AIclinicalresearch/docs/03-业务模块/IIT Manager Agent/05-测试文档/IIT Manager Agent V2.7：基于“双层文本记忆”的极简架构.md

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。