Menu
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'）。
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Based on SOC occupation classification
| 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。