🌸 缘·Bot 记忆与情感系统详细设计文档 (v1.4)
版本历史
| 版本 | 日期 | 修改内容 |
|---|---|---|
| v1.0 | 2026-05-17 | 初始详细设计，基于总体架构 v1.4 |
- 系统定位与目标
记忆与情感系统是 缘·Bot 的“海马体与边缘系统”，是整个项目的第一性引擎。它并非被动存储，而是主动构建、维护和演化关于用户的一切认知，是 AI 角色产生“懂你、记住你”体验的根基。
核心目标：
· 长期持续性：跨越会话、跨越时间，持久化用户的偏好、经历、情感轨迹。 · 情境关联：当用户提及某话题时，能自动唤起相关的历史情景，实现“触景生情”般的自然回忆。 · 结构化认知：将零散对话转化为结构化的知识图谱，形成用户画像和关系理解。 · 自主进化：在系统空闲时，自主进行记忆整理、固化、遗忘，模拟人类的记忆强化与衰减。 · 情感感知：不仅存储事实，更存储每段记忆的情感色彩，并分析用户情绪的长期趋势。
- 系统架构概览
┌──────────────────────────────────────────────────────────────────┐
│ 记忆与情感系统 (Memory & Emotion System) │
├──────────────────────────────────────────────────────────────────┤
│ │
│ ┌───────────────────────────────────────────────────────────┐ │
│ │ 记忆管理核心 (Memory Core) │ │
│ │ │ │
│ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │
│ │ │ 工作记忆 │ │ 事实记忆 │ │ 情景记忆 │ │ 语义记忆 │ │ │
│ │ │ Working │ │ Fact │ │ Episodic │ │ Semantic │ │ │
│ │ │ Memory │ │ Memory │ │ Memory │ │ Memory │ │ │
│ │ └────┬─────┘ └────┬─────┘ └────┬─────┘ └────┬─────┘ │ │
│ │ └──────────────┼──────────────┼──────────────┘ │ │
│ └──────────────────────┼──────────────┼──────────────────────┘ │
│ │ │ │
│ ┌──────────────────────▼──────────────▼──────────────────────┐ │
│ │ 存储引擎抽象层 │ │
│ │ Storage Engine Abstraction │ │
│ └───┬──────────────┬──────────────┬──────────────┬───────────┘ │
│ │ │ │ │ │
│ ┌───▼────┐ ┌──────▼───┐ ┌──────▼───┐ ┌──────▼──────┐ │
│ │ Redis │ │ SQLite/ │ │ Milvus │ │ Kuzu/Neo4j │ │
│ │(工作) │ │ MySQL │ │ Lite │ │ (知识图谱) │ │
│ │ │ │(结构化) │ │(向量) │ │ │ │
│ └────────┘ └──────────┘ └──────────┘ └─────────────┘ │
│ │
│ ┌───────────────────────────────────────────────────────────┐ │
│ │ 记忆生命周期管理 (Lifecycle Manager) │ │
│ │ · 重要性评分 · 遗忘曲线 · 记忆固化 · 冲突解决 │ │
│ └───────────────────────────────────────────────────────────┘ │
│ │
│ ┌───────────────────────────────────────────────────────────┐ │
│ │ 情感状态追踪 (Emotion Tracker) │ │
│ │ · 会话情感记录 · 长期情绪趋势 · 触发模式分析 │ │
│ └───────────────────────────────────────────────────────────┘ │
│ │
│ ┌───────────────────────────────────────────────────────────┐ │
│ │ 统一记忆 API (Memory API) │ │
│ │ · store() · retrieve() · update() · forget() │ │
│ │ · get_user_profile() · get_emotion_trend() │ │
│ └───────────────────────────────────────────────────────────┘ │
└──────────────────────────────────────────────────────────────────┘设计原则：
· 分层存储：不同特性的记忆使用最适合的存储引擎，而非一刀切。 · 统一入口：外部系统仅通过 Memory API 交互，无需关心底层存储细节。 · 异步固化：记忆的写入尽可能异步，不阻塞对话响应。 · 隐私优先：所有数据自托管，敏感记忆支持加密存储。
- 记忆四层模型详细设计
3.1 工作记忆
定位：当前会话的短期上下文，提供对话连贯性。
存储引擎：Redis，键为 session:{session_id}:working_memory。
数据结构：
{
"session_id": "sess_abc123",
"turns": [
{
"turn_id": 1,
"role": "user",
"content": "今天好累啊",
"timestamp": 1715900000.0,
