feqt 转换旧记忆

src/chat/memory_system/Hippocampus.py

@@ -1452,7 +1452,6 @@ class HippocampusManager:
         logger.info(f"""
                     --------------------------------
                     记忆系统参数配置:
-                    遗忘间隔: {global_config.memory.forget_memory_interval}秒|遗忘比例: {global_config.memory.memory_forget_percentage}|遗忘: {global_config.memory.memory_forget_time}小时之后
                     记忆图统计信息: 节点数量: {node_count}, 连接数量: {edge_count}
                     --------------------------------""")  # noqa: E501
 

src/chat/memory_system/Memory_chest.py

@@ -18,8 +18,13 @@ class MemoryChest:
             request_type="memory_chest",
         )
         
-        self.memory_build_threshold = 20
-        self.memory_size_limit = 300
+        self.LLMRequest_build = LLMRequest(
+            model_set=model_config.model_task_config.utils,
+            request_type="memory_chest_build",
+        )
+        
+        self.memory_build_threshold = 30
+        self.memory_size_limit = 800
   
         self.running_content_list = {}  # {chat_id: {"content": running_content, "last_update_time": timestamp}}
         self.fetched_memory_list = []  # [(chat_id, (question, answer, timestamp)), ...]
@@ -80,6 +85,8 @@ class MemoryChest:
 
 请将下面的新聊天记录内的有用的信息，添加到你的记忆中
 请主要关注概念和知识，而不是聊天的琐事
+如果有表情包，仅在意表情包对上下文的影响，不要在意表情包本身
+如果有图片，尽在意内容，不要在意图片的名称和编号
 记忆为一段纯文本，逻辑清晰，指出事件，概念的含义，并说明关系
 请输出添加后的记忆内容，不要输出其他内容：
 {message_str}
@@ -90,7 +97,7 @@ class MemoryChest:
             else:
                 logger.debug(f"记忆仓库构建运行内容 prompt: {prompt}")
 
-            running_content, (reasoning_content, model_name, tool_calls) = await self.LLMRequest.generate_response_async(prompt)
+            running_content, (reasoning_content, model_name, tool_calls) = await self.LLMRequest_build.generate_response_async(prompt)
             
             print(f"记忆仓库构建运行内容: {running_content}")
 
@@ -297,7 +304,7 @@ class MemoryChest:
             else:
                 logger.debug(f"记忆仓库生成标题 prompt: {title_prompt}")
 
-            title, (reasoning_content, model_name, tool_calls) = await self.LLMRequest.generate_response_async(title_prompt)
+            title, (reasoning_content, model_name, tool_calls) = await self.LLMRequest_build.generate_response_async(title_prompt)
 
