ref：让MaiSaka使用麦麦原有的pompt系统，配置系统

src/maisaka/knowledge.py

@@ -0,0 +1,181 @@
+"""
+MaiSaka - 了解模块
+负责从对话中提取和存储用户个人特征信息。
+"""
+
+from typing import List, Optional
+from knowledge_store import get_knowledge_store, KNOWLEDGE_CATEGORIES
+
+
+def build_knowledge_summary() -> str:
+    """
+    构建了解分类摘要，用于 LLM 请求。
+
+    Returns:
+        格式化的分类列表文本
+    """
+    store = get_knowledge_store()
+    return store.get_categories_summary()
+
+
+def extract_category_ids_from_result(result: str) -> List[str]:
+    """
+    从 LLM 返回结果中提取分类编号。
+
+    Args:
+        result: LLM 返回的结果文本
+
+    Returns:
+        分类编号列表
+    """
+    if not result:
+        return []
+
+    # 检查是否表示"无相关内容"
+    if any(keyword in result for keyword in ["无", "没有", "不适用", "无需", "无相关"]):
+        return []
+
+    # 解析编号（支持逗号分隔、空格分隔、换行分隔）
+    category_ids = []
+    for part in result.replace(",", " ").replace("，", " ").replace("\n", " ").split():
+        part = part.strip()
+        if part in KNOWLEDGE_CATEGORIES:
+            category_ids.append(part)
+
+    return category_ids
+
+
+def format_context_for_memory(context_messages: List[dict]) -> str:
+    """
+    格式化上下文消息为文本，用于记忆分析。
+
+    Args:
+        context_messages: 上下文消息列表
+
+    Returns:
+        格式化后的文本
+    """
+    parts = []
+    for msg in context_messages:
+        role = msg.get("role", "")
+        content = msg.get("content", "")
+
+        if role == "user":
+            parts.append(f"用户: {content}")
+        elif role == "assistant":
+            # 跳过感知消息
+            if "【AI 感知】" not in content:
+                parts.append(f"助手: {content}")
+
+    return "\n".join(parts)
+
+
+async def store_knowledge_from_context(
+    llm_service,
+    context_messages: List[dict],
+    store_result_callback=None,
+) -> int:
+    """
+    记忆部分：从上下文中提取并存储了解信息。
+
+    在上下文裁切时触发：
+    1. 请求 LLM 分析聊天内容涉及哪些分类
+    2. 为每个分类创建 subAgent 提取相关内容
+    3. 存入了解列表
+
+    Args:
+        llm_service: LLM 服务实例
+        context_messages: 需要分析的上下文消息
+        store_result_callback: 存储结果回调函数
+
+    Returns:
+        成功存储的了解信息数量
+    """
+    store = get_knowledge_store()
+    context_text = format_context_for_memory(context_messages)
+    categories_summary = build_knowledge_summary()
+
+    if not context_text:
+        return 0
+
+    try:
+        # 第一步：分析涉及哪些分类
+        category_ids = await llm_service.analyze_knowledge_categories(
+            context_messages, categories_summary
+        )
+
+        if not category_ids:
+            return 0
+
+        # 第二步：为每个分类提取内容并存储
+        stored_count = 0
+        for category_id in category_ids:
+            try:
+                # 提取该分类的相关内容
+                extracted_content = await llm_service.extract_knowledge_for_category(
+                    context_messages, category_id, store.get_category_name(category_id)
+                )
+
+                if extracted_content:
+                    # 存储到了解列表
+                    success = store.add_knowledge(
+                        category_id=category_id,
+                        content=extracted_content,
+                        metadata={"source": "context_compression"}
+                    )
+                    if success:
+                        stored_count += 1
+                        if store_result_callback:
+                            store_result_callback(
+                                category_id,
+                                store.get_category_name(category_id),
+                                extracted_content
+                            )
+            except Exception as e:
+                # 单个分类失败不影响其他分类
+                continue
+
+        return stored_count
+
+    except Exception as e:
+        return 0
+
+
+async def retrieve_relevant_knowledge(
+    llm_service,
+    chat_history: List[dict],
+) -> str:
+    """
+    提取部分：根据当前上下文检索相关的了解信息。
+
+    在每次对话前触发（EQ 模块和 timing 模块位置）：
+    1. 请求 LLM 分析需要哪些分类的了解内容
+    2. 提取对应分类的所有内容并拼接
+    3. 返回格式化后的了解内容
+
+    Args:
+        llm_service: LLM 服务实例
+        chat_history: 当前对话历史
+
+    Returns:
+        格式化后的了解内容文本
+    """
+    store = get_knowledge_store()
+    categories_summary = store.get_categories_summary()
+
+    try:
+        # 分析需要哪些分类
+        category_ids = await llm_service.analyze_knowledge_need(
+            chat_history, categories_summary
+        )
+
+        if not category_ids:
+            return ""
+
+        # 获取并格式化了解内容
+        formatted_knowledge = store.get_formatted_knowledge(category_ids)
+
+        return formatted_knowledge
+
+    except Exception:
+        return ""