feat(memory): P1 长期记忆升级 —— 异步攒批 Consolidate + 软删 + importance/last_seen

把"逐轮盲写抽取"升级为 Mem0 式对账（方案见 memory_industry_analysis.md 落地节）：

mcp-go：
- Profile 加 Importance(1~10, poignancy) + LastSeenAt（为 Generative Agents 读路径
  Score=w1·Relevance+w2·Recency+w3·Importance 铺路）。
- Upsert 收 importance + 每次置 last_seen（印证）；新增 Delete（软删，BaseModel.DeletedAt
  已具备，失效不物删可审计）+ Touch；memory_upsert 透传 importance、新增 memory_delete 工具。

dispatcher：
- extractMemory → consolidateMemory：一次 LLM 调用同时做 抽取+对账，输出
  [{op:ADD|UPDATE|DELETE|NOOP,key,value,importance}]；ADD/UPDATE→upsert、DELETE→软删；
  sanitizeOps 防幻删(DELETE 须命中已有)/夹 importance[1,10]/同key保末个/丢 NOOP。
- 攒批：每 3 轮（per-session 计数）才 consolidate 一次，省成本，对齐 ChatGPT 周期整理。
  从根上解决 exact-key 盲写的记忆腐烂。

验证：parseOps/sanitizeOps/parseProfile 纯逻辑单测；store 集成测试(真 PG)覆盖
importance/last_seen 写入 + 软删(live 0 / 物理 1)；dispatcher -race 全过。
（注：完整多轮 LLM consolidate 未做实跑，属构造性验证 + 沿用已证 pool.Chat 模式。）

P2 待做：读路径按 Score(Recency+Importance) 排序/衰减/截断 + 桌面端记忆面板。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

memory_industry_analysis.md

@@ -226,3 +226,83 @@ memory_upsert 时同时写入 Neo4j：
 > **最务实的改造优先级**：Phase 1（Consolidate）> Phase 2（语义检索）> Phase 3（图谱）。
 > Phase 1 改动最小（只改 `memory_extract.go` 的抽取 prompt 和处理逻辑），
 > 但效果最显著——直接解决记忆腐烂这个最大的 Day-2 问题。
+
+---
+
+# 落地方案（修正版 · 实施计划）
+
+> 在上面分析基础上做了三处修正：**① Consolidate 改异步攒批（不逐轮，省成本）；② DELETE 用 soft-delete（失效不物删）；③ Phase 2 语义检索暂缓（当前画像小，全量注入够用）**。并把读路径目标定为 Generative Agents 检索打分公式。
+
+## 设计四原则
+
+1. **对账而非盲写** —— 引入 Consolidate（ADD / UPDATE / DELETE / NOOP），解决 exact-key 去重不可控导致的记忆腐烂。
+2. **异步攒批而非逐轮** —— 每 N 轮跑一次"抽取+对账"，一次 LLM 调用，省成本，对齐 ChatGPT 周期整理。
+3. **失效不物删** —— DELETE = GORM 软删（`BaseModel.DeletedAt` 已具备，零成本），白拿审计/可恢复。
+4. **按当下规模右尺寸** —— 小画像继续全量注入；语义检索/图谱留接口、暂不做。
+
+## 数据模型（扩 mcp-go 的 `Profile`）
+
+```go
+type Profile struct {
+    BaseModel              // 已含 id/created/updated/deleted_at(软删)
+    UserID     string
+    Key        string      // (user_id,key) 唯一
+    Value      string
+    Importance float64     // 1~10，consolidate 时 LLM 打分（poignancy）→ 读路径权重
+    Confidence float64     // 0~1 信念强度（可选，强弱偏好）
+    Source     string      // "user"(显式) / "extracted"(推断)
+    LastSeenAt time.Time   // 最近被印证时间 → Recency 衰减依据
+}
+```
+
+## 写路径：异步攒批 Consolidate（核心）
+
+```
+每轮结束 → 只 append history（已有，便宜）
+            ↓ 每 N 轮（用 history 长度判断，无需新基建）
+        Consolidate（1 次 LLM 调用，extract + reconcile 合一，Mem0 式）：
+          输入 = 近 K 轮对话 + 当前 active 画像(带 key/importance)
+          输出 = [{op: ADD|UPDATE|DELETE|NOOP, key, value, importance, reason}]
+            ↓ 按 op 执行
+          ADD/UPDATE → memory_upsert(带 importance, last_seen=now)
+          DELETE     → memory_delete（软删）
+          NOOP       → bump last_seen（印证即强化）
+```
+
+- 决策（LLM 对账）在 dispatcher；落库在 mcp-go 工具（新增 `memory_delete` 软删 + `memory_upsert` 收 importance）。
+- 触发：`memorize` 里 append 后看 `history_get` 长度，跨 N 轮才跑。
+
+## 读路径目标 ★ Generative Agents 检索打分公式
+
+最终读路径按此公式排序、取 top-K（论文 Park et al. 2023）：
+
+```
+Score = w1·Relevance + w2·Recency + w3·Importance
+```
+
+| 项 | 取值 | 本项目映射 | 何时上 |
+|---|---|---|---|
+| **Importance** | 写入时 LLM 打 1~10（存下，不在检索时算）| `Profile.Importance`，consolidate 顺手打分 | **P1 就存** |
+| **Recency** | `decay^(距 last_seen)` 指数衰减 | `LastSeenAt` + 衰减 | **P2** |
+| **Relevance** | query×memory 余弦相似 | 需 embedding → Milvus | **P3（画像大才上）** |
+
+- 三项各 min-max 归一到 [0,1]，加权求和；**w1/w2/w3 设为可配**。
+- 现在画像小、全量注入：先用 **Recency + Importance** 两项排序/截断/遗忘（无向量、便宜）；画像变大后补 Relevance 凑齐三项。
+- `memory_get(user_id, query?)` 签名预留 `query`，将来接 Milvus 不破坏调用方。
+
+## 分阶段
+
+| 阶段 | 内容 | 解决 |
+|---|---|---|
+| **P1** | 异步攒批 Consolidate（ADD/UPDATE/DELETE/NOOP）+ soft-delete + Profile 加 Importance/LastSeenAt（consolidate 时 LLM 打 importance 分）| 记忆腐烂 + 成本 |
+| **P2** | 读路径：按 Score(Recency+Importance) 排序 + 衰减遗忘 + 截断 top-N；桌面端记忆面板可看/改/删 | 噪声 + 遗忘 + 用户控制 |
+| **P3（暂不做）** | 补 Relevance：memory 存时 embedding→Milvus，读时 query top-K，凑齐三项公式；Neo4j 图谱记忆 | 大规模 / 关系推理 |
+
+**故意不做**：双时态完整模型（soft-delete + last_seen 已够）、Letta 式 Agent 自管理（与现有外部编排架构不合）。
+
+## P1 改动点（下午动手）
+
+- `mcp-go/internal/memory/store.go`：`Profile` 加 `Importance/LastSeenAt`；`Upsert` 收 importance + 置 last_seen；新增 `Delete`（软删）。
+- `mcp-go/internal/mcp/gateway.go`：新增 `memory_delete` 工具；`memory_upsert` 透传 importance。
+- `dispatcher/internal/eino/memory_extract.go`：`extractMemory` → `consolidateMemory`：合并 extract+reconcile 为一次 LLM 调用，输出 op 列表（含 importance 打分），按 op 调 upsert/delete；触发改为每 N 轮（看 history 长度）。
+- 纯逻辑（op 解析 / 应用决策）可单测。