AI的框架

app/ai/services/memory_service.py

@@ -0,0 +1,25 @@
+# services/memory_service.py
+from langchain_google_genai import GoogleGenerativeAIEmbeddings
+
+# 假设你使用的是 pgvector
+async def search_memories(query: str, db_connection):
+    """
+    1. 将 query 转化为 Embedding
+    2. 在数据库中执行向量相似度搜索
+    3. 返回最相关的 Top-K 条记忆
+    """
+    # 模拟实现
+    embeddings = GoogleGenerativeAIEmbeddings(model="models/embedding-001")
+    query_vector = await embeddings.aembed_query(query)
+    
+    # 这里执行 SQL: SELECT content FROM memories ORDER BY embedding <=> query_vector LIMIT 3
+    results = "用户此前提到过他在做 Gemini 相关的 Hackathon，倾向于使用 Python。"
+    return results
+
+async def save_to_memory(content: str, db_connection):
+    """
+    这个函数由你的 '保存' 按钮触发。
+    """
+    # 1. 提取 content 中的关键信息（可选，可以用 LLM 提取）
+    # 2. 生成 Embedding 并存入数据库
+    pass

app/ai/services/summary_service.py

@@ -0,0 +1,65 @@
+# services/summary_service.py
+from langchain_google_genai import ChatGoogleGenerativeAI
+from langchain_core.messages import HumanMessage, SystemMessage
+
+async def get_rolling_summary(model: ChatGoogleGenerativeAI, existing_summary: str, messages: list):
+    """
+    将旧的总结与新的对话内容合并生成新的总结
+    """
+    if not messages:
+        return existing_summary
+
+    msg_content = "\n".join([f"{m.type}: {m.content}" for m in messages])
+    
+    prompt = f"""
+    你是一个记忆专家。请根据提供的“现有总结”和“新增对话”，生成一个更全面、精炼的新总结。
+    请保留关键事实（如技术偏好、重要决定、用户背景），删除无意义的寒暄。
+    
+    [现有总结]: {existing_summary if existing_summary else "暂无"}
+    [新增对话]: {msg_content}
+    
+    请直接输出新的总结文本，保持中文书写。
+    """
+    
+    response = await model.ainvoke([HumanMessage(content=prompt)])
+    return response.content
+
+# services/memory_service.py
+
+async def extract_and_save_fact(thread_id: str, messages: list, db_connection):
+    """
+    由前端按钮触发：从当前对话上下文提取事实并存入向量库
+    """
+    # 1. 过滤掉无意义的消息，只取最近几条作为提取素材
+    context_text = "\n".join([f"{m.type}: {m.content}" for m in messages[-10:]])
+    
+    # 2. 调用小模型 (Flash) 进行原子化事实提取
+    extraction_prompt = f"""
+    从以下对话中提取用户提到的、具有长期保存价值的“个人事实”或“技术偏好”。
+    要求：
+    - 每一条事实必须是独立的、完整的句子。
+    - 不要包含寒暄或临时性的讨论。
+    - 如果没有值得记录的事实，请返回 "NONE"。
+    
+    对话内容：
+    {context_text}
+    
+    输出格式示例：
+    - 用户正在使用 Python 3.12 进行开发。
+    - 用户计划参加 2026 年的 Gemini Hackathon。
+    """
+    
+    # 这里假设你已经初始化了 model_flash
+    response = await model_flash.ainvoke(extraction_prompt)
+    facts_text = response.content.strip()
+    
+    if facts_text == "NONE":
+        return "没有发现值得记录的新事实。"
+
+    # 3. 将提取到的事实转化为向量并存入 pgvector
+    # facts = facts_text.split('\n')
+    # for fact in facts:
+    #     embedding = await get_embedding(fact)
+    #     await db_connection.execute("INSERT INTO memories ...", embedding, fact, thread_id)
+    
+    return f"已成功记录以下记忆：\n{facts_text}"