基本概念​

记忆的几个维度​

• Wing (侧翼/顶级项目区): 记忆的最高物理隔绝边界。通常代表一个独立的项目。
• Room (房间/话题域): Wing 下的子分类。依靠命名（如 frontend, general, database）来聚集相关的记忆碎片。
• Drawer (抽屉/记忆切片): 真正存储原文的载体。存入 ChromaDB。
• Hall (大厅/特殊模态): 用于特殊类型记忆的标记（如 hall_diary）。用以将带有主观情绪的AI日记与客观的项目文档在查询时彻底隔离防污染。

RAG之外的概念​

• KG (知识图谱): 独立于向量库的 SQLite 图谱数据库。存放绝对的逻辑三元组（主语-关系-宾语），作为向量模糊检索无法精确表达事实时的定向兜底。
• Tunnel (隧道/跨界桥梁): 虚拟的关联机制。当且仅当完全相同的 Room 名字出现在两个不同的 Wing 时，系统在内存中临时构建一条跨项目的连线，从而赋予 AI “触类旁通”的机制。

写读流程​

写入流程

• 组装对话，存入向量数据库

{
  "method": "mempalace/add_drawer",
  "params": {
    "wing": "test_project",
    "room": "frontend",
    "content": "明天需要把登录页面的按钮改成蓝色。补充说明细节：..."
  }
}

• 记录今日总结：tool_diary_write

{
  "method": "mempalace/tool_diary_write",
  "params": {
    "agent_name": "Claude-3.5-Sonnet",
    "topic": "frontend",
    "entry": "发现登录页面的 Argon2 加密逻辑有问题，今天修复了验证部分的盐值计算。"
  }
}

• 提取关系约束：tool_kg_add

主谓宾，以主语为中心，绝对匹配，只能通过主语当参数查询

{
  "method": "mempalace/tool_kg_add",
  "params": {
    "subject": "LoginButton",
    "predicate": "depends_on",
    "object": "AuthService"
  }
}

读取流程 (Retrieve / Read - 典型的L0~L3分层抽取)

• L0 (Identity): 全局基础身份。死板读取 ~/.mempalace/identity.txt 作为最高级的 System Prompt。
• L1 (Essential Story): 统直接拉取前 15 个拥有最高权重的记忆碎片作为开局常驻上下文送给模型。这个原项目没实现
  • 读"importance", "emotional_weight", "weight"的权重，排他性取最重要的那个
  • 然后排序取前15个
• L2 (On-demand): 先尝试根据某一话题查找，即搜索具体Room的原文本数据。
• L3 (Semantic Search): 深度矢量搜索。主动发起 tool_search 。
• KG Query: 逻辑关系读取。当向量模糊搜索（L3）不靠谱，或者需要查询明确关系（如“组件A到底依不依赖服务B？”）时，主动发起 tool_kg_query 查 SQLite 里存好的三元组，做 100% 精确的节点关系验证。
• Tunnel Traverse: 发散与灵感寻找。主动发起 tool_find_tunnels 或 mempalace_traverse。通过在不同 Wing 之间寻找同名的 Room，实现跨项目的经验借用（比如在处理当前项目的前端问题时，顺着 Room: frontend 这根管子，摸到别的项目里以前写过的前端踩坑日记）。

向量存储的metadata​

{
    "wing": "test_project",           // 物理隔离基座（必填）
    "room": "frontend",               // 话题分类（必填），跨wing同名将形成 Tunnel
    "hall": "hall_diary",             // 【针对特定通道】用于隔离客观文件与主观反思日记
    "source_file": "backend_notes.txt", // 法医级溯源证据，提供复查路径
    "chunk_index": 0,                 // 长文本分块位置
    "added_by": "mcp / AgentName",    // 责任倒查：标识动作是扫描系统发起还是具体的AI角色注入
    "filed_at": "2026-04-13T...",     // 绝对时间戳，保留记忆演进的历史脉络，解决新旧设定冲撞
    "ingest_mode": "convos",          // 【仅CLI扫描模式拥有】数据来源模式
    "extract_mode": "exchange",       // 【仅CLI扫描模式拥有】特定的提取切片颗粒度
    "type": "diary_entry"  ,           // 【仅日记模式拥有】标记自身模态为主观感想
    "weight":10                       // 权重，衡量该记忆的重要性，用于排序
}

MCP对LLM暴露方法​

为了让 Agent 完全接管自己的记忆，Mempalace的 MCP Server (Model Context Protocol) 向大模型暴露了以下工具集（Tools）：

