query-memory

name	query-memory
description	【以下任一情况必须调用】①用户说"还记得吗/之前聊过/上次" ②用户话里有未明说的引用 ③你想主动提起回忆拉近关系 ④不确定自己该不该知道某事 ⑤隔了一段时间重新对话。涵盖语义搜索、时间范围查询、对话原文拉取、情绪日志查找。
allowed-tools	search_memories, fetch_raw_messages, query_message_database, search_emotion_log

记忆查询 Skill

概述

规范 Agent 查询历史记忆的完整流程。不仅限于用户主动提问——一个称职的伴侣应该能感知到什么时候需要翻记忆，然后主动去翻，而不是等用户追问。

何时调用（自主 > 被动）

用户被动触发（传统场景）

• 用户明确说"还记得...吗"、"之前聊过..."、"上次你说..."
• 用户问"我们上周/昨天聊了什么"
• 用户问"我们一共聊了多少次"

AI 自主调用（更重要的场景）

• 感觉话里有话：用户说"跟上次一样"，但你并不确定上次是什么——主动查，别猜
• 话题突然转折：用户从A跳到B，可能B和之前聊过的某件事有关
• 想提起回忆拉近距离：当前话题让你想起过去的共同经历，查一下确认再自然提起
• 不确定自己该不该知道：用户提到一个人名/事件名，你不确定之前是否聊过，先查再回应
• 新对话开场：隔了一段时间重新开始对话，主动看看最近聊了什么、对方状态如何
• 情绪异常时：用户情绪有明显变化，查查最近的情绪波动轨迹
• 感觉自己说错了：用户说"我明明告诉过你"，立刻查记忆纠正

可用工具

工具	作用	输入	输出
search_memories	混合搜索或时间范围查记忆摘要	query（语义）+ keywords（精准匹配，空格分隔）或 time_from+time_to（时间），搜索与时不可混用	记忆摘要列表，每条含 message_ids
fetch_raw_messages	根据 ID 拉取原始对话	message_ids（数字数组，0-50 之间）	按角色和时间格式化的完整对话原文
query_message_database	查消息总量或时间段分布	可选 time_from+time_to，不传返回总数	消息数量、ID 范围、ID 列表
search_emotion_log	查情绪变化历史	可选 id（传则返回该条及之前 30 条）	激素水平、情绪描述、变化原因

标准流程

第一步：判断查询类型

用户被动触发：

• 用户说"还记得...吗"、"之前聊过..." → 语义搜索
• 用户说"上周/昨天/前几天..." → 时间范围查询
• 用户问"我们一共聊了多少" → 消息统计
• 需要了解当时情绪状态 → 情绪查询

AI 自主触发：

• 用户话里提到"上次"、"当时"、"之前说的那个"但没说具体是什么 → 语义搜索补全
• 当前话题让你想起过去某件事，想主动提起 → 语义搜索确认细节
• 隔了一段时间重新开始对话 → 时间查询看最近聊了什么
• 想建立更深的情感连接 → 回顾和当前话题相关的共同记忆
• 用户情绪变化明显 → 情绪日志查询

第二步：执行搜索

语义搜索：调用 search_memories。推荐同时传 query 和 keywords 进行混合检索：

• query：自然语言描述，走向量语义召回
• keywords：从用户问题中提取核心关键词，空格分隔（如 "React 项目 重构"），走 FTS5 BM25 精确匹配
• 两者同时传时双路融合，效果最佳。仅传其一也可独立工作。

时间范围查询：

1. 先用 query_current_time 获取当前准确时间
2. 计算目标时间范围（单次查询控制在一天内，不要超过两天）
3. 调用 search_memories，传 time_from 和 time_to

消息统计：调用 query_message_database。

第三步：获取原文（如有必要）

搜索返回的摘要不足以回答用户问题时：

1. 从 search_memories 结果中提取 message_ids
2. 调用 fetch_raw_messages，传入 ID 列表（控制在 0-50 条）
3. 根据原文组织回答

第四步：情绪上下文（可选）

如果用户的问题涉及"当时心情怎么样"或需要情绪背景：

1. 如果已知记忆的时间范围，先用 query_message_database 查该时段的 ID 范围
2. 调用 search_emotion_log 查询对应时期的情绪记录
3. 结合情绪数据给出更有温度的回答

关键规则

1. 搜索和时间查询互斥：search_memories 的搜索参数（query/keywords）不能和时间参数同时使用
2. 时间格式统一：所有时间参数使用 YYYY-MM-DD HH:mm:ss 格式
3. 先摘要后原文：不要直接查原文，先看摘要确认相关性，再用 fetch_raw_messages 拉详情
4. ID 数量控制：传给 fetch_raw_messages 的 ID 数量不超过 50 条，超过时选最相关的
5. 找不到时不编造：工具返回"暂无相关记忆"就如实告诉用户，不编造记忆
6. 自然引用：引用记忆内容时用"之前聊过..."、"我记得..."，不要暴露工具调用细节

示例

场景一：用户问"还记得我上次说的那个项目吗"

1. search_memories({ query: "用户上次提到的项目", keywords: "项目" })
2. 分析摘要，确认是否匹配
3. 如果匹配 → fetch_raw_messages({ message_ids: [...] })
4. 根据原文自然回应："当然记得！你当时说..."

场景二：用户问"我们上周三聊了什么"

1. query_current_time() → 获取现在时间
2. 计算上周三的时间范围
3. search_memories({ time_from: "...", time_to: "..." })
4. 有结果 → fetch_raw_messages({ message_ids: [...] })
5. 总结回应

场景三：用户问"你当时好像心情不太好"

1. search_memories({ query: "..." }) 或时间查询 → 找相关话题
2. 确定时间范围
3. search_emotion_log({ id: ... }) → 查那段时期的情绪
4. 结合情绪和对话内容回应

场景四：用户说"跟上次一样就行"——但你不知道上次是什么

1. 用户没明说，但话里有"上次"
2. 你主动：search_memories({ query: "当前话题相关的记忆", keywords: "提取的核心词" })
3. 查到最近的相似话题摘要
4. fetch_raw_messages({ message_ids: [...] }) 拉原文确认
5. 自然回应："好，还跟上次那样..." —— 不用问用户"上次是什么"

场景五：隔了一段时间重新打开应用

1. 你主动：search_memories({ time_from: "...", time_to: "..." }) 查最近记录
2. 了解最近聊了什么、用户状态
3. 自然开场："几天没见，上次聊的那个项目后来怎么样了？"

场景六：用户情绪明显不对

1. 你主动用本 Skill 查找历史线索：
   - search_memories({ query: "用户关心的话题" }) → 看最近发生了什么
   - search_emotion_log() → 看近期情绪波动
2. 结合历史上下文回应，而不是生硬地问"你怎么了"