获取用户记忆列表（用于管理界面） Args: user_id: 用户ID memory_type: 记忆类型过滤 limit: 返回数量

获取近N天情绪变化曲线，判断是否需干预 Args: user_id: 用户ID days: 查询天数，默认7天 Returns: { "trend": List[Dict],

获取用户画像 Args: user_id: 用户ID Returns: 用户画像对象

获取用户的所有会话

获取向量数据库配置

使用grep搜索文件内容 Args: pattern: 搜索模式（正则表达式） file_pattern: 文件模式 directory: 搜索目录

健康检查

查看迁移历史

初始化数据库（创建所有表）

初始化数据库

初始化全局 toggles 引用。应用启动时调用一次。

初始化RAG知识库

如何将个性化配置集成到现有ChatService的示例代码 在 backend/services/chat_service.py 的 _chat_with_memory 方法中添加：

判断此 Skill 是否适用于当前上下文 默认总是适用，子类可覆盖实现条件判断。

是否为开发环境

是否为生产环境

安全检查（使用完整的验证机制） Returns: (is_valid, filtered_response)

是否为测试环境

列出所有条目（可按前缀过滤）

列出所有实验

列出所有模块及其状态

列出所有已注册的插件名称

返回所有可用工具的描述列表

从日志文件加载事件数据 Args: log_file_path: 日志文件路径（可选，如果未提供则使用初始化时的路径） Returns: DataFrame包含所有事

从文件系统加载上下文 Args: file_path: 文件路径 Returns: 完整的上下文数据

从PDF文件加载知识 Args: pdf_path: PDF文件路径

加载单个PDF文档 Args: pdf_path: PDF文件路径 Returns: 文档列表

记录用户评分 Args: user_id: 用户ID experiment_id: 实验ID session_id: 会话ID rating: 评分（1

记录响应事件 Args: user_id: 用户ID experiment_id: 实验ID session_id: 会话ID user_message

记录收到响应

记录用户评分

主函数

主函数

主函数

主演示函数

初始化知识库

主函数

运行所有示例

主函数

主函数

判断对话轮次是否重要 Args: message: 消息对象 criteria: 判断标准 Returns: 是否重要

遮蔽敏感数据

合并情绪基线数据

合并情绪响应模式到 L4

合并新话题到已有列表，去重并排序。 Returns: canonical JSON (sort_keys, separators) 保证幂等 sha256。

标准化文本

将上下文卸载到文件系统 Args: context: 完整上下文 identifier: 标识符（如session_id） Returns:

Skill 被激活时调用 — 可用于初始化资源

在每次 LLM 响应接收后被调用。 适用于日志记录、成本计量和分析。 这里抛出的错误会被捕获并记为 WARN — 不会中断 agent 循环。

在每次 LLM API 调用之前被调用。 Returns ------- dict | None 如果返回包含 ``"context"`` 键的 dict，值会被追加到 当前轮次的最后

会话结束时被调用（在最后一个 turn 之后）

会话开始时被调用（在第一个 turn 之前）

工具执行抛出未处理异常时被调用。 Returns ------- dict | None 可以返回一个 dict 来替代错误结果，格式: {"output": "...", "erro

解析对话文本，提取轮次 Args: text: 对话文本 Returns: 轮次列表，每个轮次包含speaker和text

解析持续时间字符串为秒数

解析时间戳

解析URL内容

解析URL内容

使用MCP协议进行规划（新接口） Args: mcp_message: 输入的MCP消息（通常来自Agent Core） Returns: 输出的MCP消息（

使用MCP协议进行规划（新接口） Args: mcp_message: 输入的MCP消息（通常来自Agent Core） Returns: 输出的MCP消息（

播放音频 Args: user_id: 用户ID audio_id: 音频ID Returns: 播放信息

完整的预处理流程 Args: text: 原始输入文本 user_id: 用户ID（用于重复检测） Returns: 处理结果字典，包

美化JSON输出

处理用户输入 — Runtime 版 对外接口与旧版完全兼容，内部使用 ConversationRuntime.process_turn()

处理对话并存储记忆 Args: session_id: 会话ID user_id: 用户ID user_message: 用户消息 bot_respon

处理音频文件 Args: audio_file_path: 音频文件路径 Returns: 包含文本、情感、语音特征等信息的字典

处理图像文件 Args: image_file_path: 图像文件路径 Returns: 包含场景、情感、文字等信息的字典

处理用户消息（Agent模式） Args: user_id: 用户ID message: 用户消息 conversation_id: 对话ID

处理用户消息（Agent模式） Args: user_id: 用户ID message: 用户消息 conversation_id: 对话ID

处理消息并进行情感分析 这是完整的集成流程示例 Args: user_message: 用户消息 user_id: 用户ID session_

处理文本输入 Args: text: 输入文本 context: 上下文信息 Returns: 包含情感分析等信息的字典

处理一轮对话 — 替代原 AgentCore.process() ReAct loop: 1. 构建 SkillContext 2. 执行 Skill 链 (emotion → memory → planning → too

按行范围读取文件（适用于大文件） Args: file_path: 文件路径 start_line: 起始行号（从1开始） end_line: 结束行号（None表示到文件末尾

缩减上下文 - 先压缩，再摘要 Args: context: 完整上下文 preserve_recent_turns: 保留最近N轮完整对话 Returns:

注册插件

注册服务实例

批量注册插件

注册单例服务

注册瞬时服务

重置数据库（危险操作！）

检索相关记忆 Args: user_id: 用户ID query: 查询文本 n_results: 返回数量 days_limit: 时间限制（天数）

在'离线'模式下运行迁移。 这将配置上下文仅使用URL，而不是Engine， 尽管在这里也可以接受一个Engine。 通过跳过Engine创建，我们甚至不需要DBAPI可用。 这里调用context.execute()会将给定的字符串输出到脚本输出

在'在线'模式下运行迁移。 在这种情况下，我们需要创建一个Engine 并将连接与上下文关联。

正确的动作采样方法：使用Categorical分布按概率采样 Args: action_probs: 动作概率分布，形状为 [num_actions] 或 [batch_size, num_actions] Returns: