Create the default seekdb-backed storage.

计算保留率 R = e^(-t / (24*S))，t 为 created_at 到 current_time 的小时数

计算记忆在当前时刻的保留率 R ∈ [0.0, 1.0]。 1.0 = 完全没衰减；< 0.3 = 视为"遗忘"。

格式化展示记忆库状态

写入记忆，带完整的命名空间标记

获取 SiliconFlow 配置

Pick embedded vs server mode from env and platform capabilities.

检索记忆。关键：user_id + agent_id 在查询构建阶段就注入过滤条件。 这与 PowerMem 的 _build_db_filters 设计一致。

纯向量检索：只用语义相似度

有记忆的 Agent： 1. 推理前：从记忆库检索相关的用户信息，注入 System Prompt 2. 推理：基于记忆上下文生成个性化回答 3. 推理后：从对话中提炼新事实，存入记忆库

无记忆的 Agent：每次对话都是全新的。 messages 列表只包含当前这一轮的 system prompt 和用户输入， 没有任何历史信息。

Return (ok, message). Does not raise.

混合检索：向量语义 + 全文关键词，RRF 融合

把 [0,1] 数值转成 #.... 进度条

ReAct 推理循环： 推理 → 行动 → 观察 → 推理 → 行动 → 观察 → ... → 最终回答 关键点： - Agent 自主决定是否调用工具、调用哪个工具 - 每次工具调用的结果会反馈给 Agent，进入下一轮推理 - max_step

使用指定的 λ 值计算保留率 R = e^(-t / (24*S))。 与 x1_1 中的同名函数逻辑一致, 但 decay_rate 是参数而非全局常量。

计算记忆的「有效强度」S。 S 是艾宾浩斯公式 R = e^(-t / (24*S)) 中控制衰减速度的核心参数。 S 越大 → 分母 24*S 越大 → e^(-t/大数) 衰减越慢。 参数: memory_type: "working" / "s

Create a pyseekdb client using the resolved deployment mode.

格式化打印搜索结果

执行冲突裁决，更新记忆库。 返回执行的操作摘要。

对同一个查询分别执行纯向量搜索和混合搜索，并排版对比输出。

检索时考虑 scope： - PRIVATE: 仅 owner agent 可见 - AGENT_GROUP: owner + 同组 agent 可见 - PUBLIC: 所有 agent 可见

Convert rule to dictionary. Returns: Dictionary representation of the rule

从 query 中提取相关关键词。 返回的 keywords 既包含中文话题词，也包含对应的英文桥接词（用来匹配 profile 的英文 key）。 例如 query 含"编程语言" → 返回 ['编程', '语言', 'language', 'Python', 'Java

用指定的工具描述发起 Agent 调用

生成大规模测试数据

Create the target database if it does not exist (Server mode).

Extract rules from Markdown content. Args: skill_name: Name of the associated skill Returns

检索后过滤（不推荐的方式）。 先全量搜索，再从结果中过滤不属于当前 namespace 的。

查询构建阶段过滤（PowerMem 的方式）。 WHERE 条件在搜索前已确定，搜索只命中目标子集。

提取 Top-1 结果的前 65 个字符

Initialize or reset storage collections.

Return True if storage has been initialized.

格式化打印搜索结果

仅从事实库语义搜索（模拟）

仅从画像中查询，返回匹配的字段

显示当前记忆库状态

两阶段检索： 1. 粗筛：过滤 semantic_score < quality_threshold 的记忆 2. 精排：semantic_score × retention（如果 use_decay=True）

Determine priority for a rule. Args: rule_text: Rule text rule_type: Rule type

Determine rule type from section title. Args: section_title: Section title (e.g., "### Syntax section")

Extract category from skill name or frontmatter. Args: name: Skill name frontmatter: Frontmatter dic

Extract list items from content. Args: content: Section content Returns: List o

Find all code blocks in the content. Returns: List of dictionaries with code block information

Find description before a code block. Args: block_start: Start position of code block in content

Find execution result after a code block. Looks for text or code blocks immediately after the code block. A

Find all rule sections in the content. Returns: List of dictionaries with 'title' and 'content' keys

Find title for a code block. Looks for text before the code block that might be a title. Args:

Generate a rule key from rule text. Args: rule_text: Rule text rule_type: Rule type

按话题分组（简化实现：用关键词重叠）

模拟 LLM 从同类经验中归纳模式

把 expected_answer 切成关键词列表。 中文预期答案常含「，」「、」等标点而无空格，仅用 split() 会得到整句—— 改为先按标点/空格切分，再丢掉过短的片段。

将提炼出的事实存入 seekdb 记忆库

Agentic RAG 主循环： Agent 自主决定是否调用工具，基于检索结果生成回答

使用指定 λ 计算保留率

完整记忆 Agent： - 程序记忆（System Prompt）：定义行为规则 - 语义记忆（seekdb）：存储用户事实和偏好 - 情景记忆（seekdb）：存储过去的成功经验（本示例简化为同一个库）

将长文档切分为带重叠的小片段。 overlap（重叠）确保片段边界处的语义不丢失。

模拟 PowerMem _classify_memory_type

按领域聚类经验，归纳为经验模式

Delete skill and all related rules/examples.

冲突检测主流程： 1. 向量相似度粗筛，取 ≥ threshold 的候选 2. 规则路由：判断动作类型

确定性聚合策略： - 同一话题只返回最新 active 版本 - 多个话题分别返回各自的 active 版本 - 并存偏好全部返回但标注

检查返回的记忆中是否包含预期答案的关键词。 判定标准：expected_keywords 中至少有一个长度 ≥ 2 的关键词出现在 top-3 内容里。

调用 seekdb 混合检索，返回格式化的检索结果

从情景记忆中提取经验三元组：(问题情境, 采取方案, 结果) 实际系统中由 LLM 完成： "从以下交互记录中提取 (问题, 方案, 结果) 三元组"

用 LLM 从对话中提炼关键事实

用 LLM 从一轮对话中提炼关键事实。 只提取关于用户的客观事实和偏好，不提取通用知识。