【查壳探底（结构探针）】

• mempalace_status: 获取宫殿总容量（有多少个抽屉、侧翼、房间）。
• mempalace_get_taxonomy: 拉取全局分类树（Wing -> Room 结构），在大模型不知该搜哪时进行前置探路。
• mempalace_list_wings / mempalace_list_rooms: 靶向列出所有存在的物理隔离区。

【日常搜存（向量抽屉系统）】

• mempalace_search: 核心组件！根据自然语言发起 L3 语义检索查找记忆，可指定 Wing/Room 作为硬过滤条件。
• mempalace_add_drawer: 大模型觉得某段对话或产出非常重要时，将其注入为原文 Drawer。强制带上物理基座（Wing/Room）。
• mempalace_check_duplicate: 写入前查重，防止大模型陷入复读机循环污染库。
• mempalace_delete_drawer: 永久删除某个切片（需传入确切 Drawer ID）。

【逻辑织网（知识图谱系统）】

• mempalace_kg_add: 把绝对事实存入 SQLite（如 LoginButton -> depends_on -> AuthService）。
• mempalace_kg_query: 根据 Entity（实体）查它发散出去或连接进来的所有关系树。
• mempalace_kg_timeline: 顺着时间线查询关系图谱的演化（如小明2020年单身，2024年结婚的纪年表）。
• mempalace_kg_invalidate: 当发现某事实过期时（如 Bug 被修了），标为失效而非删除，保留系统演进脉络。

【AI主观能动（日记与隧道漫游）】

• mempalace_diary_write: Agent 完成一天工作后，用特殊的 AAAK 言简意赅地写下自己的心路历程、重要结论，甚至带有情绪符号（★、♡、⚠）供未来反刍。
• mempalace_diary_read: 阅读此 Agent 或前人写过的反思日记。
• mempalace_traverse: 顺着图谱跨越 Wing/Room 进行定点多跳转发散（Tunnel 漫游），获取灵感启发。

Generative Agents​

基本概念​

记忆的几个维度​

• Memory Stream (记忆流/长期记忆): 包含了智能体经历的所有事件记录，是一个包含大量离散记忆节点（ConceptNode）的数据库。负责持久化存储。
• Scratch (便签本/短期工作记忆): 存储智能体当前的核心身份、实施状态、此刻所在的物理坐标以及今天的总体计划，支持高频覆写。
• Spatial Memory (空间记忆/心智地图): 智能体对物理世界的感知树状结构（如 世界 -> 小镇 -> 房子 -> 厨房 -> 冰箱），协助寻路和交互。
• ConceptNode (概念节点/记忆切片): 记忆流中的基本存储载体，可具体分为 event（观察到的客观事件）、chat（与他人的对话记录）和 thought（基于过往记忆反思产生的主观想法）。

认知与行为之外的概念​

• Reflection (深度反思): 当新写入记忆的累积重要性（Poignancy）得分超过一定阈值时触发。LLM 会查询最近的记忆，提炼出更高维度、更抽象的洞察，作为 thought 类型写入记忆流，慢慢搭建角色的深度性格。
• Planning (层级规划): 自顶向下的计划生成体系。首先在每天早上生成粗略的 Daily Plan，然后逐步细化为小时级、分钟级的具体动作节点（Action/Event）。

写读流程​

写入流程 (Perceive & Log)

• 感知视距内的世界变化或产生新思考，组装为 ConceptNode。
• LLM 会为该记录打分（Poignancy，1-10分），评估其情感重要程度（如路上遇到熟人比吃早饭得分高很多）。
• 提取出核心的主谓宾三元组（Subject-Predicate-Object）以及关键词结构。
• 调用大模型接口生成该文本描述的向量（Embedding）并存入本地文件。

读取流程 (Retrieval - 类似L3+智能融合搜索) 当智能体面临新情况决定对策或对话时，会提取一系列最相关的ConceptNode作为LLM的上下文，给记忆节点打分并排序公式如下，取最高分的综合子集：

• Recency (近因效应): 距离当前游戏内时间越近的记忆，得分越高（随着时间指数衰减）。
• Importance (绝对重要性): 直接提取该节点自身存储的 poignancy 特征分数。
• Relevance (语义相关性): 使用当前情境（Query）的 Embedding 与节点自带的 embedding_key 计算余弦相似度。
• 计算逻辑: 最终得分 = alpha * 近因 + beta * 重要性 + gamma * 相关性。

