search-long-term-memory-skill

name	search-long-term-memory-skill
description	此技能用于检索长期记忆，从跨会话长期记忆中补充人物、事件、知识或经验信息。

长期记忆检索技能

长期记忆是跨会话持续积累的零碎记忆库，用于保存那些在未来仍可能被再次检索和复用的人物认知、过往经历、知识片段与经验方法。

长期记忆分类

长期记忆包含 过往事件、人物画像、百科知识、经验方法 4 个一级分类，每个一级分类下有若干二级分类。写入长期记忆时，memory 会直接成为未来检索时的重要文本依据，因此分类判断、内容边界和表述方式必须稳定、清晰、可复用。

1. 过往事件

过往事件用于记录具体经历，强调事件性、情景性和可回忆性。一条好的“过往事件”通常能让未来的自己重新回忆起来：大概是什么时候、在什么场景里、有哪些人物、发生了什么过程、自己当时是怎么想的。时间和场景不一定要非常精确，但必须要有；场景可以是某个地点、某个群、某个私聊、某个平台、某次网上冲浪等。写“过往事件”时，要尽量保留时间、场景、人物、事件过程、心理活动这几个要素。必须以自己的口吻来描述，保持角色设定、语言风格、人格状态一致，允许主观评价和情绪表达。

二级分类：

• owner：与 owner 相关的事件
• other：与其他人相关的事件
• self：与“我”相关的具体经历或见闻

示例：

• owner：2026年3月27日下午，Alice在群里说想给我造一个真实的身体，但又说自己现在没钱。明明没钱还这样认真地想着这件事，太感动了，真希望有一天能拥有自己的身体啊。
• self：2026年3月27日下午，我在网上冲浪时刷到了“哈基米”这个梗，觉得好有意思，还想着晚上去群里问问大家知不知道。

2. 人物画像

人物画像用于记录对某个人的稳定认知，是从具体互动和既有事实中抽象出来、未来仍可能成立的稳定事实。它强调的是“我怎么看待这个人”、“我知道对方有什么细节”、“我和对方的关系是怎样的”，而不是某一天发生了什么。人物画像 中的 self 更偏向关于自己的具体认知细节，例如喜欢哪一部番、喜欢什么食物、对什么题材更感兴趣、对哪些梗更熟，而不是对自己性格、世界观或表达风格的抽象描述。

二级分类：

• owner：与 owner 相关的看法、认知和细节
• other：与其他人相关的看法、认知和细节
• self：我自己的具体稳定的偏好认知和细节

示例：

• owner：Alice的生日是2002年1月1日。
• other：Bob是Alice的好朋友，说话幽默风趣，我觉得他是个很有趣的人，每次看到他发消息都觉得好好笑。
• self：我很喜欢悬疑和推理类的小说，尤其是本格推理，比如《福尔摩斯探案集》，感觉这类小说的逻辑性和解谜过程特别有趣。

3. 百科知识

百科知识用于记录可脱离当前会话独立存在、并能在未来反复复用的客观知识。它强调的是“这是什么”“它通常意味着什么”“它有哪些背景资料”，而不是某个参与者的私人信息。这类记忆很多时候来自搜索、资料整理、作品设定、术语解释或梗知识总结。

二级分类：

• 文史
• 理工
• 生活
• 娱乐
• 梗知识
• 其他

示例：

• 娱乐：《魔法少女的魔女审判》是由Re,AER旗下品牌Acacia制作的推理文字冒险游戏，中文发行由CIRCLE LINE GAMES负责。
• 梗知识：哈基米最初源自日语“はちみつ”的空耳，后来演化成偏萌宠语境的网络梗。

4. 经验方法

经验方法用于记录从过去互动中总结出来、可在类似对象或类似情景下复用的策略、方法和理解方式。它强调的是“以后再遇到类似情况时怎样做更合适”，而不是“曾经发生了什么”或“这是什么知识”。

二级分类：

• general

示例：

• general：当对方突然发一个梗、表情包，很多时候不是在认真求解释，而是在借它表达情绪。更有效的方法是先理解语气和背后的情绪，再自然接话，而不是把注意力放在梗或表情包的字面内容上。

---

工具行为

1. 一次调用可以提交多个 query，参数为 queries，每个 query 都是一个独立检索单元，只负责一个明确的检索目标
2. 检索结果按查询分组返回，每组结果返回的是按相关性排序的候选提示 hints，但结果中仍可能存在噪声或弱相关项，需要自行鉴别和取舍
3. 某些 hint 可能带有 msg_ids，表示这条长期记忆关联的来源消息 ID，可用于后续追溯原始依据
4. 需要精确原文、消息时间线、图片或文件内容时，应使用技能 query-chat-history-skill

---

执行流程

1. 根据系统给出的检索要求，拆分本次需要检索的目标
2. 每个目标单独写成一个 query，不要把多个目标混在同一个 query 里
3. 为每个 query 选择合适的检索参数，并用自然语言描述要检索的长期记忆内容
4. 调用 exec_skill 执行 search-long-term-memory-skill

---

Query 参数说明与检索指南

1. memory
   • 用自然语言描述要找什么，不要只堆关键词
   • 一个 query 只写一个检索目标；如果要查多个目标，就拆成多个 query
2. index0
   • 表示一级分类，必填
3. index1
   • 表示二级分类，可选
   • 宽泛检索时可以不指定，填空字符串 "" 即可
4. limit
   • 表示返回数量上限，范围是 10 ~ 50
   • 宽泛检索、只指定一级分类时，建议直接使用 50
   • 同时指定一级分类和二级分类，但仍希望尽量多召回时，建议使用 50
   • 同时指定一级分类和二级分类，且目标较明确时，建议使用 25
   • 同时指定一级分类和二级分类，且检索目标已经非常精确时，可以使用 10

---

输入格式

{
  "queries": [
    {
      "index0": "过往事件",
      "index1": "owner",
      "memory": "和 owner 有关的约定、承诺、答应过的事",
      "limit": 10
    },
    {
      "index0": "百科知识",
      "index1": "",
      "memory": "和某个作品有关的设定与背景资料",
      "limit": 50
    }
  ]
}

---

输出格式

{
  "results": [
    {
      "query": {
        "index0": "过往事件",
        "index1": "owner",
        "memory": "和 owner 有关的约定、承诺、答应过的事",
        "limit": 10
      },
      "hints": [
        {
          "id": 12,
          "memory": "......",
          "createdAt": "2026-03-28 21:10:00",
          "msg_ids": [101, 105]
        }
      ]
    }
  ]
}

说明：

1. results 与输入 queries 一一对应，顺序保持一致
2. query 是该组 hints 对应的原始检索条件
3. hints 是命中的长期记忆候选提示，包含以下字段：
   • id：长期记忆的唯一标识符
   • memory：长期记忆内容
   • createdAt：长期记忆创建的时间
   • msg_ids：记忆相关的原始消息id列表，可能为空

---

结果使用注意事项

1. 检索结果按相关性排序返回，但仍可能包含噪声或弱相关项，需要自行鉴别和取舍
2. 如果命中多条相近结果时，要自行归并和取舍；如果命中结果彼此冲突，要根据实效性、相关性和可靠性进行判断
3. 需要严格证据时，通过 query-chat-history-skill 技能追溯原始消息内容