feat: protocol base lib + rule-based parser MVP + 31 tests

docs/memory-subnet.md

@@ -147,9 +147,9 @@ LIMIT 10
 
 | 项目 | 说明 |
 |------|------|
-| **输入1** | 查询张量（来自 Core，含查询意图、种子实体、上下文） |
-| **输入2** | 新信息张量（来自 Core，含本轮标签和子网结果；**不含具体写入指令**） |
-| **输出** | `memory_result` 张量（包含检索到的实体/关系/向量结果） |
+| **输入1** | 查询张量，fmt_id=2，来自 Core（编码后的查询意图、种子实体） |
+| **输入2** | 新信息张量，fmt_id=3，来自 Core（编码后的本轮更新数据；**不含具体写入指令**） |
+| **输出** | 记忆结果张量，fmt_id=1，编码检索到的实体/关系向量 |
 | **自治** | 记忆子网自行决定如何写入、更新、删除、修改记忆 |
 
 ## 训练目标
@@ -301,37 +301,63 @@ class Neo4jGraph:
 
 ## 新信息张量格式
 
-Core 传递给记忆子网的**新信息张量**（Core 不发送
+Core 传递给记忆子网的**新信息张量**遵循统一通信张量协议：
 
-```json
-{
-  "header": {
-    "source": "core",
-    "target": "memory",
-    "tensor_type": "memory_update",
-    "trace_id": "trace-uuid",
-    "timestamp": 1717200000
-  },
-  "payload": {
+### 协议定义
+
+```
+格式: 统一通信张量 (纯数值张量)
+  prefix[0] = fmt_id = 3 (memory_update)
+  prefix[1] = parser_id = 3 (memory_update_parser)
+  payload: 编码后的记忆更新数据
+    实体编码: [entity_ids..., entity_embeddings...]
+    关系编码: [relation_ids..., relation_embeddings...]
+    会话标识: [session_tag, turn_tag, ...]
+```
+
+实体、关系、会话信息通过子网内部的编解码适配器转为张量表示。
+
+### 记忆子网内部格式（私有）
+
+记忆子网内部维护以下私有数据结构，但**对外通信时始终通过统一协议编解码为纯张量**：
+
+```python
+# 内部数据模型（子网私有，不对外暴露）
+@Entity
+default_graph = {
     "entities": [
-      {"name": "用户_张三", "type": "PersonaNode", "attributes": {"preference": "摇滚音乐"}},
-      {"name": "项目_NextAgent", "type": "EntityNode", "attributes": {}}
+        {"name": "用户_张三", "type": "PersonaNode", "preference": "摇滚音乐"},
+        {"name": "项目_NextAgent", "type": "EntityNode"}
     ],
     "relations": [
-      {"subject": "用户_张三", "relation": "HAS_PERSONA", "object": "喜欢_摇滚", "confidence": 0.95},
-      {"subject": "用户_张三", "relation": "RELATES_TO", "object": "项目_NextAgent", "confidence": 0.9}
-    ],
-    "session_id": "session-20260601-xxxx",
-    "turn_id": 42,
-    "metadata": {
-      "source_subnets": ["routing", "logic_trace", "core"],
-      "aggregation_strategy": "merge"
-    }
-  },
-  "metadata": {
-    "entity_count": 3,
-    "relation_count": 2,
-    "upsert_mode": "merge"
-  }
+        {"subject": "用户_张三", "relation": "HAS_PERSONA", "object": "喜欢_摇滚", "confidence": 0.95},
+        {"subject": "用户_张三", "relation": "RELATES_TO", "object": "项目_NextAgent", "confidence": 0.9}
+    ]
 }
+
+# 编码适配器将内部数据 → 统一通信张量
+# 解码适配器将统一通信张量 → 内部查询结构
+def encode_memory_update(entities, relations, session_id, turn_id) -> Tensor:
+    """内部格式 → 统一通信张量
+    
+    1. 将实体名/关系名编码为 embedding 向量
+    2. 拼接会话标识和时间戳
+    3. 编码适配器: 查表 fmt_id=3, 拼接前缀
+    """
+    entity_embeds = embed_entity_names(entities)  # [n_entities, 768]
+    relation_embeds = encode_relations(relations)   # [n_relations, 768]
+    meta = tensor([session_hash, turn_id])          # [2]
+    return codec.encode(fmt_id=3, parser_id=3,
+                        data=concat(entity_embeds, relation_embeds, meta))
+
+def decode_memory_query(comm_tensor: Tensor) -> QueryIntent:
+    """统一通信张量 → 内部查询意图
+    
+    1. codec.decode(comm_tensor) 剥离前缀
+    2. 将 payload 张量解码为查询条件
+    3. 返回: 图DB检索参数 / 向量检索参数
+    """
+    payload = codec.decode(comm_tensor)  # 剥离 fmt_id=2
+    query_embed = payload[:768]
+    return self.query_embed_to_params(query_embed)
 ```