JARVIS/development-doc/plan/memory-update/checklist.md

Jarvis Memory 升级执行清单

日期：2026-04-04 状态：执行清单 升级方向：拟人化记忆系统

---

使用说明

• 完成前使用 - [ ]
• 完成后改成 - [x]
• Day M.2 默认依赖 Day M.1 的重要性评分完成后再推进
• Day M.3 默认依赖 Day M.1 和 M.2 完成后再推进
• Day M.4 依赖 Day M.1，可与 M.2/M.3 并行推进
• Day M.5 依赖 Day M.1 和 M.4 完成后再推进

---

Day M.1：重要性评分系统（4天）

Day M.1 目标：让 Jarvis 知道「什么对你重要」。

Task M.1.1：实现 FrequencyTracker

• 新增 backend/app/services/memory/frequency_tracker.py

• 实现 FrequencyTracker 类

• 实现 increment() 方法

  def increment(self, memory: UserMemory) -> UserMemory:
      memory.frequency_count += 1
      memory.last_recalled_at = datetime.now()
      return memory
  

• 实现 get_time_decay() 方法

Task M.1.2：实现 EmotionAnalyzer

• 新增 backend/app/services/memory/emotion_analyzer.py

• 实现 EmotionAnalyzer 类

• 定义 EMOTION_KEYWORDS 字典

  EMOTION_KEYWORDS = {
      "急": 1.0,
      "很重要": 0.9,
      "困扰": 0.8,
      "担心": 0.7,
      "想解决": 0.6,
      "无所谓": 0.1,
  }
  

• 实现 extract() 方法 - 从文本提取情绪关键词

• 实现 calculate_score() 方法 - 计算情绪分数

Task M.1.3：实现 ImpactEvaluator

• 新增 backend/app/services/memory/impact_evaluator.py

• 实现 ImpactEvaluator 类

• 实现 evaluate() 方法

  def evaluate(self, memory: UserMemory) -> float:
      # 关联话题越多，影响面越大
      return min(1.0, len(memory.associated_topics) / IMPACT_THRESHOLD)
  

Task M.1.4：实现 ImportanceScorer

• 新增 backend/app/services/memory/importance_scorer.py

• 实现 ImportanceScorer 类

• 实现 calculate_score() 综合评分方法

  def calculate_score(self, memory: UserMemory) -> float:
      frequency = self.tracker.get_frequency_score(memory) * 0.35
      recency = self.tracker.get_recency_score(memory) * 0.20
      emotion = self.emotion_analyzer.calculate_score(memory) * 0.25
      impact = self.impact_evaluator.evaluate(memory) * 0.20
      return frequency + recency + emotion + impact
  

• 实现 get_importance_level() 方法

• 实现 should_escalate() 方法

Task M.1.5：修改 UserMemory 模型

• 修改 backend/app/models/memory.py

• 增加字段：

  frequency_count: int = 0
  last_recalled_at: DateTime = None
  emotion_tags: list[str] = []
  importance_score: float = 0.5
  importance_level: str = "medium"
  associated_topics: list[str] = []
  

Task M.1.6：集成到 MemoryService

• 修改 backend/app/services/memory_service.py

• 集成 ImportanceScorer

• 修改 add_memory() 方法计算重要性

• 修改 recall_memories() 方法按重要性排序

Task M.1.7：补测试

• 新增 backend/tests/services/test_importance_scorer.py

• 测试频率追踪

• 测试情绪分析

• 测试重要性评分

• 测试重要性等级划分

Day M.1 验收

• 频率追踪正常（recall_count 每次 +1）
• 情绪识别准确（「急」「很重要」等能识别）
• 重要性分数正确（高频+情绪 = importance >= 0.8）
• 评分影响排序（高重要性记忆排在前面）
• 单元测试覆盖率 > 80%

---

Day M.2：遗忘曲线系统（3天）

Day M.2 目标：让 Jarvis 知道「什么可以忘记」。

Task M.2.1：实现 ForgettingCurve

• 新增 backend/app/services/memory/forgetting_curve.py

• 实现 ForgettingCurve 类

• 实现 calculate_decay() 方法

  def calculate_decay(self, memory: UserMemory) -> float:
      half_life = self.get_half_life(memory)
      days = (datetime.now() - memory.last_accessed_at).days
      return exp(-days / half_life)
  

