HaHafeng
0c590854b5
Features: - Add V2.9 enhancements: Cron Skill, User Profiling, Feedback Loop, Multi-Intent Handling - Create modular development plan documents (database, engines, services, memory, tasks) - Add V2.5/V2.6/V2.8/V2.9 design documents for architecture evolution - Add system design white papers and implementation guides Architecture: - Dual-Brain Architecture (SOP + ReAct engines) - Three-layer memory system (Flow Log, Hot Memory, History Book) - ProfilerService for personalized responses - SchedulerService with Cron Skill support Also includes: - Frontend nginx config updates - Backend test scripts for WeChat signature - Database backup files Co-authored-by: Cursor <cursoragent@cursor.com>
161 lines
6.1 KiB
Markdown
161 lines
6.1 KiB
Markdown
# **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。 |