5.9 KiB
5.9 KiB
Phase M.1：重要性评分系统
日期：2026-04-04 状态：规划中 依赖：无 工作量：4 天
1. 本阶段目的
建立记忆重要性评分体系，让 Jarvis 知道「什么对你重要」。
核心问题：
- 你提了 3 次同一个问题 → 这是你的痛点，应该深入解决
- 你说「急」「很重要」「困扰我」 → 情绪标记，应该优先级高
- 这个话题关联了多少其他话题 → 影响面越大越重要
2. 核心架构
┌─────────────────────────────────────────────────────────────┐
│ ImportanceScorer │
├─────────────────────────────────────────────────────────────┤
│ calculate_score(memory) → importance_score (0.0-1.0) │
│ │
│ 评分维度: │
│ - frequency_score (频率) × 0.35 │
│ - recency_score (时效) × 0.20 │
│ - emotion_score (情绪) × 0.25 │
│ - impact_score (影响面) × 0.20 │
└─────────────────────────────────────────────────────────────┘
3. 评分维度详解
3.1 Frequency Score (频率)
frequency_score = min(1.0, recall_count / FREQUENCY_THRESHOLD)
# FREQUENCY_THRESHOLD = 3 # 提 3 次算高频
# 同时考虑时间衰减
time_decay = exp(-days_since_last_recall / HALF_LIFE_DAYS)
# HALF_LIFE_DAYS = 7 # 7 天减半
3.2 Recency Score (时效性)
recency_score = exp(-days_since_creation / RECENCY_HALF_LIFE)
# RECENCY_HALF_LIFE = 30 # 30 天减半
# 但重要事件例外：即使久远也保持高时效
if is_emotion_tagged:
recency_score = max(recency_score, 0.7)
3.3 Emotion Score (情绪)
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,
}
emotion_score = max([EMOTION_KEYWORDS.get(kw, 0)
for kw in extracted_emotions], default=0.0)
3.4 Impact Score (影响面)
# 关联多少其他记忆/话题
impact_score = min(1.0, associated_memory_count / IMPACT_THRESHOLD)
# IMPACT_THRESHOLD = 5 # 关联 5 个算满
4. 核心文件
4.1 新增文件
| 文件 | 职责 |
|---|---|
services/memory/frequency_tracker.py |
频率追踪器 |
services/memory/emotion_analyzer.py |
情绪分析器 |
services/memory/impact_evaluator.py |
影响面评估器 |
services/memory/importance_scorer.py |
综合评分器 |
4.2 修改文件
| 文件 | 修改内容 |
|---|---|
models/memory.py |
增加 frequency_count, last_recalled_at, emotion_tags 字段 |
services/memory_service.py |
集成 ImportanceScorer |
5. API 设计
5.1 ImportanceScorer
class ImportanceScorer:
def calculate_score(self, memory: UserMemory) -> float:
"""返回 0.0-1.0 的重要性分数"""
def get_importance_level(self, memory: UserMemory) -> Literal["high", "medium", "low"]:
"""返回重要性等级"""
def should_escalate(self, memory: UserMemory) -> bool:
"""是否应该升级为高优先级记忆"""
5.2 集成到 MemoryService
class MemoryService:
async def add_memory(self, user_id: int, content: str, emotion_tags: list[str] = None):
# 添加记忆时计算初始重要性
importance = self.scorer.calculate_score(new_memory)
async def recall_memories(self, query: str, user_id: int, top_k: int = 5):
# 检索时考虑重要性排序
# 高重要性记忆排在前面
6. 数据模型变更
6.1 UserMemory 扩展
class UserMemory:
# 现有字段...
frequency_count: int = 0 # 被回忆次数
last_recalled_at: DateTime = None # 上次被回忆时间
emotion_tags: list[str] = [] # 情绪标签
importance_score: float = 0.5 # 重要性分数
importance_level: str = "medium" # high/medium/low
associated_topics: list[str] = [] # 关联话题
7. 测试设计
7.1 频率追踪测试
def test_frequency_increase():
memory = create_memory(frequency_count=0)
memory = tracker.increment(memory)
assert memory.frequency_count == 1
def test_frequency_decay_over_time():
# 7 天后频率应该衰减
pass
7.2 情绪分析测试
def test_emotion_extraction():
text = "这个问题很急，急需解决"
emotions = analyzer.extract(text)
assert "急" in emotions
def test_emotion_scoring():
score = scorer.calculate_emotion_score(["急", "很重要"])
assert score >= 0.9
7.3 综合评分测试
def test_importance_ranking():
memories = [low_freq, high_freq, emotional]
ranked = sorter.rank_by_importance(memories)
assert ranked[0] == emotional # 情绪标签最重
8. 验收标准
| 标准 | 说明 |
|---|---|
| 频率追踪正常 | recall_count 每次召回 +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 | 高重要性记忆排在检索结果前面 |
| 单元测试覆盖率 | > 80% |
9. 工作量估算
| 任务 | 工作量 |
|---|---|
| FrequencyTracker | 0.5 天 |
| EmotionAnalyzer | 0.5 天 |
| ImpactEvaluator | 0.5 天 |
| ImportanceScorer | 1 天 |
| 模型变更 | 0.5 天 |
| 集成到 MemoryService | 0.5 天 |
| 测试 | 1 天 |
| 合计 | 4 天 |