記憶圖
記憶圖（Memory Graph）解決長跑 RP 裡最常見的一個痛點：角色失憶。
LLM 的上下文視窗是有限的。聊到幾百輪以後，早期的重要資訊——人物關係、關鍵事件、世界規則——會被截斷丟掉。角色就「忘了」之前發生的事。記憶圖把對話裡的關鍵資訊自動抽成結構化的知識節點，需要時再召回注入回 prompt——讓角色能像你一樣，記住 500 輪前發生的事情。
它不是簡單的關鍵詞搜尋或純向量檢索。記憶圖用圖結構和多層演算法，讓召回既語意相關又覆蓋全面——不會出現「只把最相似的五條拉出來，其他都丟了」的情況。
它怎麼工作
記憶圖後台跑三件事：自動提取、智慧召回、分層壓縮。
自動提取
每次 AI 回覆後，記憶圖分析對話內容，把值得記住的東西提取出來，產出結構化的知識節點。提取可以走兩條通道：
內建提取 —— 當記憶面板裡的 自動抽取 開關打開時，記憶圖在每次 AI 回覆後自己跑一次 LLM 呼叫，把 schema 裡的結構化欄位填出來。這是預設方式，不依賴任何其他擴展。
編排器驅動的提取 —— 當編排器擴展已安裝，且導演模式使用預設配置時，主 agent 在每次起草回覆後會調度一個 memory_curator 子 agent。memory_curator 跑多輪「觀察—執行」迴圈，先用記憶圖的唯讀工具確認現狀，再寫入。對像角色這類穩定事實節點，品質通常更高 —— agent 會先查是否已有同名角色，而不是直接新建出重複節點。
兩條通道可以同時開，它們彼此並不協調，等於用額外的 LLM 成本換取一層兜底。多數使用者只會留一條。
只走編排器驅動的提取：
- 打開記憶面板，把 自動抽取 關掉。
- 在編排器配置編輯器裡確認
memory_curator已啟用，並且由主 agent 調度（新裝預設就是這樣）。
節點分兩層。預設 schema 自帶下面這三種類型，但 schema 是完全可定制的。你可以新增節點類型（奇幻題材加 magic_system，政治題材加 faction，生存題材加 inventory_item，看你的卡需要什麼），也可以移除任何預設類型。下面欄位也是預設值，每種類型的欄位可以在 Schema 編輯器裡改（下面會講到）。
語意層節點（持久化結構化知識，合併和更新）:
| 類型 | 說明 | 例子 |
|---|---|---|
character_sheet | 角色的姓名、身份、性格、目標、隨身物品 | 「Eileen 是治癒師，認下了對主角的一份恩情」 |
location_state | 地點的名稱、控制者、危險度、資源 | 「黑暗森林由精靈控制，危險度高」 |
事件層節點（情節記錄，每次提取新建，從不合併）:
| 類型 | 說明 | 例子 |
|---|---|---|
event | 發生過的重要事件 | 「主角在森林中遭遇伏擊」 |
事件節點不一樣
事件節點和其他類型有本質區別：
- 每次提取都新建節點。 標題自動遞增。事件是時間軸上獨立的點，不像角色狀態那樣合併到現有節點
- 最高層時間線總是注入。 事件節點是核心劇情上下文——最高層級的總結永遠在 prompt 裡，確保 AI 始終把握劇情走向
- 被壓縮的低層事件隱藏。 事件累積太多時，舊事件向上壓縮成更高層的總結。低層事件依然在圖裡，需要時召回機制能再發現它們，但預設不持久注入
簡單說：AI 始終能看到「大事」（最高層總結），具體細節只在對話需要時召回補充。
可以透過 提取間隔 控制提取頻率——比如設為 2 表示每 2 次 AI 回覆才觸發一次提取，LLM 呼叫成本減半。
智慧召回
你發新訊息觸發 AI 生成時，記憶圖根據當前對話上下文，從累積的記憶中召回最相關的節點，注入 prompt 供 AI 參考。
| 召回方式 | 說明 |
|---|---|
| LLM 召回 | 讓 LLM 直接從記憶庫裡挑相關節點，支援多輪深度探索 |
| Hybrid 召回 | 結合向量檢索、圖擴散、詞法匹配等多維信號綜合打分 |
| Hybrid + Reranking | 在 Hybrid 基礎上用重排模型進一步最佳化 |
| Hybrid + LLM | 在 Hybrid 候選基礎上讓 LLM 二次過濾 |
選哪個？
LLM 召回是預設的，因為最容易配 —— 你的主對話已經有 LLM API，這就夠用了。
Hybrid 召回更快、更貼近生產級檢索系統的玩法（向量檢索 + 圖擴散），但需要先在 Vector Storage 擴展裡配好嵌入（embedding）模型。想要更好的效果，可以疊一個重排模型（Hybrid+Rerank），或者再疊一道 LLM 過濾（Hybrid+LLM）。
