企业官网建设流程全解析

Agent Zero 记忆插件的碎片自动提取机制：深入解析 memories_sum 系统提示词

【免费下载链接】agent-zeroAgent Zero AI framework项目地址: https://gitcode.com/GitHub_Trending/ag/agent-zero

memory.memories_sum.sys.md是 Agent Zero_memory插件中"对话碎片自动记忆化"流水线的核心系统提示词。本文完整拆解该提示词定义的任务、输出格式、提取规则与合并清洗策略，并结合 自动记忆化扩展、质量过滤器 与 FAISS 向量存储实现 的源码，说明一条对话是如何经过 LLM 提炼、正则质检和智能合并后，最终沉淀为可跨会话复用的持久事实。

提示词在记忆流水线中的位置

Agent Zero 的记忆系统由 _memory 插件 提供，底层是一个按 memory 子目录隔离的 FAISS 向量库，记忆按area字段划分为main、fragments、solutions三个区域（见 Memory.Area 枚举）。

本提示词服务于其中一条自动化路径：每轮独白（monologue）结束时，由扩展在后台调用一个"utility model"（低规格实用模型），让它阅读整段对话历史并产出值得长期记住的碎片事实。调用链如下（源自 _50_memorize_fragments.py）：

1. 插件配置memory_memorize_enabled为true时，monologue_end扩展启动一个后台DeferredTask；
2. 扩展通过self.agent.read_prompt("memory.memories_sum.sys.md")加载本文档作为系统提示词；
3. 将self.agent.concat_messages(self.agent.history)拼接的完整对话历史作为用户消息。为避免实用模型上下文溢出，源码将历史截断到最近 80000 字符（MAX_MSGS_CHARS = 80000）；
4. call_utility_model(system=..., background=True)发起调用，LLM 按提示词约定输出 JSON 数组；
5. 结果经DirtyJson.parse_string容错解析、列表归一化、正则质量过滤，再写入向量库的fragments区域。

因此这份提示词不直接面向主对话 Agent，而是给"记忆蒸馏员"看的作业规范——它的输出质量直接决定了向量库里碎片记忆的信噪比。

任务定义：从历史中找出"持久信息"

提示词开篇以三点定义了助手的工作：

1. 助手接收 USER 与 AGENT 之间的对话 HISTORY；
2. 从 HISTORY 中搜索值得记住的持久信息（durable information）；
3. 为未来工作值得回忆的稳定信息写记注（notes）。

三个动词层层递进：接收、筛选、凝练。注意第三点要求的是"notes about stable information"——输出对象不是原文复述，而是经过稳定化改写的事实陈述。

输出格式：JSON 文本数组与空数组语义

提示词对格式做了两条硬约束：

• 响应格式是一个JSON 文本数组，元素为待记忆的事实字符串；
• 若历史中没有任何有用信息，响应必须是一个空 JSON 数组（而非空字符串或省略响应）。

输出示例：

[ "User's name is John Doe", "User's dog's name is Max", ]

空数组语义在整个管线中很关键：源码中len(memories) == 0时日志记录 "No useful information to memorize." 并直接返回，不产生任何写库操作。这避免了"无信息轮次"污染向量库，也让"什么都不记"成为一种被显式建模的合法输出。

提取规则：只记持久、完整、可复用的事实

"Rules" 一节是全提示词的核心，逐条拆解如下：

• 只记忆完整且在未来对话中大概率仍然有用的信息——完整（complete）与持久（durable）双重门槛；
• 绝不记忆模糊或不完整的信息（如只有 "User's name" 而没有值）；
• 绝不只记关键词或标题（如 "Dog Information"、"RAM Status" 这类裸主题）；
• 聚焦对象清单：持久用户偏好、稳定项目事实、反复出现的协作约束、重要身份信息、已配置的服务、长期存在的（long-lived）需求；
• 不记忆机器相关的本地坐标：机器本地端点、个人绝对路径、容器工作目录、临时运行时坐标都不作为碎片记忆；只有当"稳定的项目关系本身"重要时才转写成通用事实（例如把 "localhost:8848 上有活运行时" 转写成 "项目配置了一个 live runtime 供 smoke 检查"）；
• 不记忆对未来无用的无关细节；
• 不记忆会变化的事实，如时间、日期（"Today is Monday" 这类即典型反例）；
• 不添加历史中未明确提及的细节——禁止脑补；
• 不记忆 AI 的指令或想法（如 "Respond with a warm greeting..." 属于系统指令残留）;
• 不记忆 Agent 本会话的行为：做过什么、跑过什么命令、创建过哪些文件、测试输出、临时路径、实现琐碎细节、仅用于清理的事实；
• 一次性请求不记，除非它同时声明了持久偏好、稳定项目事实或反复出现的约束；
• 唯一亮点是任务进度或已完成的实现时，返回空数组——可复用的解决过程应进入 successful-solution memory（对应solutions区域），而非碎片（fragments）。

