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
- 实体提取 - 从对话中识别用户、项目、技能、偏好等实体
- 关系提取 - 识别实体之间的关系
- 观察提取 - 提取原子化事实作为观察
- 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
| entityType | 识别信号 | 示例 |
|---|---|---|
user | "我是"、"我的" | "我叫张三" → 创建用户实体 |
project | "项目"、"做个"、"创建" | "做个看板" → 创建项目实体 |
skill | "技能"、"能力" | "我有飞书技能" → 创建技能实体 |
tool | "用"、"使用" | "用 yfinance" → 创建工具实体 |
preference | "喜欢"、"偏好"、"想" | "喜欢深色风格" → 创建偏好实体 |
location | "在"、"位于" | "在北京" → 创建地点实体 |
event | "今天"、"时间点" | "2026-03-06 初次对话" → 创建事件实体 |
关系类型
| relationType | 识别信号 | 示例 |
|---|---|---|
owns | "我的"、"我做的" | 用户 owns 项目 |
uses | "用"、"使用" | 项目 uses 工具 |
prefers | "喜欢"、"偏好" | 用户 prefers 偏好 |
located_at | "在"、"位于" | 用户 located_at 地点 |
named | "叫"、"命名" | 用户 named Agent |
created_on | "创建时间" | 项目 created_on 时间 |
deployed_to | "部署到" | 项目 deployed_to 平台 |
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*