sundynix-agentix

sundynix/sundynix-agentix

Fork 0

Commit Graph

Author	SHA1	Message	Date
Blizzard	9a3a816c80	feat(prompts): prompt 版本化地基 —— 注册表 + 运行期文件覆盖把散落各服务的硬编码 system prompt 收口为受管注册表，不重编译即可改/回滚/对比： - shared/prompts：内置默认(随代码) + 运行期覆盖(PROMPTS_FILE) + Get/Keys，并发安全，含单测 - 接入 9 处：mcp-go(graph.extract)；dispatcher(eval.quality/eval.refine/guard.jailbreak/ coordinator.lead/memory.extract，按引用登记默认、无文本重复) - main 启动调 LoadFile 加载 PROMPTS_FILE 覆盖 - live A/B：覆盖 graph.extract → 图谱抽取 2 条→0 条、向量仍正常（覆盖生效、管道未坏） - v2(DB 控制面热切换 + 灰度)留后续 Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>	2026-06-30 14:36:04 +08:00
Blizzard	1674252d81	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>	2026-06-22 14:27:16 +08:00
Blizzard	9c19bb44f1	feat(dispatcher): 长期偏好记忆抽取（补全记忆闭环） memorize 的 TODO 落地：写回阶段（异步、离热路径）从本轮对话用 LLM 抽取用户长期稳定偏好 → 与已有画像去重 → memory_upsert 登记。 - extractMemory：模型/工具不可用或输入过短则跳过；复用 llmCtx 超时；抽取 prompt 只取长期偏好、忽略一次性信息。 - 纯逻辑（可单测）：parsePrefs（容忍 json 代码围栏）、parseProfile（把 memory_get 渲染的"- 维度：值"解析回 map，兼容全/半角冒号）、filterNewPrefs（新增/变更才留，同批同 key 去重）。 - 单测覆盖三者；LLM 抽取调用沿用已验证的 pool.Chat 模式。至此记忆闭环：召回(memory_get) + 历史写回 + 偏好自动抽取全通。 Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>	2026-06-18 12:47:49 +08:00

Author

SHA1

Message

Date

Blizzard

9a3a816c80

feat(prompts): prompt 版本化地基 —— 注册表 + 运行期文件覆盖

把散落各服务的硬编码 system prompt 收口为受管注册表，不重编译即可改/回滚/对比：
- shared/prompts：内置默认(随代码) + 运行期覆盖(PROMPTS_FILE) + Get/Keys，并发安全，含单测
- 接入 9 处：mcp-go(graph.extract)；dispatcher(eval.quality/eval.refine/guard.jailbreak/
  coordinator.lead/memory.extract，按引用登记默认、无文本重复)
- main 启动调 LoadFile 加载 PROMPTS_FILE 覆盖
- live A/B：覆盖 graph.extract → 图谱抽取 2 条→0 条、向量仍正常（覆盖生效、管道未坏）
- v2(DB 控制面热切换 + 灰度)留后续

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

2026-06-30 14:36:04 +08:00

Blizzard

1674252d81

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>

2026-06-22 14:27:16 +08:00

Blizzard

9c19bb44f1

feat(dispatcher): 长期偏好记忆抽取（补全记忆闭环）

memorize 的 TODO 落地：写回阶段（异步、离热路径）从本轮对话用 LLM 抽取用户
长期稳定偏好 → 与已有画像去重 → memory_upsert 登记。

- extractMemory：模型/工具不可用或输入过短则跳过；复用 llmCtx 超时；
  抽取 prompt 只取长期偏好、忽略一次性信息。
- 纯逻辑（可单测）：parsePrefs（容忍 json 代码围栏）、parseProfile（把 memory_get
  渲染的"- 维度：值"解析回 map，兼容全/半角冒号）、filterNewPrefs（新增/变更才留，
  同批同 key 去重）。
- 单测覆盖三者；LLM 抽取调用沿用已验证的 pool.Chat 模式。

至此记忆闭环：召回(memory_get) + 历史写回 + 偏好自动抽取 全通。

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

2026-06-18 12:47:49 +08:00

3 Commits