Wb Lobster Memory

WorkBuddy 接入 lobster-memory 长期图记忆的桥接技能。作为现有云端/工作区 markdown 记忆之外的并行补充层，用知识图谱（实体-关系-情绪 valence）记录用户的偏好、项目脉络与反馈，支持按需回忆与定期巩固遗忘。抽取 JSON 由 WorkBuddy 自身兼任 LLM 生成。当用户说"记住这个""用图记忆""回忆一下 X""巩固记忆"，或对话出现值得长期保留的偏好/关系/反馈时触发。

wb-lobster-memory — WorkBuddy 的图记忆桥接层

把已安装的 lobster-memory 库（底层 axolotl_rs 图存储）接入 WorkBuddy 的对话流程， 作为现有记忆之外的第三层：知识图谱形式的长期记忆。

依赖（前置安装）

本技能不是独立可运行的，它只是 lobster-memory 引擎的 WorkBuddy 桥接层。使用前必须先安装同作者的 lobster-memory：

1. 安装 lobster-memory 引擎（含 axolotl_rs 图存储）：

   bash

   git clone https://github.com/LittleLollipop/lobster-memory.git
   cd lobster-memory && bash install.sh
   

   安装后记住两样东西：引擎目录（含 engine/）和它的 venv python 路径 （默认 ~/.workbuddy/venvs/lobster-memory/bin/python）。

2. 在本技能调用 runner.py 时，通过环境变量指向引擎：

   bash

   export LOBSTER_MEMORY_ENGINE=/path/to/lobster-memory        # 含 engine/ 的目录
   export LOBSTER_MEMORY_PYTHON=/path/to/lobster-memory/venv/bin/python   # 已装 axolotl_rs 的 python
   

未安装 lobster-memory 时，runner.py 会直接退出并返回明确报错，不会静默失败。

• 现有云端 profile / 工作区 markdown：偏"事实笔记"。
• 本层：偏"关系网络 + 情绪 valence + 重要性排序 + 自动遗忘"。

关键路径（可经环境变量覆盖）

以下路径默认值指向作者本机，他人使用前通过环境变量覆盖即可，无需改代码。

环境变量	含义	默认值（作者本机）
LOBSTER_MEMORY_ENGINE	lobster-memory 的 engine/ 目录	/Users/sai/.workbuddy/skills/lobster-memory
LOBSTER_MEMORY_DIR	图文件存储目录（图文件固定名 memory.axeb）	~/.workbuddy/lobster-memory
LOBSTER_MEMORY_CONSOLIDATE_EVERY	巩固周期（轮）	20
（调用方 python）	必须是有 axolotl_rs 的 lobster-memory venv 的 python	/Users/sai/.workbuddy/venvs/lobster-memory/bin/python

调用统一用（把 python 换成你自己的 lobster-memory venv）：

text

PY="$LOBSTER_MEMORY_PYTHON"   # 或你的 venv python 绝对路径
RUN=~/path/to/wb-lobster-memory/runner.py
$PY $RUN <subcommand>

子命令

命令	作用	何时用
status	打印记忆统计（节点/边/按域/近7天）	会话开始、需要感知当前记忆规模时
remember --json '<JSON>' 或 remember（读 stdin）	写入一轮抽取结果	每轮有实质内容后，由你（兼任 LLM）产出 JSON 并落盘
recall [关键词...] [--domain X] [--raw]	按需回忆相关节点	需要上下文、判断用户偏好/项目脉络时
`feedback [--valence positive	negative]`	回忆历史反馈（表扬/批评）
should --round N	是否该巩固	周期性检查
consolidate --round N	执行 6 步巩固流水线（留/剪/合并）	should 返回 True，或容量告警时

WorkBuddy 使用惯例（"技能包装+惯例触发"）

你没有平台级 post-turn 钩子，所以这是靠惯例触发的真实集成：

1. 会话起步：需要时跑 status，把统计读入自己的上下文，知道"我有哪些长期记忆"。
2. 每轮抽取（你兼任 LLM）：在用户给出有信息量的内容（偏好、项目、关系、情绪）后， 你直接产出符合下方 schema 的抽取 JSON（不需要再调 build_extraction_prompt，因为你就是那个 LLM）， 然后通过 remember 落盘。纯寒暄/确认不抽。
3. 按需回忆：判断需要用户历史偏好/项目脉络时，跑 recall / feedback。
4. 定期巩固：每约 20 轮或容量接近上限时跑 consolidate，让记忆自动遗忘低质内容。

抽取 JSON schema（你产出的格式）

json

{
  "nodes": [
    {
      "id": "稳定标识符_英文或拼音_无空格",
      "label": "可读中文名",
      "domain": "emotion|knowledge|task",
      "type": "person|concept|task|fact|event|emotion",
      "content": "简短摘要（可选）",
      "weight": 1.0
    }
  ],
  "edges": [
    {
      "from": "源节点id",
      "to": "目标节点id",
      "kind": "relates_to|caused|part_of|feedback|derived",
      "weight": 1.0,
      "feedback_category": "behavior|understanding|idea|action",
      "valence": 0.0,
      "domain": "emotion|knowledge|task"
    }
  ]
}

规则：

• 情绪/偏好/批评 → domain=emotion；技术/知识话题 → knowledge；任务/项目 → task。
• 用户对你的批评/表扬 → edge(kind=feedback)，必填 feedback_category 与 valence （批评负值 -0.6~-0.8，表扬正值 +0.6~+0.8）。
• 实体已存在于图中时用已有 id（先 recall 或 status 看不到全量时凭常识判断）。
• 无值得记的内容 → {"nodes":[],"edges":[]}。

与现有记忆的关系

并行补充，不替代。长期事实仍走云端/工作区 markdown；关系网络、用户反馈、项目脉络走本图。 两者不冲突，各管各的。