最后一条实际上在提示词层面完成了 fragments 与 solutions 两类记忆的分流：过程性经验归 solutions，事实性状态归 fragments。

合并与清洗：低数量、高完整度的去重策略

"Merging and cleaning" 一节规定了写入前的自清洗协议，目标是"让新记忆数量低、单条记忆更完整详细"：

• 同一主题的信息不得拆成多条，应保留为一段文本；
• 同主题多个事实合并为一条更详细的记忆。文档给出的标准示例：不是三条 "User's dog is Max"、"Max is 6 years old"、"Max is white and brown"，而是合并为一条 "User's dog is Max, 6 years old, white and brown."；
• 历史中修正了先前事实时，只输出当前完整事实，不输出新旧两版；
• 可变偏好/事实优先写成单条 profile 式陈述，如 "User currently prefers..."、"Project currently uses..."；
• 不记临时测试标记、临时行为检查或仅用于清理的事实。

这与提示词"格式"节的空数组要求共同构成了幂等性设计：多次对同一主题的记忆不会产生版本堆积，库里只保留"当前真值"。

正反例对照：提示词的判例库

文档随后给出了两组带解释的判例，是理解其判定标准的最佳材料。

正确示例（值得记忆的数据及原因）：

错误示例（绝不应输出的记忆及错误原因）：

值得注意最后一行 "Further WRONG examples: Hello"——以最极端的碎片收尾，强调"再短、再无信息量的输入也要拒绝"。

源码佐证：提示词之后的第二道防线

提示词是第一道过滤，但源码并未止步于此。LLM 输出的碎片在进入向量库前还要经过 memory_quality.py 的正则质检filter_auto_memory_fragments，其判定逻辑与提示词规则一一对应，形成双重保险：

• 最小长度门槛：少于 24 字符直接拒绝（对应 "Hello" 类反例）；
• 低价值白名单拦截：_LOW_VALUE_RE匹配 "hello"、"greeting"、"task completed" 等裸短语；
• 临时性特征拦截：_TRANSIENT_RE匹配/tmp、"temporary"、"test marker"、"cleanup token"、"one-off" 等词，对应提示词"不记临时标记"规则；
• 本地坐标拦截：_LOCAL_COORDINATE_RE匹配localhost、127.0.0.1、/home/.../、C:\Users\等，对应"不记机器相关坐标"规则；
• Agent 行为与命令历史拦截：_AGENT_ACTION_RE（agent/assistant 后 80 字符内出现 created/fixed/ran 等动词）与_COMMAND_HISTORY_RE（ran/executed + 命令、exit code、stdout 等）命中且不含持久关系词时拒绝；
• 准入双要件：必须同时命中持久主题词（user|project|repo|...）和持久关系词（prefers|uses|configured|must|...）才放行。

只有通过质检的碎片才会被"\n\n".join记录进日志并进入写库分支。

落库路径：智能合并与阈值替换两种模式

质检后的碎片按 default_config.yaml 中的配置走两条写库路径：

智能合并模式（memory_memorize_consolidation: true，默认开启）：扩展为每条碎片创建MemoryConsolidator（实现见 memory_consolidation.py），参数取similarity_threshold=0.7（即 memory_load 工具 的DEFAULT_THRESHOLD）、max_similar_memories=8、max_llm_context_memories=4。合并器先在向量库中检索相似记忆：若无相似项则直接插入；若有，则由 LLM 按合并提示词在merge / replace / update / keep_separate / skip五种动作中裁决，把提示词里"同主题合并为一条更详细记忆"的语义策略真正落到向量库操作层面（删除旧文档、插入合并后文档）。整条处理带 60 秒超时保护。

阈值替换模式（consolidation 关闭时）：先调用db.delete_documents_by_query，删除fragments区域中相似度超过memory_memorize_replace_threshold（默认0.9）的旧碎片，再insert_text插入新碎片。这是提示词"修正时只保留当前事实"规则在向量层面的简化实现——用高相似阈值近似"同一事实的旧版本"。

两种模式最终都写入 FAISS 索引（余弦距离，见 Memory.initialize），文档元数据带随机id、ISO 时间戳和area: fragments。相关配置项汇总：

小结

memory.memories_sum.sys.md虽然只有一份提示词文件的体量，却完整定义了一套**"什么值得记"的判定标准**：以持久性、完整性、可复用性为三要素，用空数组建模"无信息"，用合并协议保证库里只有当前真值，再用正反判例把边界情形钉死。源码侧则以 80k 字符截断、DirtyJson容错解析、正则质检、智能合并四层工程手段把提示词的承诺兑现为可靠的写库行为。对希望理解 Agent Zero 长期记忆质量为何可控的读者，这份提示词与它背后的执行链是值得逐行对照的样本：提示词定义了记忆的认知边界，代码则负责守住这条边界。

【免费下载链接】agent-zeroAgent Zero AI framework项目地址: https://gitcode.com/GitHub_Trending/ag/agent-zero