mirror of
https://github.com/slhaf/Partner.git
synced 2026-05-12 16:53:04 +08:00
100 lines
4.9 KiB
Markdown
100 lines
4.9 KiB
Markdown
# 记忆存储
|
||
|
||
本文说明 Partner 记忆系统的稳定存储模型和原始记忆生成方式。
|
||
|
||
## MemoryUnit 与 MemorySlice
|
||
|
||
### 数据模型
|
||
|
||
存储层由 `MemoryCore`、`MemoryUnit` 和 `MemorySlice` 三层组成。
|
||
|
||
`MemoryCore` 维护记忆单元集合和当前记忆会话 id；`MemoryUnit` 是可持久化的记忆单元，保存一段对话消息及其摘要切片；
|
||
`MemorySlice` 是对 `MemoryUnit` 中一段消息区间的摘要。
|
||
|
||
```mermaid
|
||
flowchart TD
|
||
A["MemoryCore"] --> B["memorySessionId<br/>当前记忆会话"]
|
||
A --> C["memoryUnits<br/>Map<unitId, MemoryUnit>"]
|
||
C --> D["MemoryUnit"]
|
||
D --> E["id"]
|
||
D --> F["timestamp<br/>最近更新时间"]
|
||
D --> G["conversationMessages<br/>原始对话消息"]
|
||
D --> H["slices<br/>List<MemorySlice>"]
|
||
H --> I["MemorySlice"]
|
||
I --> J["id"]
|
||
I --> K["startIndex / endIndex<br/>对应 conversationMessages 区间"]
|
||
I --> L["summary<br/>该区间摘要"]
|
||
I --> M["timestamp<br/>切片创建时间"]
|
||
```
|
||
|
||
`MemoryUnit` 的核心作用是把原始消息和摘要切片绑定在一起。`conversationMessages` 保存完整消息序列，`MemorySlice`
|
||
只记录它覆盖的消息区间和摘要内容。这样，召回层可以先使用摘要切片进行轻量检索，再在需要时回到对应 `MemoryUnit` 读取原始消息。
|
||
|
||
`MemoryCore` 自身只保存 `memorySessionId` 和 `memory_unit_uuid_set`，每个 `MemoryUnit` 独立持久化到自己的 state
|
||
path。也就是说，`MemoryCore` 负责管理有哪些记忆单元，而具体消息和切片内容保存在 `MemoryUnit` 中。
|
||
|
||
| 对象 | 作用 |
|
||
|---------------|------------------------------------|
|
||
| `MemoryCore` | 维护当前记忆会话 id、记忆单元集合，并提供读写入口 |
|
||
| `MemoryUnit` | 保存一组原始对话消息及其摘要切片，是稳定落盘单元 |
|
||
| `MemorySlice` | 描述 `MemoryUnit` 中一段消息区间的摘要，可被索引和召回 |
|
||
|
||
`MemorySlice` 会按创建时间参与排序；`MemoryCore` 在更新记忆时会对 slice 的 id、时间戳和消息区间做规范化，避免索引越界或缺失基础字段。
|
||
|
||
### 生成方式
|
||
|
||
`MemoryUnit` 与 `MemorySlice` 的原始材料来自对话轨迹。`CommunicationProducer` 在完成对外回复后，将本轮用户输入和 assistant
|
||
输出写回 `CognitionCapability` 维护的 chat messages；`DialogRolling` 在对话窗口过长或长时间未交互时，基于这些 chat
|
||
messages 生成记忆切片。
|
||
|
||
```mermaid
|
||
flowchart TD
|
||
subgraph Communication["CommunicationProducer"]
|
||
A["PartnerRunningFlowContext<br/>本轮输入"] --> B["生成对外回复"]
|
||
B --> C["updateChatMessages"]
|
||
C --> D["CognitionCapability.chatMessages"]
|
||
end
|
||
|
||
subgraph Rolling["DialogRolling"]
|
||
D --> E{"触发 rolling?"}
|
||
E -- " 对话数量达到阈值 " --> F["triggerRolling(false)"]
|
||
E -- " 长时间未交互 " --> G["triggerRolling(true)"]
|
||
F --> H["snapshotChatMessages"]
|
||
G --> H
|
||
H --> I["resolveChatIncrement"]
|
||
I --> J["MessageCompressor"]
|
||
J --> K["MessageSummarizer"]
|
||
K --> L["MemoryCapability.updateMemoryUnit"]
|
||
L --> M["MemoryUnit"]
|
||
L --> N["MemorySlice"]
|
||
end
|
||
|
||
subgraph Context["滚动后的上下文处理"]
|
||
N --> O["dialog_history ContextBlock"]
|
||
O --> P["ContextWorkspace"]
|
||
M --> Q["RollingResult"]
|
||
N --> Q
|
||
Q --> R["AfterRollingRegistry.trigger"]
|
||
end
|
||
```
|
||
|
||
生成流程可以分成两段：
|
||
|
||
1. **对话轨迹写入**：`CommunicationProducer` 负责把本轮交流结果追加到 `chatMessages`。这里保存的是后续 rolling
|
||
能够消费的原始对话轨迹。
|
||
2. **对话滚动入库**：`DialogRolling` 从当前对话快照中计算尚未进入当前 `MemoryUnit` 的增量消息，压缩并总结后调用
|
||
`MemoryCapability.updateMemoryUnit(chatMessages, summary)`。该调用会把消息增量追加到 `MemoryUnit.conversationMessages`
|
||
，并创建一个覆盖这段消息区间的 `MemorySlice`。
|
||
|
||
`DialogRolling` 有两类触发方式：
|
||
|
||
| 触发方式 | 含义 |
|
||
|----------|------------------------------------------------|
|
||
| 对话数量达到阈值 | 当前上下文对话过长时触发 rolling，只保留部分近期上下文 |
|
||
| 长时间未交互 | 定时检查发现距离上次交互超过阈值时触发 rolling，并刷新 memory session |
|
||
|
||
rolling 完成后，系统会把新切片摘要注册为 `dialog_history` 上下文块，并裁剪当前 chat messages。随后 `AfterRollingRegistry`
|
||
会异步触发已注册的 `AfterRolling` consumer。这里的 consumer 只消费 `RollingResult`
|
||
，用于在原始记忆生成后执行额外维护逻辑；具体索引构建与召回组织在 [记忆检索](memory-retrieval.md)
|
||
中说明，扩展点机制见 [AfterRolling](after-rolling.md)。
|