e-pigeon 后端 · LLM 调用场景索引

分层记忆与评价（BackgroundTasks�?/h2>

app/chat_helpers.py · run_chat_memory_layer_async

�?strong>橙黄边条的是在后台任务链中发起的独立 LLM 摘要/评价。文末「挂载主对话」两条为终稿拼装消费说明�?strong>不是本节独立提示词常量本身�?/p>

会话话题摘要

summarize_chat_session_topic �?system �?llm_client（会话级 topic）�?/p>

展开：会话摘�?· 修改备忘

system（与源码一致）�?
你是对话主题提炼助手。输入是用户�?AI「飞鸽」的一次会话原文（用户与助手交替）�?任务：用**不超�?50 个汉�?*输出**一�?*概括，只�?*用户本人**可用于婚�?社交匹配的个人信息与特质（择偶、性格、职业、城市、兴趣、价值观等用户自述）�?若整段仅有飞鸽产�?功能交互（传话、匹配、设置、商家咨询等）而无用户个人信息，只输出：（无个人信息）
禁止编造；禁止 Markdown、编号、引号包裹�?
user：「请提炼用户个人信息（≤50 汉字，单行；若无则输出：（无个人信息））：�? history_text

修改建议

chat_summaries→L1→L2、重要记�?/h3>

后台 run_chat_memory_layer_async 现行链路�?strong>chat_summaries�?0 条有效话题，占位「（略）/（无个人信息）」不计数�?/strong> �?extract_recurring_topics_from_chat_summaries_for_l1 �?L1�?strong>L1�?0 条） �?extract_recurring_topics_from_l1_summaries_for_l2 �?L2；L1 批次后还�?evaluate_user_from_l1�?code>extract_frequent_topics_from_l1 �?重要记忆�?strong>L0（messages�?/strong> 不直接写 L1，只供主对话「最近原文」与切分会话原料。下�?summarize_l0_to_l1 / summarize_l1_to_l2 �?strong>遗留未调�?/strong>�?/p>

展开：记忆层多条 system · 统一修改备忘

以下�?app/llm_client.py 各函�?**system** 正文（user 侧多�?JSON 任务或列表；仍以源码为准）�?
【现�?· chat_helpers 会调用�?
── extract_recurring_topics_from_chat_summaries_for_l1 · system ──
你是话题聚类助手：在多行相近短语中找出重复出现的语义簇并命名�?（输入：20 条有�?chat_summaries 短话题，占位不计入批次；输出：JSON 数组，≥2 条相近才成簇�?
── extract_recurring_topics_from_l1_summaries_for_l2 · system ──
你是跨多条中层摘要的聚类助手�?（输入：20 �?L1 短话题；输出：JSON 数组�?
── extract_frequent_topics_from_l1 · system ──
你是对话分析助手，从摘要中提取用户反复提及的话题�?（L1 �? 条时�?1�? �?�?important_memories�?
【遗�?· llm_client 仍有定义，当�?app/ 未调用�?
── summarize_l0_to_l1 · system ──
你是一个对话摘要助手。根据用户与 AI 飞鸽的对话原文，提取对后续对话有帮助的要点，生成一段简洁的摘要。若每行前带有时间戳 [YYYY-MM-DD HH:MM]，可在摘要中体现对话先后与大致间隔，便于后续评价守约、食言、真诚度变化�?（旧方案�?0 �?L0 原文 �?1 �?L1 长摘要；已由 chat_summaries 层替代）

── summarize_l1_to_l2 · system ──
你是一个对话摘要与记忆管理助手，需要判断多条摘要是否围绕同一件事情�?（旧方案�?0 �?L1 合并�?1 �?L2 + same_topic；已�?extract_recurring_topics_from_l1_summaries_for_l2 替代�?/pre>
          

修改建议

evaluate_user_from_l1

�?L1 摘要多维品行/匹配评价；system 为短心理学分析说明，长规则在 user 消息（见 L6728+）�?/p>

展开：system（evaluate_user_from_l1�?/summary>

你是具备心理学训练的用户分析师与婚恋顾问。你必须在「上一次分数」基础上做连续、可解释的小步调整，各维度独立打分、禁止敷衍同分；信息不足则保持该维度上次分数基本不变。输出评�?JSON 时键名须与用户说明完全一致：dimensions、summary、suitable_buddy_summary�?/pre>
          

修改建议

user 侧长 prompt 含「上一次分数」与维度说明，修改时请同�?llm_client.py�?/p>

build_context_for_model · 拼装进主对话的用户记忆上下文

app/memory.py · build_context_for_model

在组装主对话「用户记忆上下文」时使用：产出摘要段（记忆摘要：... 等）；原文裁切段另见同页「最近原始对话摘录」条目�?/p>

展开：与主对话挂载关�?· 修改备忘

摘要段由 app/memory.py · build_memory_summaries_text / build_context_for_model 生成，按顺序拼接（仅在有内容时插入对应标题）�?
【用户重要长期记忆�?1. �?【高层摘要（L2）�?1. �?【中层摘要（L1，最近几条）�?1. �?【单次对话话题（最近若干次）�?1. �?
（条数上限：重要记忆 10、L2 最�?2、L1 最�?5、单次会话话�?RECENT_CHAT_SUMMARIES_DISPLAY。启�?FEIGE_LLM_CONTEXT_CACHE_ENABLED 时摘要可能走缓存读。）

修改建议

最近原始对话摘�?· build_context_for_model（recent_raw_text�?/h3>

app/memory.py · build_context_for_model �?_assemble_chat_system_final 末尾拼接

主对�?system 尾部挂上「最�?N 条」对话原文裁切块；超长时组装循环会下�?recent_messages_limit（仅削减此段）�?/p>

展开：与主对话挂载关�?· 修改备忘

最近原文块格式�?code>build_context_for_model）：

【最�?{N} 条原始对话�?（生成回复时请与此处用户/助手原文连贯承接。）
[{可选时间戳}] 用户: �?[{可选时间戳}] 助手: �?[{可选时间戳}] 助手（你主动向用户发起的话题�? �? �?mes_type 为运营话题时

条数 N = recent_messages_limit（默�?RECENT_MESSAGES_LIMIT，超�?system 时在 _assemble_chat_system_final 循环中下调）。时间戳�?format_message_ts_for_history �?APP_TIMEZONE 格式化�?/pre>
          

修改建议