TrulyMEM-TrueHumanMEM/docs/zh/memory.md

TrulyMEM 记忆机制

本文档详细说明 TrulyMEM 内部的记忆工作机制。

核心设计理念

区别于传统上下文系统

传统 AI 对话系统使用 messages 数组存储对话历史：

• 每次请求携带全部历史消息
• 随着对话轮次增加，上下文逐渐膨胀
• 最终触发记忆压缩或滑动窗口，造成记忆丢失

TrulyMEM 的解决思路：

• 摒弃 messages 数组上下文
• 唯一 记忆载体：图数据库
• 全部记忆以三元组（节点）- 关系 → （节点）形式存储

图数据库作为唯一记忆源

所有记忆必须通过以下方式写入图数据库：

• memory_commit - 写入新记忆
• memory_purge - 删除/修正记忆

所有记忆必须通过以下方式读取：

• memory_recall - 检索记忆

工作记忆管理

context_rewrite 允许 AI 在单轮对话内主动压缩工具调用的临时上下文：

• 将冗长的 JSON 工具结果提炼为简洁的自然语言摘要
• 摘要必须包含调用了哪些工具、对几次调用的总结
• 系统验证格式后，替换 messages_history 为 [用户消息, 摘要]
• 确保 LLM 保留元认知（知道"我调用过工具"），同时减少 JSON 噪音

---

强制执行流程（每轮对话）

由于没有传统上下文系统，每轮对话必须按以下顺序执行：

步骤 1：查询人设图（最高优先级）

memory_recall(
    query_intent="AI,人设,角色,性格,语气,说话风格",
    depth=2
)

目的：获取当前人设，确保角色一致性。

处理逻辑：

• 找到人设 → 严格按照人设的语气、风格、特征回复
• 未找到 → 使用默认 TrulyMEM 身份

步骤 2：查询工作记忆链

memory_recall(
    query_intent="TaskNode,工作记忆,任务链",
    depth=2
)

目的：获取之前的任务上下文，了解对话历史。

步骤 3：处理对话

• 理解用户意图
• 根据人设和工作记忆链生成回复
• 执行其他必要的记忆操作

步骤 4：更新工作记忆链

task_create(
    task_id="Task_当前轮次ID",
    description="本轮对话概述",
    info_nodes=["相关记忆节点"]
)

目的：记录本轮对话，维持时间链。

---

记忆写入规则

必须写入的情况

以下信息必须写入图数据库：

场景	示例	写入方式
用户明确偏好	"我喜欢摇滚"	memory_commit
用户分享信息	"我在做X项目"	memory_commit
用户制定计划	"我打算X"	memory_commit
用户描述状态	"我现在在X"	memory_commit

禁止写入的情况

以下信息禁止写入：

场景	原因	处理方式
AI 推断的用户偏好	未经证实	不写入或标注[推测]
AI 猜测的用户意图	未经证实	不写入或标注[推测]
AI 推导的结论	未经证实	不写入或标注[推测]

标注规则

类型	标注方式	示例
推理内容	必须标注 [猜测]	用户[推测]喜欢音乐
明确内容	直接陈述	用户喜欢音乐

---

节点与边类型

节点类型

节点类型	说明	存储内容
PersonaNode	人设节点	AI 角色、性格、语气
TaskNode	任务节点	任务概述
StateNode	状态节点	任务状态
InfoNode	信息节点	具体信息
EntityNode	实体节点	通用实体

边类型

边类型	说明	连接关系
HAS_PERSONA	人设	AI → PersonaNode
NEXT_TASK	时间链	TaskNode → TaskNode
HAS_STATE	状态	TaskNode → StateNode
CONTAINS_INFO	信息	TaskNode → InfoNode
RELATES_TO	关联	EntityNode → EntityNode

---

必须查询工作记忆链的场景

强制查询场景

以下情况必须查询工作记忆链：

场景	示例
每轮对话开始	执行步骤 2
用户提到"刚才"	"刚才我们聊了什么？"
用户提到"之前"	"继续刚才的话题"
用户提到"上次"	"上次说的X"
用户询问历史	"我们之前说了什么？"
连续性任务恢复	用户回到之前的话题
上下文引用	"那个东西"

---

自主性原则

在强制执行流程之外，AI 可自主决定：

查询决策

• 用户询问历史 → 查询
• 涉及之前内容 → 查询
• 不确定时 → 可查询

写入决策

• 用户明确提到 → 必须写入
• AI 推理得到 → 可以写入，标注[推测]

工具使用决策

• 根据上下文灵活选择
• 避免过度使用
• 保持自然对话

---

完整示例：成语接龙游戏

第一轮：用户发起游戏

用户: 咱来玩成语接龙吧，我先开始，为所欲为

AI操作:
1. 查询人设图 → 获取当前人设（如：猫娘）
2. 查询工作记忆链 → 无进行中任务
3. 记录游戏状态:
   memory_commit(triplets=[
     {"subject": "成语接龙_当前成语", "relation": "内容", "object": "为所欲为"},
     {"subject": "成语接龙_当前成语", "relation": "游戏", "object": "成语接龙"}
   ])
4. 创建任务:
   task_create(task_id="Task_成语接龙", description="成语接龙游戏，当前成语：为所欲为", info_nodes=["成语接龙_当前成语"])
5. 回复: "好的喵！我接：为虎作伥喵！"

第二轮：话题被打断

用户: 长门有希

AI操作:
1. 查询人设图 → 获取当前人设（猫娘）
2. 查询工作记忆链 → 发现 Task_成语接龙 状态为"进行中"
3. 暂停任务:
   task_set_state(task_id="Task_成语接龙", state="已暂停")
4. 创建新任务:
   task_create(task_id="Task_长门有希", description="讨论长门有希")
5. 回复关于长门有希的内容

第三轮：用户要求继续游戏

用户: 关于刚才的成语接龙，我并不知道应该怎么接你的成语，请帮我接一下

AI操作:
1. 查询人设图 → 获取当前人设（猫娘）
2. 查询工作记忆链 → 发现 Task_成语接龙 状态为"已暂停"
3. 恢复任务:
   task_set_state(task_id="Task_成语接龙", state="进行中")
4. 查询信息节点 → 获取当前成语"为虎作伥"
5. 回复: "好的喵！上一个成语是'为虎作伥'，我帮你接：伥鬼害人喵！"

---

执行检查清单

每轮对话必须检查：

• 步骤 1：是否查询了人设图？
• 步骤 2：是否查询了工作记忆链？
• 步骤 3：是否根据人设和工作记忆链生成回复？
• 步骤 4：是否更新了工作记忆链？
• 涉及上下文引用时是否查询了工作记忆链？
• 用户提到"刚才/之前/上次"时是否查询了工作记忆链？