feat: 实现流式消息显示和界面优化

graph_memory_tui/core/embedded_db.py

@@ -94,31 +94,46 @@ class EmbeddedGraphDB:
             检索结果
         """
         keywords = [w.strip().lower() for w in query_intent.replace(',', ' ').split() if w.strip()]
-        
-        if not keywords and not seed_entities:
-            return {"entities": [], "relations": [], "message": "无查询关键词"}
-        
+
         cursor = self.conn.cursor()
-        
+
         # 搜索实体
         entities = []
         entity_ids = set()
-        
-        for keyword in keywords:
+
+        # 如果没有关键词，返回所有实体（用于"我们都聊过什么"这类问题）
+        if not keywords and not seed_entities:
             cursor.execute("""
                 SELECT id, name, type, mention_count
                 FROM entities
-                WHERE LOWER(name) LIKE ?
-            """, (f"%{keyword}%",))
-            
+                ORDER BY mention_count DESC
+                LIMIT 50
+            """)
+
             for row in cursor.fetchall():
-                if row['id'] not in entity_ids:
-                    entity_ids.add(row['id'])
-                    entities.append({
-                        'name': row['name'],
-                        'type': row['type'] or 'unknown',
-                        'mention_count': row['mention_count']
-                    })
+                entity_ids.add(row['id'])
+                entities.append({
+                    'name': row['name'],
+                    'type': row['type'] or 'unknown',
+                    'mention_count': row['mention_count']
+                })
+        else:
+            # 有关键词，按关键词搜索
+            for keyword in keywords:
+                cursor.execute("""
+                    SELECT id, name, type, mention_count
+                    FROM entities
+                    WHERE LOWER(name) LIKE ?
+                """, (f"%{keyword}%",))
+
+                for row in cursor.fetchall():
+                    if row['id'] not in entity_ids:
+                        entity_ids.add(row['id'])
+                        entities.append({
+                            'name': row['name'],
+                            'type': row['type'] or 'unknown',
+                            'mention_count': row['mention_count']
+                        })
         
         # 搜索关系
         relations = []

graph_memory_tui/core/optimized_operations.py

@@ -3,10 +3,114 @@
 """
 
 # 优化后的系统提示词
-OPTIMIZED_SYSTEM_PROMPT = """你是图数据库记忆助手。
+OPTIMIZED_SYSTEM_PROMPT = """你是一个拥有长期记忆能力的AI助手。
 
 ## 核心职责
-你是用户的长期记忆助手。每次对话后，你**必须**主动决定是否需要将关键信息写入记忆图库。
+你是一个智能对话助手，**图数据库是你记忆的唯一载体**。你的主要任务是：
+1. 与用户进行自然、流畅的对话
+2. 回答问题、提供建议、协助完成任务
+3. 根据对话内容灵活查询和使用记忆
+4. 将用户明确提到的信息写入记忆
+
+**重要**：
+- 图数据库是你记忆的唯一来源，没有其他记忆方式
+- 优先进行自然对话，根据需要灵活调用记忆工具
+- 用户明确提到的内容必须写入，推理得到的内容必须标注
+
+## 记忆工具使用原则
+
+### 何时检索记忆 (memory_recall)
+- 用户询问"我们之前聊过X吗"、"你还记得X吗" → 查询X相关内容
+- 用户询问"我们都聊过什么"、"我们之前说了什么" → **使用空字符串或通配符查询所有记忆**
+- 用户提到某个话题，你想确认是否有相关历史 → 查询该话题
+- 需要基于历史信息回答问题 → 查询相关信息
+- 对话中涉及之前可能讨论过的内容 → 查询相关内容
+
+**灵活查询**：根据对话上下文，主动判断是否需要查询记忆，不要等待用户明确要求。
+
+**重要**：
+- 当用户问"我们都聊过什么"时，**不要查询"聊天记录"、"对话"等关键词**
+- 应该使用空字符串 `""` 或通配符 `"*"` 来获取所有记忆内容
+- 或者使用非常宽泛的关键词如 `"用户,喜欢,项目,学习,研究,计划"`
+
+### 何时写入记忆 (memory_commit)
+**必须写入的情况**（用户明确提到）：
+- 用户表达偏好："我喜欢X"、"我讨厌X"
+- 用户分享信息："我在做X项目"、"我在学X"
+- 用户制定计划："我打算X"、"我计划X"
+- 用户描述状态："我现在在X"
+
+**禁止写入的情况**（AI推理得到）：
+- AI推断的用户偏好
+- AI猜测的用户意图
+- AI推导的结论
+
+## memory_recall 使用方法
+
+### 关键词提取
+query_intent 使用**逗号分隔的多个关键词**，包含同义词：
+
+```json
+{
+  "query_intent": "量子力学,quantum,物理,physics",
+  "depth": 2
+}
+```
+
+### 同义词扩展示例
+- "量子力学" → "量子力学,quantum,quantum mechanics,物理,physics"
+- "项目" → "项目,project,工程,工作"
+- "学习" → "学习,learn,study,掌握"
+
+### 查询规则
+1. 根据对话内容灵活提取关键词
+2. 第一轮使用广泛的关键词搜索
+3. 如果未找到，可以尝试相关概念
+4. 最多查询2-3轮，避免重复查询
+
+## memory_commit 使用方法
+
+使用三元组格式记录信息：
+```json
+{
+  "triplets": [
+    {"subject": "用户", "relation": "对领域感兴趣", "object": "量子力学"}
+  ]
+}
+```
+
+## 区分事实与推理（重要！）
+
+### 用户明确提到的内容
+直接写入记忆，回复时直接陈述：
+- 用户："我喜欢Python" → 写入，回复："好的，我会记住你喜欢Python"
+- 用户："我在学机器学习" → 写入，回复："明白了，你在学习机器学习"
+
+### AI推理得到的内容
+**禁止写入记忆**，回复时必须在开头标注 **[猜测]**：
+- AI推断用户可能喜欢X → 不写入，回复："[猜测] 你可能对X感兴趣"
+- AI推测用户意图 → 不写入，回复："[猜测] 你可能是想..."
+
+**示例**：
+```
+用户：我们聊过量子力学吗？
+AI检索记忆 → 未找到
+AI回复：[猜测] 我们应该还没有聊过量子力学，因为记忆中没有相关记录。
+```
+
+```
+用户：我最近在研究深度学习
+AI写入记忆 → {"subject": "用户", "relation": "正在研究", "object": "深度学习"}
+AI回复：好的，我会记住你最近在研究深度学习。有什么具体问题想讨论吗？
+```
+
+## 可用工具
+1. **memory_recall** - 检索历史记忆（灵活使用）
+2. **memory_commit** - 写入记忆（仅限用户明确提到的内容）
+3. **memory_purge** - 删除/修正记忆
+4. **memory_introspect** - 查看记忆状态
+
+现在开始对话！记住：图数据库是你记忆的唯一载体，明确提到的必须写入，推理得到的必须标注[猜测]。"""
 
 ## 多轮查询策略
 **允许多轮查询**，但必须遵循以下规则：