findscripter 何时使用
当你在构建对话式 AI、需要让模型在多轮乃至跨会话之间「记住」用户偏好、决策与事实时使用本技能。它覆盖四层记忆的设计、存储、检索、巩固与清理，以及按用户隔离的隐私保护。
适用场景：
- 用户提到/暗示：对话记忆、记住、记忆持久化、长期记忆、聊天历史。
- 需要记住关于人/地点/事物的具体事实（实体记忆）。
- 做带记忆上下文的 LLM 调用。
不该用（负边界）：
- 知识图谱构建。
- 语义搜索 / 向量检索的底层实现（属 rag-implementation）。
- 数据库管理 / 运维。
前置知识：LLM 对话模式、数据库基础、键值存储。推荐配合：context-window-management、rag-implementation。
步骤
- 设计记忆分层（Buffer / 短期 / 长期 / 实体）。
- 实现存储与检索（含语义搜索 + 相关性打分）。
- 与上下文管理集成，把相关记忆注入提示词。
- 增加巩固与清理（按时效/重要度），并强制用户隔离。
四层记忆职责：
- Buffer：当前会话，直接在上下文窗口内。
- 短期（shortTerm）：近期交互，会话级。
- 长期（longTerm）：跨会话持久化。
- 实体（entity）：关于人、地点、事物、概念的事实。
指令
分层记忆系统（适用：构建任意对话式 AI）。每条消息：先入 Buffer，再抽取实体 upsert，最后判断是否「值得记忆」并打分入短期：
class TieredMemory implements MemorySystem {
async addMessage(message: Message): Promise<void> {
this.buffer.add(message);
const entities = await extractEntities(message);
for (const entity of entities) await this.entity.upsert(entity);
if (await isMemoryWorthy(message)) {
await this.shortTerm.add({
content: message.content,
timestamp: Date.now(),
importance: await scoreImportance(message),
});
}
}
async consolidate(): Promise<void> {
// 巩固：把重要的短期记忆迁入长期，其余清除
const memories = await this.shortTerm.getOld(24 * 60 * 60 * 1000);
for (const memory of memories) {
if (memory.importance > 0.7 || memory.referenced > 2) {
await this.longTerm.add(memory);
}
await this.shortTerm.remove(memory.id);
}
}
async buildContext(query: string): Promise<string> {
const parts: string[] = [];
const lt = await this.longTerm.search(query, 3);
if (lt.length) parts.push('## Relevant Memories\n' + lt.map(m => `- ${m.content}`).join('\n'));
const es = await this.entity.getRelevant(query);
if (es.length) parts.push('## Known Entities\n' + es.map(e => `- ${e.name}: ${e.facts.join(', ')}`).join('\n'));
parts.push('## Recent Conversation\n' + formatMessages(this.buffer.getRecent(10)));
return parts.join('\n\n');
}
}
实体记忆（适用：需记住人/地点/事物的细节）。用 LLM 抽取实体与事实，upsert 时合并去重、累计提及次数：
async upsert(entity: ExtractedEntity, sourceId: string): Promise<void> {
const existing = await this.store.get(entity.name.toLowerCase());
if (existing) {
for (const fact of entity.facts) {
if (!this.hasSimilarFact(existing.facts, fact)) {
existing.facts.push({ content: fact, confidence: 0.9, source: sourceId, timestamp: Date.now() });
}
}
existing.lastMentioned = Date.now();
existing.mentionCount++;
await this.store.set(existing.id, existing);
} else {
await this.store.set(entity.name.toLowerCase(), {
id: generateId(), name: entity.name, type: entity.type,
facts: entity.facts.map(f => ({ content: f, confidence: 0.9, source: sourceId, timestamp: Date.now() })),
lastMentioned: Date.now(), mentionCount: 1,
});
}
}
记忆感知提示（适用：带记忆上下文的 LLM 调用）：检索相关长期记忆 + 实体 + 近期上下文，拼成增强提示；响应后再把新记忆写回。
示例
智能检索（避免「检索到的记忆与当前 query 无关」）：先语义召回多倍候选，再用 LLM 给每条打 0-1 相关分，过滤后排序截断：
async function retrieveRelevant(query, memories, maxResults = 5) {
const candidates = await memories.semanticSearch(query, maxResults * 3);
const scored = await Promise.all(candidates.map(async (m) => {
const score = await llm.complete(
`Rate 0-1 how relevant this memory is to the query.\nQuery: "${query}"\nMemory: "${m.content}"\nReturn just the number.`);
return { ...m, relevance: parseFloat(score) };
}));
return scored.filter(m => m.relevance > 0.5)
.sort((a, b) => b.relevance - a.relevance).slice(0, maxResults);
}
重要度打分（存储前过滤，<0.3 不存）：偏好/决策/关于用户的事实/长度/用户消息分别加权求和。
注意事项
- 用户隔离（CRITICAL）：绝不能让一个用户读到另一个用户的记忆。所有 key 用
user:${userId}:memory:${memoryId}命名空间化；写入校验 userId、打标 userId；检索时强制filter: { userId }；删除前校验归属；并提供 GDPR 导出/删除接口。缺失用户隔离即隐私漏洞，必须修复。 - 存储无界增长（HIGH）：每条消息都存、无清理无巩固会导致检索变慢、成本飙升、延迟递增。设上限（短期 100 / 长期 10000）、存储前按重要度过滤、超限时巩固（保留高分 70%，importance>0.7 迁长期，其余删除）。
- 检索结果不相关（HIGH）：简单关键词匹配、无相关性打分、全量注入会污染上下文。改用语义搜索 + LLM 相关性打分 + 阈值过滤。
- 校验清单：无用户隔离（CRITICAL）；无重要度过滤（WARNING，易记忆爆炸）；只存不取（WARNING，记忆白存）；无清理机制（INFO，按时效/重要度巩固清理）。
委派触发：context window / token → context-window-management；rag / retrieval / vector → rag-implementation；cache / caching → prompt-caching。
互见
- context-window-management：上下文窗口优化。
- rag-implementation：检索/向量系统底层实现。
- prompt-caching：缓存策略。
- llm-npc-dialogue：可配合使用。
采编自 sickn33/antigravity-awesome-skills（MIT）。原条目上游来源 vibeship-spawner-skills（Apache 2.0）。