MINARA

記憶

四個相互聯動的存儲:會話記憶、個性化、角色記憶與學習系統

Minara 的"記憶"由四個獨立存儲組成,共享同一個 SQLite 數據庫,但各自擁有獨立的生命週期和不同的消費者。四者相互正交:一個輪次可以同時從所有四個存儲中讀取,各存儲之間互不感知。

為什麼要分四個存儲?

存儲範圍生命週期寫入方
記憶系統每用戶上下文(觀察、偏好、交易筆記、策略筆記)每會話凍結,達到寫入閾值後軟刷新LLM 通過 memory_write 工具寫入
個性化用戶畫像:金融標籤、自定義提示詞、角色文件持久化;手動與自動重建混合維護用戶(REPL、CLI、REST);推斷定時任務
角色記憶每角色的分析決策案例及失敗模式決策時寫入,結果對賬後異步 reconcile分析技能;異步反思器
學習系統工具序列學習成果、方法論存儲、場景學習成功輪次或交易對賬時寫入skill_learn;回測運行器;場景引導器

四者分離的原因在於:每個存儲的信任級別與時效語義各不相同。

  • 記憶系統:內容新鮮,但未經驗證。
  • 個性化:權威可信,但較為稀疏。
  • 角色記憶:設有嚴格的統計門檻,僅 logic_error / missing_data 類別的案例會浮出。
  • 學習系統:採用 Wilson 下界畢業機制,方法論需至少使用 10 次且正確率 ≥55% 後才會被信任。

本節頁面

  • Minara Memory:凍結快照、FTS5 搜索、記憶分類,以及會話快照的構建方式。
  • 個性化與工作區:手動編輯的角色文件、自動重建的金融畫像、用戶標籤維度,以及三種重建流程。
  • 角色記憶:每個角色的決策反思,包含兩階段 LLM 分類器(logic_error / missing_data / exogenous / variance)、PostHocProbe 證據收集,以及 failureModes 兜底機制。
  • 學習系統:工具序列學習成果、方法論存儲與 Wilson 畢業機制、場景學習流水線、回測反饋循環。

在一個輪次中如何組合

┌─────────────────────────────────────────────────────────┐
│                   USER TURN ARRIVES                     │
│                         │                               │
│                         ▼                               │
│  ┌──────────────────────────────────────────────────┐   │
│  │ 1. Session memory snapshot injected as           │   │
│  │    <memory-context> block (frozen-per-session)   │   │
│  └──────────────────────────────────────────────────┘   │
│                         │                               │
│                         ▼                               │
│  ┌──────────────────────────────────────────────────┐   │
│  │ 2. Personalization snapshot — user_profile       │   │
│  │    tags + custom prompt + financial_profile      │   │
│  └──────────────────────────────────────────────────┘   │
│                         │                               │
│                         ▼                               │
│  ┌──────────────────────────────────────────────────┐   │
│  │ 3. Role memory hints — BM25 case recall scoped   │   │
│  │    to active-skill roles; failureModes fallback  │   │
│  │    when zero hits                                │   │
│  └──────────────────────────────────────────────────┘   │
│                         │                               │
│                         ▼                               │
│  ┌──────────────────────────────────────────────────┐   │
│  │ 4. Learning system — methodology placeholder     │   │
│  │    resolution in scenario playbooks + on-demand  │   │
│  │    `methodology_lookup` tool                     │   │
│  └──────────────────────────────────────────────────┘   │
│                         │                               │
│                         ▼                               │
│                     LLM call                            │
└─────────────────────────────────────────────────────────┘

實際使用示例

相關內容

  • 場景分類器:L0.5 意圖層,負責觸發劇本注入和方法論佔位符解析。
  • Agent 循環:輪次編排器,負責組合全部四個記憶存儲。

本頁目錄