。把这些调用与前台 Agent 的工作分别记账，才有办法判断记忆系统是否真的在节省成本。

这里也需要修正一个直觉：长期记忆系统不一定只是“向量检索”。OpenViking 的官方资料介绍了摘要、概览与原文分层；其具体模型消耗仍取决于部署版本、配置和调用路径。分层按需读取提供了减少重复上下文的可能，但不能代替实际消耗测量，也不能保证所有任务都会更省。

资料参考：OpenViking 官方介绍、上下文分层。

整机联调还要补上的一块

整机联调还包含软体外骨骼手的接入准备。目前需要核对通信材料、固件与控制工程版本，随后形成可单独验证的接口模块；协议细节和内部协作记录保留在项目资料中。

本周先确认材料和代码协作状态，后续按独立 ROS 2 功能包组织传输、控制与断连处理。它与参数辨识 P0 并行准备，但不改变本周优先级；当前仍不能写成已完成 ROS 接入或整机验证。

月中之后的取舍

十月剩下的时间需要主动做减法。

动力学主线仍然是：本体建模 → 参数辨识 → 真实机械臂重力补偿 → 再讨论平滑轨迹或动力学约束轨迹。惯性、摩擦、外部负载和柔性机构都很重要，但不应该在本周同时变成必须完成的前置条件；它们需要根据数据质量、设备条件和后续指导逐步展开。

OpenViking、个人数据同步、本地小模型和服务器资源优化也会继续观察，但只做低风险维护，不抢占参数辨识这个 P0。当前真正值得交付的，不是再接入多少服务，而是把已经获得的知识整理成可复现、可核验、可交接的工作包。

AI 时代可能真正稀缺的，不只是更大的模型，而是持续工作的上下文。未来比较有价值的能力，也许不是回答一次问题，而是在一个具体项目中持续保持正确的历史、来源和判断边界，并把这些东西交给下一个 Agent 继续使用。

这可能就是“长期记忆”真正值得研究的地方：它最终服务的不是某个模型，而是一个人的长期工作连续性。

复盘边界

重力建模和仿真：已有阶段性结果，但属于离线/仿真证据；
参数辨识代码：本周交付目标，尚不应写成已完成；
整机联调：预计十月下旬，尚未完成；
OpenViking：已有阶段性接入和读写验证，不代表所有对话自动归档或所有 Agent 都能自动召回；
襄阳产业观察：个人观察素材，不是完整行业研究；
本文中的计划是月中调整后的执行基线，后续仍以实际代码、数据、现场条件和导师反馈为准。