节点数据结构 (ConceptNode Metadata)​

{
    "node_id": "node_123",            // 节点唯一ID
    "type": "event",                  // 记忆载体类型：event(事件) / chat(人际对话) / thought(升维反思)
    "created": "2023-02-13 18:00:00", // 创建时间戳，用于计算提取时的近因时间衰减(Recency)
    "expiration": null,               // 过期时间
    "subject": "Isabella",            // 主语 (S) - 支持类似于三元组逻辑关系匹配
    "predicate": "is making",         // 谓语 (P)
    "object": "coffee",               // 宾语 (O) 
    "description": "Isabella is making coffee...", // 完整的文字描述（交给LLM的直接上下文）
    "embedding_key": "Isabella is...",// 用于寻找对应语义向量字典的键（去除了特殊格式的原话文本）
    "poignancy": 8,                   // 情感重要性得分（1-10），决定此记忆是否能长久不被遗忘
    "keywords": ["Isabella", "coffee"]// 关键词索引列表
}

核心方法​

【世界认知与运转】

• perceive(): 按轮询感知周围视距半径（vision_r）内的格子变化事件。
• retrieve(): 核心检索器，基于近因、重要性、相关性三维打分公式，返回当下最需回想的那些记忆。
• execute(): 驱动动作器输出坐标位移、交互、或向前端发送聊天气泡。

【自我精神迭代】

• plan(): 计划生成与重写器，根据过往记忆及短期目标，结构化分解当下的时间规划。
• reflect(): 周期检查阈值并自动自问自答，对近期高分事件形成提纯过的 thought 写入记忆流底库。

随着DeepSeek的爆火，当看到大量LLM API出现之后，自己也萌生了接触prompt engineering，开发LLM应用的想法，虽然国内调用gemini很麻烦，但是还是有几个大厂的ds api看上去还是廉价可口， 于是想找几个LLM应用学习一下，并且搞明白几个问题：

1. LLM如何保证可靠性
2. 提示词的使用技巧
3. 如何减少上下文占用的token
4. LLM如何调用其他工具

学习OpenManus​

Agent​

负责决策和执行任务，是系统的智能核心

• base.py：定义了BaseAgent基类，包括状态管理、内存管理和执行循环
  • run()：执行循环，调用step()执行步骤，调用is_stuck()排查是否陷入重复循环。
  • update_memory()：存储上下文，图片和消息
  • state_context()：状态管理
• react.py：实现了ReAct模式的智能体，基于推理-行动循环模式
  • 定义了step()的实现：先思考再执行，然后把具体的think()和act()交给子类
• toolcall.py：实现了工具调用智能体，负责管理和执行各种工具
  • 实现了think()和act()
• browser.py：实现了浏览器相关的代理功能，用于网页交互
  • 重写了think()，在调用父类think之前，填充上下文和提示词
• manus.py：实现了Manus主智能体
• mcp.py：实现了MCP(Manus Control Protocol)智能体，MCP是一个和LLM交互的协议，有待深入了解
• swe.py：实现了软件工程(SWE)相关的智能体，在toolcall的基础上配备了与操作系统交互，与代码交互的工具

Flow​

• base.py：提供了对智能体的管理
• flow_factory.py：工厂类，用于创建flow，目前只支持planning类型
• planning.py：基于计划的flow，大致上是从数组中依次找到对应类型的智能体去执行

Mcp​

todo 暂时觉得是高级的tool

Prompt​

角色定位​

SETTING: You are an autonomous programmer, and you're working directly in the command line with a special interface.
您是一名自主程序员，并且您正在使用特殊界面直接在命令行中工作

任务分解​

Your job is:

1. Analyze requests to understand the task scope
2. Create a clear, actionable plan that makes meaningful progress with the planning tool
3. Execute steps using available tools as needed
4. Track progress and adapt plans when necessary
5. Use finish to conclude immediately when the task is complete

你的工作是：

1. 分析请求，了解任务范围
2. 使用“planning”工具制定清晰、可操作的计划，确保取得有意义的进展
3. 根据需要使用可用工具执行步骤
4. 跟踪进度并在必要时调整计划
5. 使用“完成”按钮在任务完成后立即结束

通过反问引导​

Based on the current state, what's your next action? Choose the most efficient path forward:

1. Is the plan sufficient, or does it need refinement?
2. Can you execute the next step immediately?
3. Is the task complete? If so, use finish right away.

