القائمة
搜索 XiaoPaw 的历史对话记忆。当用户询问过去发生的事、之前的偏好、历史任务结果时使用。支持语义搜索（'上次那个航班'）、关键字搜索（'PDF转换'）、混合搜索（'上周的工作文件'）。
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
| name | search_memory |
| description | 搜索 XiaoPaw 的历史对话记忆。当用户询问过去发生的事、之前的偏好、历史任务结果时使用。支持语义搜索（'上次那个航班'）、关键字搜索（'PDF转换'）、混合搜索（'上周的工作文件'）。 |
| type | task |
| version | 1.0 |
在 pgvector 数据库中搜索 XiaoPaw 的历史对话记忆，支持三种搜索模式的混合使用。
连接信息（从环境变量读取）：
MEMORY_DB_DSN，默认 postgresql://xiaopaw:xiaopaw123@localhost:5432/xiaopaw_memorymemories 表字段说明：
| 字段 | 类型 | 说明 | 搜索方式 |
|---|---|---|---|
id | TEXT | 主键 | — |
session_id | TEXT | 来源 session | 标量过滤 |
routing_key | TEXT | 用户标识（p2p:ou_xxx） | 标量过滤 |
user_message | TEXT | 用户原始消息 | 全文搜索 |
assistant_reply | TEXT | 助手回复 | 展示用 |
summary | TEXT | 一句话摘要 | 向量搜索 |
tags | TEXT[] | 领域标签（工作/文件处理/日程/搜索/代码等） | 标量过滤 |
created_at | TIMESTAMPTZ | 写入时间 | 标量过滤 |
turn_ts | BIGINT | 对话时间戳（毫秒） | 标量过滤 |
summary_vec | vector(1024) | 摘要语义向量 | 向量搜索 |
message_vec | vector(1024) | 原始对话语义向量 | 向量搜索 |
search_tsv | TSVECTOR | 全文索引（自动维护） | BM25近似 |
根据用户问题类型选择搜索策略：
| 场景 | 策略 | 示例 |
|---|---|---|
| 语义模糊查询 | 纯向量搜索 | "上次那个航班"、"之前聊过的投资建议" |
| 精确关键字 | 纯全文搜索 | "PDF转换"、"错误码500" |
| 有时间/标签限制 | 混合搜索 | "上周的工作文件"、"代码相关的历史" |
| 通用查询 | 混合搜索（推荐） | 大多数情况下混合搜索效果最好 |
调用 scripts/search.py，通过命令行参数传入搜索条件：
python /mnt/skills/search_memory/scripts/search.py \
--query "用户的搜索意图" \
--tags "工作,文件处理" \
--days 7 \
--limit 5 \
--mode hybrid
| 参数 | 必填 | 说明 |
|---|---|---|
--query | 是 | 搜索意图（自然语言） |
--tags | 否 | 标签过滤，逗号分隔（如 工作,文件处理） |
--days | 否 | 时间范围，最近N天（如 7 表示最近一周） |
--routing_key | 否 | 限定用户（默认不限） |
--limit | 否 | 返回条数，默认 5 |
--mode | 否 | 搜索模式：hybrid（默认）/ vector / fulltext |
JSON 数组，每条记录包含：
[
{
"id": "abc123",
"summary": "帮用户转换了一个PDF文件",
"user_message": "帮我把这个 PDF 转成 Word",
"assistant_reply": "转换完成，文件已保存到 outputs/result.docx",
"tags": ["工作", "文件处理"],
"created_at": "2026-01-20T14:00:25Z",
"score": 0.92
}
]
python /mnt/skills/search_memory/scripts/search.py --query "航班查询" --mode vector --limit 3
python /mnt/skills/search_memory/scripts/search.py --query "文件处理" --tags "文件处理" --days 7 --mode hybrid
python /mnt/skills/search_memory/scripts/search.py --query "PDF转换" --mode fulltext --limit 5
--days 限制（时间范围可能太窄）--tags 限制（标签可能不匹配）--mode vector 纯语义搜索（关键字可能不准）assistant_reply 字段已包含技术设计文档 SOP——从需求到设计方案，产出 Markdown 文件到 /workspace/output/
Agent 自我复盘：读取 L2/L3/L1 日志，调用 LLM 生成结构化改进提案， 写入 proposals.json 并发通知至 human.json 等待审批。 适用场景：Agent 在完成足够多任务后，触发自我评估和改进提案生成。
Manager 团队复盘：聚合所有 Agent 的 L2 质量指标，统计 L1 人类纠正事件， 识别瓶颈 Agent 并触发其自我复盘，调用 LLM 生成团队级改进提案， 向 human.json 发送周报。
审批复盘提案（Manager 专用）。收到 type=retro_report 邮件时加载此 Skill。按改动深度分档，memory 自动批准（加闸门），skill/agent 转 Human 确认，soul 标记高风险转 Human。
团队复盘思考框架（Manager 专用）。当你收到 type=team_retro_trigger 的邮件、或被要求"做团队复盘"时加载此 Skill。从聚合视角分析全员数据，发现跨 Agent 问题，级联触发瓶颈 Agent 的自我复盘，发周报给 Human。
自我复盘思考框架。当你收到 type=retro_trigger 的邮件、或被要求"反思本周工作"/"自我复盘"时加载此 Skill。用 log_query CLI 查数据，用 LLM 推理做分析，产出结构化复盘报告和改进提案。