Memory Extraction

自动识别对话中的实体、关系和事实观察，实时更新知识图谱以维护用户记忆信息。

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

1. 实体提取 - 从对话中识别用户、项目、技能、偏好等实体
2. 关系提取 - 识别实体之间的关系
3. 观察提取 - 提取原子化事实作为观察
4. 自动更新 - 写入知识图谱存储

使用方法

手动调用

python

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：[e-mail]"
• ❌ "用户信息包括时区和邮箱"（不是原子化）

记忆更新流程

text

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：

text

## 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