• 实现 get_half_life() 方法（重要性影响半衰期）

Task M.2.2：实现 MemoryDecay

• 新增 backend/app/services/memory/memory_decay.py

• 实现 MemoryDecay 类

• 实现 should_archive() 方法（decay < 0.2）

• 实现 should_deprioritize() 方法（decay < 0.5）

• 实现 archive_memory() 方法

• 实现 restore_from_archive() 方法

Task M.2.3：实现 MemoryReinforcement

• 新增 backend/app/services/memory/reinforcement.py

• 实现 MemoryReinforcement 类

• 实现 trigger() 方法（召回时强化）

• 实现 auto_reinforce() 方法（定期强化 high 级别）

Task M.2.4：修改 UserMemory 模型

• 修改 backend/app/models/memory.py

• 增加字段：

  decay_score: float = 1.0
  is_archived: bool = False
  last_accessed_at: DateTime = None
  archive_at: DateTime = None
  

Task M.2.5：集成到 MemoryService

• 修改 backend/app/services/memory_service.py

• 集成 ForgettingCurve

• 修改 recall_memories() 更新 last_accessed_at

• 集成 MemoryReinforcement

Task M.2.6：添加调度任务

• 修改 backend/app/services/scheduler_service.py

• 添加每日遗忘检查（cron: 03:00）

• 添加每周强化任务（cron: 周一 04:00）

Task M.2.7：补测试

• 新增 backend/tests/services/test_forgetting_curve.py

• 测试遗忘曲线计算

• 测试高重要性记忆衰减慢

• 测试归档/恢复

Day M.2 验收

• 遗忘曲线正确（30 天后 decay ≈ 0.5）
• 高重要性记忆衰减慢（high 衰减速度是 low 的 1/6）
• 归档正常（decay < 0.2 自动归档）
• 恢复正常（归档记忆可以恢复）
• 调度任务正常（每日检查、周强化执行）
• 单元测试覆盖率 > 80%

---

Day M.3：主动提醒系统（6天）

Day M.3 目标：让 Jarvis 从「等用户问」变成「主动关心」。

Task M.3.1：实现 DailyDigestGenerator

• 新增 backend/app/services/memory/daily_digest.py

• 实现 DailyDigestGenerator 类

• 定义 DailyDigest 数据类

• 实现 generate() 方法

  async def generate(self, user_id: int, date: date = None) -> DailyDigest:
      # 1. 获取今日对话摘要
      # 2. 获取高重要性记忆
      # 3. 获取待解答问题
      # 4. 生成建议
  

• 实现 get_recent_digests() 方法

Task M.3.2：实现 ReminderScheduler

• 新增 backend/app/services/memory/reminder_scheduler.py

• 定义 Reminder 数据类

• 实现 ReminderScheduler 类

• 实现 create_reminder() 方法

• 实现 get_due_reminders() 方法

• 实现 snooze() 方法

• 实现 dismiss() 方法

Task M.3.3：实现 ProactiveInformer

• 新增 backend/app/services/memory/proactive_informer.py

• 实现 ProactiveInformer 类

• 定义 TRIGGERS 配置

• 定义 INFORM_PROBABILITY 配置

• 实现 should_inform() 方法

• 实现 get_inform_message() 方法

• 实现 check_and_inform() 方法

Task M.3.4：创建提醒数据模型

• 修改数据库支持 reminders 表

• 新增 backend/app/models/reminder.py

• 或在现有模型文件中增加 Reminder 类

Task M.3.5：集成到 MemoryService

• 修改 backend/app/services/memory_service.py

• 集成 DailyDigestGenerator

• 集成 ProactiveInformer

• 修改 recall_memories() 触发主动告知检查

Task M.3.6：集成到 SchedulerService

• 修改 backend/app/services/scheduler_service.py

• 添加每日摘要生成（cron: 22:00）

• 添加提醒检查任务（cron: 每 15 分钟）

Task M.3.7：前端 - 每日摘要展示

• 修改前端对话页面

• 新增每日摘要卡片组件

• 获取和展示今日摘要

Task M.3.8：前端 - 主动提醒推送

• 新增主动提醒 Toast 组件

• 实现稍后/知道了按钮

• 推送 WebSocket 集成

Task M.3.9：补测试

• 新增 backend/tests/services/test_proactive_reminder.py

• 测试每日摘要生成

• 测试提醒创建和调度

• 测试主动告知概率

Day M.3 验收

• 每日摘要生成正常（22:00 自动生成）
• 提醒创建正常（用户可创建提醒）
• 提醒到期触发（定时推送）
• 主动告知概率正确（按配置的概率触发）
• 告知消息自然（像人说话，不生硬）
• 用户可控制（可以关闭主动提醒）
• 单元测试覆盖率 > 80%

---

Day M.4：对话自动学习（3天）

Day M.4 目标：让记忆库自动从对话中积累内容，不需要用户手动触发。

Task M.4.1：实现 MemoryExtractor

• 新增 backend/app/services/memory/memory_extractor.py

• 实现 MemoryExtractor 类

• 实现 extract_from_conversation() 方法

  async def extract_from_conversation(
      self, user_id: str, messages: list[Message]
  ) -> list[ExtractedMemory]:
  

• 定义 LLM 提取 Prompt（结构化输出 JSON）

  • 提取类型：fact / preference / goal / pain_point / event
  • 只提取明确信息，不猜测

• 实现 deduplicate() 方法

  • 相似度 > 0.85 视为重复，调用 reinforce() 而非新建

Task M.4.2：集成触发点

• 修改 backend/app/routers/conversation.py

  • 对话结束端点添加 background_tasks.add_task(memory_extractor.extract_from_conversation, ...)

