feat(role-persona): 记忆系统全面改进 - Observer模式/Pending优化/[0x]清理/双向对话

[Dwsy]

背景

通过对 claude-subconscious 的深度拆解分析，发现 pi-zero 记忆系统在工程性（本地可审查、分层过滤、使用驱动验证）上全面胜出，但在记忆主动性和双向交互方面存在可改进空间。

本 issue 汇总了 4 个相关但独立的改进点，可按优先级分阶段实施。

---

架构分析摘要

维度	claude-subconscious (Letta)	pi-zero (role-persona)
存储后端	Letta 云端 API + SQLite	本地 Markdown 文件 + LanceDB
记忆层数	8 flat blocks (单层, 硬限 30000 chars)	Daily -> Pending -> Consolidated -> Knowledge (四层)
验证机制	Agent 主观判断	Pending 层使用驱动验证 (score >= 0.5 -> promote)
检索能力	fetchAgent() 网络请求 (10s timeout)	关键词 + 标签 + 向量 hybrid RRF 融合 (本地零延迟)
可审查性	需通过 Letta API	git diff 可直接审查，本地回滚
主动探索	Sub Agent 可 Read/Grep/Glob 读代码	无独立 Agent，被动记录
双向对话	Claude <-> Sub Agent 双向交流	单向：只能写入和读取

---

改进 1：引入 Observer Agent（观察者模式）【高优先级】

问题

当前记忆引擎是被动记录——只能提取对话中的显式信息。如果用户说"我刚改了 auth.ts 的 token 逻辑"，记忆系统只记下了这句话，但不理解 auth.ts 实际长什么样、为什么改、上下文是什么。

方案

引入一个轻量 Observer Agent，类似 claude-subconscious 的 Subconscious Agent 设计，但定位为只读助手：

1. 用户会话 -> transcript 发送到 Observer Agent
2. Observer Agent 有 Read/Grep/Glob 只读权限
3. 自动读取相关代码文件理解上下文
4. 生成"上下文感知"的高质量记忆条目
5. 通过 knowledge tool 写入 pi-zero 知识库

技术实现

• 使用 @letta-ai/letta-code-sdk 或类似 SDK 启动独立进程
• 仅开放 Read/Grep/Glob/web_search 工具（read-only 模式）
• 处理 transcript 后，通过 extension tool 写入 memory/knowledge
• 异步运行，不阻塞主 Agent 会话

预期收益

• 记忆从"被动录音"升级为"主动理解"
• 记忆质量提升：有代码上下文的记忆远比孤立的句子有价值
• 可发现用户未明确表达的模式和架构决策

---

改进 2：Pending 精确 Promote 机制【中优先级】

当前问题

Session 启动时随机 promote 1-2 条 pending 记忆（Math.ceil(Math.random() * 2)），这不是真正的"使用驱动验证"，而是 warm-cache 策略。

方案设计

引入三维评分模型替代随机 promote：

promote_score = 检索频率 x 0.4 + 语义相关性 x 0.35 + (1 - 年龄衰减) x 0.25

定期 consolidate 时批量决策：
  score >= 0.6 -> promote -> consolidated
  score < 0.3 -> discard
  0.3 <= score < 0.6 -> 给 LLM 判断

实施步骤

1. 在 pending record 中增加 accessCount 字段
2. 修改 searchRoleMemory 中的 autoPromotePending 逻辑
3. 在 consolidateRoleMemory 中增加 pending 批量处理
4. 移除 session start 的随机 promote

---

改进 3：[0x] 区定期清理【低优先级但高 ROI】

现状

consolidated.md 的 # Learnings (New) 区堆积了 120+ 条 [0x] 从未被使用的记忆。这些条目写入后从未被检索到，占用认知空间但无价值。

清理规则

在 consolidate 时增加自动清理逻辑：

• 年龄 > 30 天 -> 自动移入 events 归档
• 年龄 7-30 天 -> LLM 判断是否值得保留
• 年龄 < 7 天 -> 保留，等待验证

实施

修改 consolidateRoleMemory() 函数，增加 zero-used 清理逻辑，保持向后兼容。

---

改进 4：双向对话记忆机制【创新特性】

概念

允许 Agent 对记忆进行反馈和修正，实现"与记忆对话"：

memory({
  action: "converse",
  target: "learning-id-or-query",
  converseAction: "confirm" | "reject" | "discuss" | "amend",
  content: "这条记忆不够准确，实际情况是..."
})

操作类型

• confirm — 确认某条 pending/consolidated 记忆准确 -> reinforce + 标记 verified
• reject — 标记记忆不准确 -> 移入 daily log 并注明原因
• discuss — 对记忆发表看法 -> 写入 daily 作为讨论记录
• amend — 修正记忆内容 -> 调用 update 逻辑并记录变更

收益

• 记忆准确性提升：Agent 可以自我纠正
• 可追溯性：所有修改变动都有记录
• 与 claude-subconscious 的双向对话能力对齐

---

实施优先级建议

改进	优先级	复杂度	预期收益	实施难度
[0x] 区清理	P0	低	立即减少 120+ 噪声条目	1
Observer Agent	P1	高	记忆质量质的飞跃	4
Pending 精确 promote	P2	中	验证机制真正闭环	2
双向对话记忆	P3	高	自我纠正能力	3

---

相关文件

• extensions/role-persona/memory-md.ts — 核心记忆存储引擎
• extensions/role-persona/memory-llm.ts — LLM 提取与整理
• extensions/role-persona/memory-vector.ts — LanceDB 向量搜索
• extensions/role-persona/memory-tags.ts — 标签系统与遗忘曲线
• extensions/role-persona/index.ts — 主扩展编排层
• extensions/role-persona/memory-extraction-rules.ts — 可推导信息过滤
• skills/memory-knowledge-distiller/SKILL.md — 记忆到知识蒸馏

---

备注

• 本 issue 基于对 claude-subconscious (Letta) 的深度拆解分析
• 所有改进保持向后兼容
• Observer Agent 实现可参考 @letta-ai/letta-code-sdk 的 resumeSession 模式
• 建议分项实施，按优先级逐步推进