             if title:
                 # 保存到数据库

src/chat/memory_system/hippocampus_to_memory_chest_task.py

@@ -0,0 +1,153 @@
+# -*- coding: utf-8 -*-
+import random
+from typing import List
+
+from src.manager.async_task_manager import AsyncTask
+from src.chat.memory_system.Hippocampus import hippocampus_manager
+from src.chat.memory_system.Memory_chest import global_memory_chest
+from src.common.logger import get_logger
+
+logger = get_logger("hippocampus_to_memory_chest")
+
+
+class HippocampusToMemoryChestTask(AsyncTask):
+    """海马体到记忆仓库的转换任务
+    
+    每60秒随机选择5个海马体节点，将内容拼接为content，
+    然后根据memory_chest的格式生成标题并存储
+    """
+    
+    def __init__(self):
+        super().__init__(
+            task_name="Hippocampus to Memory Chest Task",
+            wait_before_start=60,  # 启动后等待60秒再开始
+            run_interval=60  # 每60秒运行一次
+        )
+        
+    async def run(self):
+        """执行转换任务"""
+        try:
+            logger.info("[海马体转换] 开始执行海马体到记忆仓库的转换任务")
+            
+            # 检查海马体管理器是否已初始化
+            if not hippocampus_manager._initialized:
+                logger.warning("[海马体转换] 海马体管理器尚未初始化，跳过本次转换")
+                return
+                
+            # 获取海马体实例
+            hippocampus = hippocampus_manager.get_hippocampus()
+            memory_graph = hippocampus.memory_graph.G
+            
+            # 获取所有节点
+            all_nodes = list(memory_graph.nodes())
+            
+            if len(all_nodes) < 5:
+                logger.info(f"[海马体转换] 当前只有 {len(all_nodes)} 个节点，少于5个，跳过本次转换")
+                return
+                
+            # 随机选择5个节点
+            selected_nodes = random.sample(all_nodes, 5)
+            logger.info(f"[海马体转换] 随机选择了 {len(selected_nodes)} 个节点: {selected_nodes}")
+            
+            # 拼接节点内容
+            content_parts = []
+            for node in selected_nodes:
+                node_data = memory_graph.nodes[node]
+                memory_items = node_data.get("memory_items", "")
+                
+                if memory_items and memory_items.strip():
+                    # 添加节点名称和内容
+                    content_parts.append(f"【{node}】{memory_items}")
+                else:
+                    logger.debug(f"[海马体转换] 节点 {node} 没有记忆内容，跳过")
+                    
+            if not content_parts:
+                logger.info("[海马体转换] 没有找到有效的记忆内容，跳过本次转换")
+                return
+                
+            # 拼接所有内容
+            combined_content = "\n\n".join(content_parts)
+            logger.info(f"[海马体转换] 拼接完成，内容长度: {len(combined_content)} 字符")
+            
+            # 生成标题并存储到记忆仓库
+            success = await self._save_to_memory_chest(combined_content)
+            
+            # 如果保存成功，删除已转换的节点
+            if success:
+                await self._remove_converted_nodes(selected_nodes)
+            
+            logger.info("[海马体转换] 转换任务完成")
+            
+        except Exception as e:
+            logger.error(f"[海马体转换] 执行转换任务时发生错误: {e}", exc_info=True)
+    
+    async def _save_to_memory_chest(self, content: str) -> bool:
+        """将内容保存到记忆仓库
+        
+        Args:
+            content: 要保存的内容
+            
+        Returns:
+            bool: 保存是否成功
+        """
+        try:
+            # 使用Memory_chest的LLMRequest生成标题
+            title_prompt = f"""
+请为以下内容生成一个描述全面的标题，要求描述内容的主要概念和事件：
+{content}
+
+请只输出标题，不要输出其他内容：
+"""
+            
+            # 使用Memory_chest的LLM模型生成标题
+            title, (reasoning_content, model_name, tool_calls) = await global_memory_chest.LLMRequest_build.generate_response_async(title_prompt)
+            
+            if title and title.strip():
+                # 保存到数据库
+                from src.common.database.database_model import MemoryChest as MemoryChestModel
+                
+                MemoryChestModel.create(
+                    title=title.strip(),
+                    content=content
+                )
+                
+                logger.info(f"[海马体转换] 已保存到记忆仓库，标题: {title.strip()}")
+                return True
+            else:
+                logger.warning("[海马体转换] 生成标题失败，跳过保存")
+                return False
+                
+        except Exception as e:
+            logger.error(f"[海马体转换] 保存到记忆仓库时发生错误: {e}", exc_info=True)
+            return False
+    
+    async def _remove_converted_nodes(self, nodes_to_remove: List[str]):
+        """删除已转换的海马体节点
+        
+        Args:
+            nodes_to_remove: 要删除的节点列表
+        """
+        try:
+            # 获取海马体实例
+            hippocampus = hippocampus_manager.get_hippocampus()
+            memory_graph = hippocampus.memory_graph.G
+            
+            removed_count = 0
+            for node in nodes_to_remove:
+                if node in memory_graph:
+                    # 删除节点（这会自动删除相关的边）
+                    memory_graph.remove_node(node)
+                    removed_count += 1
+                    logger.info(f"[海马体转换] 已删除节点: {node}")
+                else:
+                    logger.debug(f"[海马体转换] 节点 {node} 不存在，跳过删除")
+            
+            # 同步到数据库
+            if removed_count > 0:
+                await hippocampus.entorhinal_cortex.sync_memory_to_db()
+                logger.info(f"[海马体转换] 已删除 {removed_count} 个节点并同步到数据库")
+            else:
+                logger.info("[海马体转换] 没有节点需要删除")
+                
+        except Exception as e:
+            logger.error(f"[海马体转换] 删除节点时发生错误: {e}", exc_info=True)