人类仿生记忆系统：预测预警、经验管理、智能建议。Use when user mentions '记忆', '教训', '预警', '经验', '写日记', '查询记忆', '安全提醒', or needs intelligent memory management and risk prediction.
基于人类认知的智能记忆系统，能够记录经验教训、预测风险、主动预警。系统模拟人类的短期记忆、情节记忆、长期记忆和世界知识，通过多维度重要性评估和记忆衰减机制，实现智能化的知识管理和风险预防。
核心特性:
/human-memory write [内容] # 写入记忆（自动提取、评估、存储）
/human-memory query [关键词] # 查询记忆
/human-memory warning [场景] # 生成预警
/human-memory stats # 查看统计
action: write | query | warning | statscontent: 具体内容options: 可选参数（JSON格式）功能: 自动提取实体、关系、情节，评估重要性，提取教训规则
示例:
用户: 今天下雨开车差点追尾，幸好及时刹车
系统处理:
1. AI提取: 实体（下雨、开车、追尾）、情节、关系
2. 评估: 重要性 -6.4 (负面, 中等)
3. 存储: 情节记忆 ep-xxx
4. 提取教训: IF weather=下雨 AND action=开车 THEN 减速慢行
5. 建立关系: 下雨-相关-开车
6. 更新标签: #下雨 #开车 #安全
输出: ✅ 记忆已保存，ID: ep-xxx，重要性: -6.4
功能: 多维度查询、关联查询、图遍历查找相关记忆
示例:
用户: /human-memory query 开车
输出:
找到 3 条相关记忆：
【1】2026-03-18 | 下雨天开车差点追尾 | 重要性: -6.4
【2】2025-12-20 | 弯道超车差点撞车 | 重要性: -5.8
【3】2024-08-10 | 疲劳驾驶撞护栏 | 重要性: -4.5
关联实体: 开车、下雨、弯道、疲劳驾驶
功能: 实时场景检测，匹配经验教训，生成智能建议
示例:
用户: 今天下雨，我要开车去接孩子
系统检测:
1. 场景检测: weather=下雨, action=开车
2. 匹配教训: 找到2条相关教训
3. 风险评估: P1级（安全风险）
4. 生成预警:
⚠️⚠️ 【雨天开车安全提醒】
风险等级: P1
建议:
1. 雨天路滑，减速慢行，增加跟车距离 (重要性: 7.5)
2. 车速控制在60km/h以下 (重要性: 6.5)
相关记忆:
- 2026-03-18: 下雨天开车差点追尾
- 2020-09-15: 雨天追尾事故
功能: 修改重要性、查看统计、人工干预
示例:
用户: /human-memory stats
输出:
📊 记忆系统统计
━━━━━━━━━━━━━━━━━━
总记忆数: 245条
- 情节记忆: 198条
- 经验教训: 47条
- 世界知识: 86条
重要性分布:
- 高重要性（≥7）: 32条
- 中重要性（3-7）: 145条
- 低重要性（<3）: 68条
基础分 = intensity×0.3 + duration×0.3 + danger×0.3 + scarcity×0.1
重要性 = 基础分 × (positive ? +1 : -1)
new_importance = MIN(10, |old| + trigger_count×0.3 + log(trigger_count+1)×0.2)
clarity = importance × e^(-λ×days_passed)
使用SQLite递归CTE实现BFS遍历，查找关联实体
{
"id": "ep-20260318-001",
"timestamp": "2026-03-18",
"location": "北京",
"weather": "下雨",
"event": "开车差点追尾",
"importance": {
"initial": -6.4,
"current": -6.4,
"nature": "negative"
},
"impact": {
"intensity": 7,
"duration": 5,
"danger": 8,
"scarcity": 4
}
}
{
"id": "lesson-001",
"rule_condition": {
"weather": "下雨",
"action": "开车"
},
"rule_action": "雨天路滑，减速慢行",
"importance": 7.5,
"permanent": true
}
skills/human-memory/
├── SKILL.md # 本文件
├── engine/
│ ├── sqlite_storage.py # 存储层
│ ├── sqlite_graph.py # 图引擎
│ ├── evaluator.py # 评估器
│ ├── extractor.py # AI提取器
│ └── warning_engine.py # 预警引擎
└── memory-data/
├── memory.db # 数据库
├── config.yaml # 配置
└── world-knowledge/ # 知识库
from skills.human-memory.engine.sqlite_storage import SQLiteStorage
from skills.human-memory.engine.evaluator import ImportanceEvaluator
from skills.human-memory.engine.extractor import AIExtractor
from skills.human-memory.engine.warning_engine import WarningEngine
# 初始化
storage = SQLiteStorage()
evaluator = ImportanceEvaluator()
extractor = AIExtractor()
warning_engine = WarningEngine()
# 1. 写入记忆
user_input = "今天下雨开车差点追尾"
extracted = extractor.ai_extract_all(user_input)
importance = evaluator.evaluate_importance(extracted['episode'])
extracted['episode']['importance'] = importance
episode_id = storage.save_episode(extracted['episode'])
# 2. 查询记忆
episodes = storage.query_episodes({'importance_min': 5})
# 3. 生成预警
scenario = warning_engine.detect_scenario("下雨天开车")
lessons = storage.match_lessons({'weather': '下雨', 'action': '开车'})
warning = warning_engine.generate_warning(scenario, lessons)
print(warning_engine.format_warning_message(warning))
scripts/init_database.py 初始化数据库memory-data/config.yaml 中调整参数memory-data/world-knowledge/ 中添加行业知识memory-data/memory.db# memory-data/world-knowledge/industries/medical.yaml