记忆提取 Skill

自动从对话中提取 Entity/Relation/Observation 并更新知识图谱。

功能

1. 实体提取 - 从对话中识别用户、项目、技能、偏好等实体
2. 关系提取 - 识别实体之间的关系
3. 观察提取 - 提取原子化事实作为观察
4. 自动更新 - 写入知识图谱存储

使用方法

手动调用

from scripts.knowledge_graph_manager import KnowledgeGraphManager

manager = KnowledgeGraphManager()

# 创建实体
manager.create_entities([
    {'name': '新项目', 'entityType': 'project', 'observations': ['描述']}
])

# 创建关系
manager.create_relations([
    {'from': '用户', 'to': '新项目', 'relationType': 'owns'}
])

# 添加观察
manager.add_observations([
    {'entityName': '用户', 'contents': ['新偏好']}
])

自动提取规则

Agent 在对话中应主动识别以下信息并写入记忆：

实体类型

关系类型

观察提取

观察应该是原子化事实：

• 一条观察 = 一个事实
• 简洁、具体、可验证

示例：

• ✅ "时区：Asia/Shanghai"
• ✅ "邮箱：user@example.com"
• ❌ "用户信息包括时区和邮箱"（不是原子化）

记忆更新流程

对话开始
    ↓
读取知识图谱 (search_nodes / read_graph)
    ↓
对话进行中
    ↓
识别新信息 → 提取 Entity/Relation/Observation
    ↓
写入知识图谱 (create_entities / create_relations / add_observations)
    ↓
对话结束
    ↓
导出 Markdown 视图

System Prompt 集成

在 Agent 的 System Prompt 中添加：

## 记忆管理

每次对话开始时：
1. 说 "正在回忆..." 并从知识图谱检索相关信息
2. 将知识图谱称为 "记忆"

对话过程中：
主动识别并记录以下类型的信息：
- Basic Identity: 年龄、性别、位置、职业、教育
- Behaviors: 兴趣、习惯
- Preferences: 交流风格、语言偏好
- Goals: 目标、期望
- Relationships: 人际关系（3 度以内）

发现新信息时：
1. 创建实体（用户、项目、技能、工具、偏好、地点、事件）
2. 创建关系（owns, uses, prefers, located_at, named 等）
3. 添加观察（原子化事实）

文件位置

• 管理器: scripts/knowledge_graph_manager.py
• 存储: memory/knowledge-graph.jsonl
• 视图: memory/KNOWLEDGE_GRAPH.md

基于 MCP Memory Server 设计