"emotion_analysis": {"emotion": "fatigue", "intensity": 0.6}
},
{
"turn_id": 2,
"role": "assistant",
"content": "听起来你今天辛苦了，愿意和我说说发生了什么吗？",
"timestamp": 1715900002.0
}
],
"summary": "用户在抱怨疲劳",
"max_turns": 20
}行为规则：
· 最多保留 20 轮对话（用户+AI 各算一轮），超出则淘汰最旧的。 · 会话结束后，立即触发会话摘要生成，摘要存入情景记忆，原始数据进入临时存档（Redis 中保留 24 小时，供意外断连恢复）。 · 24 小时后 Redis 中的数据自动过期删除。
核心操作：
操作 说明 add_turn() 追加一轮对话，同时更新摘要 get_context() 获取最近 N 轮对话文本 summarize() 生成当前会话的简短摘要 clear() 会话结束，清理并归档
3.2 事实记忆
定位：关于用户的结构化事实，长期持久，快速查询。
存储引擎：SQLite（默认）/ MySQL，表名 fact_memories。
数据表结构：
CREATE TABLE fact_memories (
id TEXT PRIMARY KEY, -- UUID
user_id TEXT NOT NULL, -- yuanbot_user_id
category TEXT NOT NULL, -- 'preference', 'personal_info', 'habit', 'dislike', 'important_date'
key TEXT NOT NULL, -- 如 'favorite_color', 'birthday'
value TEXT NOT NULL, -- 如 'blue', '1995-03-21' (以JSON存储复杂值)
confidence REAL DEFAULT 1.0, -- 置信度 0.0-1.0
source TEXT, -- 来源：'explicit_statement', 'inferred', 'extracted_from_episodic'
importance REAL DEFAULT 0.5, -- 重要性评分
first_mentioned_at REAL, -- 首次提及时间戳
last_updated_at REAL, -- 最后更新时间戳
access_count INTEGER DEFAULT 0, -- 被检索次数
is_deleted INTEGER DEFAULT 0, -- 软删除标记
metadata TEXT DEFAULT '{}' -- JSON 额外元数据
);
CREATE INDEX idx_fact_user ON fact_memories(user_id);
CREATE INDEX idx_fact_category ON fact_memories(category);
CREATE INDEX idx_fact_key ON fact_memories(user_id, key);
CREATE UNIQUE INDEX idx_fact_unique ON fact_memories(user_id, key) WHERE is_deleted = 0;类别定义：
类别 说明 示例 key personal_info 个人基本信息 birthday, gender, occupation, location preference 喜好 favorite_color, favorite_food, music_genre dislike 厌恶 hates_food, avoids_topics habit 习惯 morning_routine, sleep_schedule important_date 重要日期 anniversary, interview_date relationship 社交关系 pet_name, best_friend health 健康相关 allergy, medical_condition
置信度机制：
· 用户明确陈述：置信度 = 1.0 · 系统从对话推断：置信度 = 0.6-0.8（需多次确认才提升） · 置信度低于 0.5 的事实不会被用于决策，仅作为参考。
核心操作：
操作 说明 upsert_fact() 创建或更新事实，自动处理置信度 get_user_facts() 获取用户全部或某类事实 delete_fact() 用户主动删除或系统淘汰 search_facts() 按关键词搜索事实
3.3 情景记忆
定位：过往对话的情景摘要，按时间和重要性组织，是“触景生情”的基础。
存储引擎：
· 向量存储：Milvus Lite，存储情景节点的语义向量，用于相似度检索。 · 元数据存储：SQLite/MySQL，存储情景节点的结构化元数据。
Milvus Lite Collection Schema：
{
"collection_name": "episodic_memories",
"fields": [
{"name": "id", "type": DataType.VARCHAR, "max_length": 64, "is_primary": True},
{"name": "user_id", "type": DataType.VARCHAR, "max_length": 64},
{"name": "embedding", "type": DataType.FLOAT_VECTOR, "dim": 1536}, # 维度和嵌入模型匹配
{"name": "timestamp", "type": DataType.INT64},
{"name": "importance", "type": DataType.FLOAT},
],
"indexes": [
{"field_name": "embedding", "index_type": "IVF_FLAT", "metric_type": "COSINE"}
]
}元数据表结构 (SQLite/MySQL)：
CREATE TABLE episodic_metadata (