• 修改 backend/app/services/scheduler_service.py

  • 添加 30 分钟闲置对话检查任务

Task M.4.3：补测试

• 新增 backend/tests/services/test_memory_extractor.py
• 测试提取准确性（fact/goal/pain_point 识别）
• 测试去重逻辑（重复内容不新建）
• 测试后台触发不阻塞响应

Day M.4 验收

• 对话结束后 30 秒内自动完成提取
• fact/goal/pain_point 类型识别准确
• 重复内容不新建，只强化原记忆
• 提取为后台任务，不影响响应速度
• 单元测试覆盖率 > 80%

---

Day M.5：记忆召回注入（2天）

Day M.5 目标：让 LLM 在生成回答时真正「看到」用户的记忆，实现对话个性化。

Task M.5.1：实现 MemoryRecallInjector

• 新增 backend/app/services/memory/recall_injector.py

• 实现 MemoryRecallInjector 类

• 实现 build_context() 方法

  async def build_context(
      self, user_id: str, current_message: str, token_budget: int = 800
  ) -> str:
  

• 实现 _rank() 方法（语义相关性 × 重要性评分综合排序）

• 实现 _budget_select() 方法（Token 预算控制）

• 实现 _format() 方法（格式化为 system prompt 片段）

• 记忆类型优先级配置

  • pain_point > goal > preference > fact > event

Task M.5.2：集成到对话路由

• 修改 backend/app/routers/conversation.py

  • 发消息时调用 memory_injector.build_context()
  • 将返回的 context 追加到 system prompt
  • 发送完成后后台触发记忆强化（frequency_count +1）

• 修改 backend/app/services/memory_service.py

  • recall_memories() 返回时携带相似度分数（similarity_score 字段）

Task M.5.3：补测试

• 新增 backend/tests/services/test_recall_injector.py
• 测试 Token 预算不超限
• 测试已归档记忆不注入
• 测试高优先级类型优先注入
• 测试注入耗时 < 100ms

Day M.5 验收

• LLM 回答中能体现用户个人信息
• 注入内容 ≤ 800 token
• goal/pain_point 比 fact 更早注入
• decay < 0.2 的已归档记忆不出现在 context 中
• 注入耗时 < 100ms
• 被召回的记忆 frequency_count +1
• 单元测试覆盖率 > 80%

---

总验收清单

Phase M.1-M.5 必须完成

• 重要性评分系统正常工作
• 遗忘曲线系统正常工作
• 主动提醒系统正常工作
• 对话自动学习正常工作（M.4）
• 记忆召回注入正常工作（M.5）
• 单元测试覆盖率 > 80%
• 集成测试通过
• 原有记忆功能无回退

---

总工作量估算

Phase	工作量
M.1 重要性评分	4 天
M.2 遗忘曲线	3 天
M.3 主动提醒	6 天
M.4 对话自动学习	3 天
M.5 记忆召回注入	2 天
合计	18 天

---

产出清单

产出	对应 Phase
services/memory/frequency_tracker.py	M.1
services/memory/emotion_analyzer.py	M.1
services/memory/impact_evaluator.py	M.1
services/memory/importance_scorer.py	M.1
services/memory/forgetting_curve.py	M.2
services/memory/memory_decay.py	M.2
services/memory/reinforcement.py	M.2
services/memory/daily_digest.py	M.3
services/memory/reminder_scheduler.py	M.3
services/memory/proactive_informer.py	M.3
services/memory/memory_extractor.py	M.4
services/memory/recall_injector.py	M.5
models/memory.py 更新	M.1, M.2
models/reminder.py 新增	M.3
前端摘要卡片	M.3
前端提醒 Toast	M.3
单元测试 > 80%	M.1–M.5
集成测试通过	M.1–M.5

---

与 Agent Phase 关系

Agent Phase	Memory 协作内容
Phase 1	Memory 追踪用户交互频率
Phase 2	Memory 服务被 Librarian Agent 调用
Phase 3	支持动态协作时的记忆共享
Phase 4	Memory 重要性可视化
Phase 5	高级记忆关联分析

Phase M 可与 Agent Phase 1-5 并行推进。