llm-call-sites

name	llm-call-sites
description	Stello 框架内所有 LLM 调用位置的消息结构速查。覆盖 Session 对话、compress、consolidate；应用层 reflection 调用由 orchestrator 自行决定。

LLM 调用消息结构

Stello 里所有 LLM 调用的 messages 参数构成。Session 同构——root 与 child 走同一套上下文组装规则，差异只在 meta.label。

---

1. Session 对话

[
  { role: 'system',    content: systemPrompt },       // 可能含 <parent_context> 块；若非空
  { role: 'system',    content: <session_identity> }, // 若 meta.label 非空
  { role: 'system',    content: insight },            // 若非空，消费后清除
  { role: 'system',    content: compressSummary },    // 仅当触发自动压缩
  ...recentL3History,                                 // user / assistant / tool
  { role: 'user',      content: userInput },
]

tools 经 llm.complete(messages, { tools }) 第二参数传入，不进 messages。

<session_identity> 形态（label 缺省则该消息不注入）：

<session_identity>
你当前在「{meta.label}」子会话中。
</session_identity>

label 改名后下次 send 自动同步，无需重写持久化的 systemPrompt。

systemPrompt 在 fork-compress 场景形态：

{合成后的 systemPrompt}

<parent_context>
{父 session 压缩摘要}
</parent_context>

所有 Session 同构走这套规则。Root 也是普通 Session，差异只在 meta.label。如需在 root 上注入"全局综合"，应用层把综合结果通过 putInsight(rootId, content) 一次性写入即可。memory 槽位不进入 send() 上下文。

---

2. Compress

[
  { role: 'system', content: COMPRESS_PROMPT },
  { role: 'system', content: <role_context> },       // 若传入非空 roleContext
  { role: 'user',   content: "对话记录:\n" + messages.map(m => `${m.role}: ${m.content}`).join('\n') },
]

两种触发：

• 对话内自动压缩（超阈值 80%）：messages = 待压缩的 L3 头部
• fork 时父→子（context: 'compress'）：messages = 父 session 全量 L3

输出：纯文本摘要。

---

3. Consolidate（L3 → memory）

[
  { role: 'system', content: CONSOLIDATE_PROMPT },
  { role: 'system', content: <role_context> },       // 若传入非空 roleContext
  { role: 'user',   content: [
    currentMemory ? `当前摘要:\n${currentMemory}` : null,
    `对话记录:\n${messages.map(m => `${m.role}: ${m.content}`).join('\n')}`,
  ].filter(Boolean).join('\n\n') },
]

• currentMemory = 本 session 当前 memory 槽位
• messages = 本 session 全量 L3

输出：100-150 字摘要，写回本 session memory 槽位。

---

4. Reflection（应用层自行实现）

跨 Session 的"全 memory → 综合 → 定向 insight"循环由应用层自行调用任意 LLM 完成：

• 输入：agent.listSessionDigests({ status: 'active' }) —— { id, label, memory, insight }[]
• 输出：派生 per-target insight，通过 agent.putInsight(targetId, content) 写回

应用层完全掌控 prompt 形态、调用频率、LLM tier。详见 stello-agent-creation §7 与 stello-agent-usage §6.4。

---

XML Tag 注入汇总

Tag	调用路径	数据来源	注入位置
<parent_context>	Session 对话（仅 fork-compress 场景）	父 session 压缩摘要	合成进 systemPrompt 字段
<session_identity>	Session 对话	SessionMeta.label	systemPrompt 之后
<role_context>	Compress / Consolidate	DefaultFnOptions.roleContext（应用层传入）	任务 prompt 之后、user content 之前

---

共性

维度	对话类（1）	提炼类（2、3）
接口	llm.complete(msgs, { tools })	LLMCallFn(msgs) → string
tools	有	无
L3 形态	原始 message 数组	${role}: ${content} 字符串拼接进 user content
返回	结构化（含 tool calls）	纯文本
<think> 清洗	否	是