id TEXT PRIMARY KEY, -- 与 Milvus 中 ID 一致
user_id TEXT NOT NULL,
session_id TEXT NOT NULL,
date TEXT NOT NULL, -- '2026-05-17'
time_of_day TEXT, -- 'morning', 'afternoon', 'evening', 'night'
topic TEXT, -- 对话主题
summary TEXT, -- 对话摘要 (200字以内)
emotional_tone TEXT, -- 整体情感基调
emotional_intensity REAL DEFAULT 0.5,
key_entities TEXT DEFAULT '[]', -- JSON数组: ["项目截止日", "同事矛盾"]
user_state TEXT, -- 用户当时的状态描述
ai_response_style TEXT, -- AI 当时的回应风格
importance REAL DEFAULT 0.5,
access_count INTEGER DEFAULT 0,
created_at REAL,
last_accessed_at REAL
);
CREATE INDEX idx_episodic_user ON episodic_metadata(user_id);
CREATE INDEX idx_episodic_date ON episodic_metadata(date);
CREATE INDEX idx_episodic_entities ON episodic_metadata(key_entities);情景触发式检索流程：
用户输入: "最近项目压力好大"
│
▼
┌─────────────┐
│ 步骤1: 向量化 │ 调用 AI 提供商的嵌入模型，获取输入向量
└──────┬──────┘
│
▼
┌─────────────┐
│ 步骤2: 双路径 │
│ 并行检索 │
├─────────────┤
│ 路径A: 语义 │ Milvus Lite 中检索 top_k=5 相似向量
│ 路径B: 实体 │ SQLite 中搜索 key_entities 包含 "项目" 或 "压力" 的节点
└──────┬──────┘
│
▼
┌─────────────┐
│ 步骤3: 结果合并│ 去重后按 (相似度*0.7 + 重要性*0.3) 重新排序
└──────┬──────┘
│
▼
┌─────────────┐
│ 步骤4: 格式化 │ 生成 MemoryContext 返回给决策系统
│ 记忆提示 │
└─────────────┘格式化输出示例：
[记忆提示]
你回忆起2026年5月8日的晚上，{user_name}曾和你倾诉过工作上的压力，
当时他提到项目截止日很紧迫，和同事之间有些矛盾。
他当时的心情比较焦虑，你以温柔的方式安抚了他。
现在他再次提到了工作相关的话题，请自然地延续之前的关心。核心操作：
操作 说明 store_episode() 会话结束后存储情景节点（元数据+向量） retrieve_similar() 情景触发式检索 get_episodes_by_date() 按日期范围查询情景 update_importance() 更新情景节点的重要性评分 merge_episodes() 合并相似度过高的情景节点，避免冗余
3.4 语义记忆
定位：从长期交互中提炼的深层认知，形成用户画像和关系理解。这是四层记忆中最抽象但最有价值的层次。
存储引擎：
· 图数据库：Kuzu（嵌入式，默认）/ Neo4j（大规模），存储实体和关系。 · 向量辅助：Milvus Lite 存储实体和关系的语义向量，用于模糊匹配。
图模型设计：
节点类型：
- User: {user_id, name, trust_score, ...}
- AIPersona: {persona_id, name, ...}
- Entity: {name, type, ...} (type: 'person', 'food', 'place', 'activity', 'music', ...)
- Event: {description, date, emotional_impact, ...}
- Trait: {name, category, ...} (category: 'personality', 'emotional_pattern', ...)
关系类型：
- (:User)-[:LIKES {confidence, first_mentioned}]->(:Entity)
- (:User)-[:DISLIKES {confidence, reason}]->(:Entity)
- (:User)-[:HAS_TRAIT]->(:Trait)
- (:User)-[:EXPERIENCED]->(:Event)
- (:User)-[:IN_RELATIONSHIP_WITH {stage, since}]->(:AIPersona)
- (:AIPersona)-[:KNOWS_ABOUT]->(:Entity) # AI 通过用户了解到的知识
- (:Entity)-[:ASSOCIATED_WITH {type}]->(:Entity) # 实体间关联关系阶段模型：
系统根据交互时长、对话深度、信任评分等，自动评估关系阶段：
阶段 指标条件 AI 行为影响 初期 交互天数 < 7 礼貌、保持距离、多倾听 熟悉期 交互天数 7-30, 信任度 > 0.3 可以主动分享、适度调侃 亲密期 交互天数 > 30, 信任度 > 0.6 亲昵称呼、深度共情、主动关心 深度期 交互天数 > 90, 信任度 > 0.8 强烈的情感连接，可以讨论任何话题
信任度计算模型：
trust_score = f(
interaction_days, # 交互总天数
interaction_frequency, # 交互频率
self_disclosure_depth, # 用户自我披露的深度
emotional_vulnerability, # 用户展示情感脆弱的次数
consistency_score, # 用户行为一致性
negative_event_count