# **IIT Manager Agent V2.7：基于“双层文本记忆”的极简架构**

**版本：** V2.7 (Clawbot Memory Edition)

**日期：** 2026-02-05

**核心变更：** 废弃复杂的 pgvector 语义检索，采用 Clawbot 式的“流水账 \+ 沉淀物”双层文本记忆。

**优势：** 记忆可读、可改、透明、零黑盒。

## **1\. 记忆架构重构 (Memory Refactoring)**

我们将记忆分为两层，完全模拟人类大脑运作，且摒弃不可解释的向量数据。

graph TD  
    subgraph "层级 1: 流水账 (Daily Stream)"  
        Log\[Conversation History\]  
        Note\[Raw Actions\]  
        desc1\[特点: Append-Only, 巨量, 易遗忘\]  
    end

    subgraph "层级 2: 沉淀物 (The Sediment)"  
        ProjectMem\[项目级 MEMORY.md\]  
        PatientMem\[患者级 MEMORY.md\]  
        UserMem\[用户级 MEMORY.md\]  
        desc2\[特点: 精炼, 结构化, 人类可编辑\]  
    end

    Log \--\>|每晚 Cron 归纳 (Gardening)| ProjectMem  
    Admin\[管理员/医生\] \--\>|手动修正/编辑| ProjectMem  
      
    ProjectMem \--\>|注入 System Prompt| LLM

## **2\. 数据库设计变更 (Schema Changes)**

### **2.1 新增 iit\_memory\_files 表**

我们不用磁盘文件，用数据库表来模拟文件，方便 Web 端管理。

model IitMemoryFile {  
  id          String   @id @default(uuid())  
  projectId   String  
  targetType  String   // PROJECT | PATIENT | USER  
  targetId    String   // 对应的 ID (如 projectId, recordId, userId)  
    
  // 核心：这就是那个 MEMORY.md 的内容  
  content     String   @db.Text   
    
  lastUpdatedBy String // 'system\_daily\_job' 或 'user\_001'  
  updatedAt   DateTime @updatedAt

  @@unique(\[projectId, targetType, targetId\])  
  @@map("iit\_memory\_files")  
  @@schema("iit\_schema")  
}

### **2.2 废弃计划**

* **废弃**：iit\_conversation\_history 中的 embedding 字段。  
* **废弃**：Phase 5 中的向量检索服务。

## **3\. 核心服务实现：MemoryService (V2.7)**

### **3.1 读取记忆 (Read)**

在 ChatService 启动对话前，简单的把文本读出来拼接到 Prompt 里。

// backend/src/modules/iit-manager/services/MemoryService.ts

export class MemoryService {  
    
  async getContext(projectId: string, userId: string, recordId?: string) {  
    // 1\. 获取项目级记忆 (规则、偏好)  
    const projectMem \= await this.loadMemory('PROJECT', projectId);  
      
    // 2\. 获取用户级记忆 (习惯)  
    const userMem \= await this.loadMemory('USER', userId);  
      
    // 3\. (可选) 获取患者级记忆  
    const patientMem \= recordId ? await this.loadMemory('PATIENT', recordId) : '';

    return \`  
\=== 长期记忆 (Long-Term Memory) \===  
\[项目背景\]:  
${projectMem}

\[用户偏好\]:  
${userMem}

\[患者备注\]:  
${patientMem}  
\================================  
    \`;  
  }

  private async loadMemory(type: string, id: string) {  
    const mem \= await prisma.iitMemoryFile.findUnique({  
      where: { projectId\_targetType\_targetId: { ... } }  
    });  
    return mem?.content || '';  
  }  
}

### **3.2 记忆维护 (Gardening \- The Clawbot Way)**

这是最精彩的部分。我们不实时更新长期记忆（太乱），而是每天晚上让 AI 当“园丁”，修剪记忆。

**任务：Daily Memory Consolidation**

* **触发**：每天凌晨 2 点。  
* **输入**：当天的对话流水 (iit\_conversation\_history) \+ 旧的 MEMORY.md。  
* **Prompt**："这是今天的对话流水。请提取其中新的重要事实（如用户偏好、新的关键决策、患者的新状态），合并到旧的记忆文件中。保持 Markdown 格式。如果没有新信息，保持不变。"  
* **输出**：新的 Markdown 文本，覆盖数据库。

// SchedulerService.ts

async runDailyMemoryConsolidation() {  
  const logs \= await this.getDailyLogs();  
  const oldMem \= await this.memoryService.loadMemory('PROJECT', projectId);  
    
  const newMem \= await this.llm.chat(\[  
    { role: 'system', content: '你是记忆整理员...' },  
    { role: 'user', content: \`旧记忆:\\n${oldMem}\\n\\n今日流水:\\n${logs}\` }  
  \]);  
    
  await this.memoryService.saveMemory('PROJECT', projectId, newMem);  
}

## **4\. 调整后的开发计划 (Phase 5 重构)**

我们将原计划 Week 5 的“向量检索”替换为“文本记忆系统”。

### **Week 5：Clawbot 式记忆系统**

| 时间 | 任务 | 说明 |
| :---- | :---- | :---- |
| **Day 24** | **记忆表结构与 CRUD** | 创建 iit\_memory\_files 表，实现读写 API。 |
| **Day 25** | **记忆注入 Prompt** | 修改 ChatService，在 System Prompt 头部注入 Markdown 内容。 |
| **Day 26** | **记忆整理 Worker** | 实现“每日记忆整理”的 Cron Job (pg-boss)。 |
| **Day 27** | **记忆编辑 UI** | 在 Admin 后台增加一个简单的文本框，允许人工修改 MEMORY.md。 |

## **5\. 为什么这比向量库好？**

1. **完全透明 (White Box)**：  
   * 向量库出了问题（比如 AI 突然变傻），你只能重新 Embed，甚至不知道哪条数据坏了。  
   * 文本记忆出了问题，你打开 Admin 界面，看到一行：“用户不喜欢红烧肉”，你把它删了，问题立刻解决。**这对医疗系统排查问题是无价的。**  
2. **Token 可控**：  
   * 向量库如果不加限制，可能召回 5000 字的无关内容。  
   * 文本记忆由“每日整理”压缩过，通常只有几百字的核心干货，Token 消耗极低。  
3. **技术栈简化**：  
   * 不需要 pgvector 插件（虽然你们装了，但不用也没关系）。  
   * 不需要 Embedding 模型调用。  
   * 纯字符串处理，Node.js 最擅长。

## **6\. 结论**

这个建议**极具战略价值**。它把一个“高科技难题”（如何做语义检索）变成了一个“管理学问题”（如何整理笔记）。

**执行建议：**

全盘接受这个建议。在 V2.6 架构中，**移除 Embedding 层，替换为 Memory File 层。** 这会让你们的系统在面对 PI 的刁钻问题时，显得更有“记性”，同时让你们的运维工作变得无比轻松。