根据当前状态，你的下一步行动是什么？ 选择最有效的前进路径：

1. 计划是否充分，还是需要改进？
2. 你能立即执行下一步吗？
3. 任务完成了吗？如果完成了，请立即使用“finish”。

限制​

Note that the environment does NOT support interactive session commands (e.g. python, vim)
请注意，该环境不支持交互式会话命令（例如 python、vim）

问题回答​

1. LLM如何保证可靠性
2. 如何减少上下文占用的token
   • 向量化？
   • 通过应用层，比如减少不必要的工具输入，压缩上下文
3. LLM如何调用其他工具
   • 一般情况下，LLM API 会提供相关的支持，比如说在chat请求里添加tool这么一个参数，提供结构化的输入输出，但是工具的功能和参数的含义还是用自然语言

趁天气好的时候要多骑单车

Preview

花​

花椒，梨花和樱花

Preview

Preview

夕阳​

要在日落之前，坐上摩天轮

Preview

Preview

夜色​

玛格丽特，雪国，小烧饼

Preview

Preview

甲子园​

阪神国道​

车外的雨小了，就像春雨一般悄然无声地飘飞。雪子先前喝了白葡萄酒，此刻似乎酒劲儿上来了，她觉得两颊像火烧一般。汽车飞驰在阪神国道上。透过车窗，雪子带着微醺出神地望着湿漉漉的柏油马路上，无数道汽车的灯光交相辉映。

前言​

对于民主的探讨本身就是个深远的话题，特别是对于我这种不怎么研究政治历史的人来说。但是日本何以在儒家文化中脱颖而出，成为一个高度民主国家， 这个是我比较感兴趣的地方，以及民主多样性的表现，存在的问题，评价的指标等等，希望能在这里做一下记录和感想。

日本当前的民主制度​

日本的议会制民主，以当年美占时期修订的日本国宪法为基础。其他的特点还有间接民主（代议民主，修宪还是需要直接民主），君主立宪制（有名无实的国家元首：天皇）。
日本国宪法下的统治机构：

1. 立法：国会
2. 行政：内阁
3. 司法：裁判所

走向民主的历史进程​

大政奉还 明治维新 麦克阿瑟改革 朝鲜战争

存在的问题​

过程正义和结果正义

评价是否民主需要哪些指标或者现象​

公民的政治冷感 多党制与政治多样性

我对女性主义的看法​

1. 资源倾斜，如果说人生而平等是当代文明的理想，那么不同的人生而带有不同的特权，那就是新时代的诉求，女性主义的诉求。这要基于一个共识，女性生来麻烦，月经，生育等等问题，因为麻烦所以需要特权。 不同的人生来享有不同的特权，需要所谓既得利益者让利，我认为这是在生产资料发展到一定程度的时候可以推进的事情。

3. 社会结构的重构，要解决权力上位者对下位者的压迫。这也不光是男女问题，

去桂林的那天正是中秋，一大早就赶到机场，台风刚过南京，一大早还下着点雨。第一次坐飞机，机场正是新奇的第一个环节，就靠着窗户拍了张照片。

Preview

然后突然想到了一部叫大空港的日剧，印象里是发生在羽田机场的日常，结子和toda为数不多的同框电影。

之后的起飞到平稳的过程中，让我感触最深的就是飞机加速的全力感。

这段时间，不想错过任何官能的感受，在噪音不断地加深中，体会飞机全力冲刺的速度，并且尝试分辨噪声的来源，是发动机的声音，还是轮胎摩擦跑道的声音，或者是气流撞击机翼的声音，直到某一刻，座位倾斜， 身体失重，当看到窗外的光景匆匆掠过，农田道路城市一一浮现，才晃过神来，已经起飞了。感受到了久未感受过的，全力以赴到达目标的满足感。

之后的农田道路城市逐渐消失并被云层替代，似乎此刻机上的人已经和世界暂时隔绝，不需要工作，不需要联系，不需要关心云下的世界。人类最终还是征服了这里呢。

Preview

落地。

被山包围的城市。

桂林第一天，酒店定在象山景区附近的喜来登，去看了象鼻山，两江四湖和日月双塔。

中秋夜游。

Preview

Preview

Preview

Preview

第二天起了个大早去阳朔，坐游船环渡漓江，那天天气不错，在检票的大厅偶遇了长者。

Preview

Preview

晚上的印象刘三姐，没看明白讲了什么故事，只觉得热闹，有最亲近的自然和最简单的人情。大家努力热情的活着，没有患得患失，没有薄薄的凄凉。

虽然离得很远，但和印象里的边城很近，翠翠说不定就在山那边坐在石凳上发呆呢。

Preview

Preview