經驗法則：剛開始用就 LLM 召回，等碰到成本或延遲瓶頸、或者想讓召回結果在換模型後保持穩定時，再切到 Hybrid。
分層壓縮
隨著對話推進，事件記憶持續累積。記憶圖自動對老事件做向上壓縮——多個相關事件合併為更高層的總結節點，既保留核心資訊又控制總記憶體積。
壓縮是遞迴的。某層的總結節點也超閾值時，繼續向上壓縮，直到節點數降到閾值以下。例如多個戰鬥事件先壓成「森林戰役」，多場戰役再壓成「北征之戰」。壓縮後的總結節點仍可展開看原始子事件。
和提取類似，壓縮也有兩條通道：
內建壓縮 —— 當記憶面板裡的 自動壓縮 開關打開時，葉子層事件累積到閾值後，記憶圖跑一次性的 LLM 總結呼叫。
編排器驅動的壓縮 —— memory_curator 在提取之後會評估 memory_compaction_candidates，然後用 KEEP/FOLD/DROP 風格的總結呼叫 memory_compact_nodes。多輪 agent 可以一個 rollup 一個 rollup 反覆迭代，而內建路徑是一次性的。
它實際長什麼樣
讀到這兒大多數讀者都想知道一個具體問題：節點到底長什麼樣？來個真實例子。
假設你和 Eileen（一個治癒師 NPC）有這樣三輪對話：
You: 我把找到的傷藥遞給 Eileen。
Eileen: ...謝謝。但你確定要給我？這種東西在外面很值錢。
You: 你傷得比我重。再說，我們是朋友吧。
Eileen: ...嗯。是朋友。這個恩情我會記著的。
這一輪後，記憶圖在後台跑一次提取，產生這樣的結構化節點：
{
"id": "n_eileen",
"type": "character_sheet",
"level": "semantic",
"title": "Eileen",
"fields": {
"aliases": "",
"traits": "話不多,字斟句酌,即使道謝也很克制",
"identity": "在北境遇到的旅行治癒師",
"goal": "還這份恩情;傷好到能自己走路",
"inventory": "傷藥(剛收下)、輕便行囊",
"language_sample": "...謝謝。但你確定要給我?",
"addressing_user": "稱呼用名字,中間常有停頓"
},
"floor": 12
}{
"id": "evt_20260505_001",
"type": "event",
"level": "semantic",
"title": "Summary 1",
"fields": {
"summary": "时间:Day 12, late afternoon; 使用者把找到的傷藥遞給受傷的 Eileen,Eileen 接受並明確認下了朋友關係和這份恩情。"
},
"floor": 12
}這就是預設 schema 的欄位
上面例子裡的欄位（character_sheet 用的 aliases / traits / identity / goal / inventory / language_sample / addressing_user，event 用的 summary）就是預設表的真實列。Schema 編輯器裡可以改名、刪除，或者乾脆加新類型。
記憶圖的面板裡你能看到所有節點，可以是圖，也可以是表格：
點任意節點看完整欄位：
50 輪後，你說「對了 Eileen，你之前說欠我一個人情......」。記憶圖召回機制把這兩個節點（以及其他相關的）挑出來，在主模型生成回覆之前注入 prompt 的 SYSTEM 部分：
這就是記憶圖在做的事——它不讓 AI 忘掉那種「50 輪前的小事到 50 輪後突然變成關鍵」。
5 分鐘跑起來
Step 1 — 啟用
打開 擴展 抽屜 → 記憶 → 把 啟用 開關打開。
Step 2 — 給提取和召回選模型
記憶圖的提取和召回都要 LLM 呼叫，但不必和主對話用同一個模型。在同一面板設：
| 設定 | 說明 |
|---|---|
| 召回 API 預設 | 召回的 API 連接 |
| 召回提示詞預設 | 召回的 Chat Completion 預設 |
| 生成圖 API 預設 | 提取的 API 連接 |
| 生成圖提示詞預設 | 提取的 Chat Completion 預設 |
常見配法：主對話走 Claude Opus，記憶圖走 Haiku 或 Gemini Flash。提取做的是結構化欄位填充，不是寫文，小模型能處理，而且確實省錢。
Step 3 — 正常聊天
記憶圖自動運行。聊幾輪，內容裡包含一些值得記住的角色 / 事件 / 地點。
Step 4 — 看效果
3-5 輪後打開 Memory 面板：
- Graph 視圖——節點關係圖
- Nodes 表格——按類型展示節點結構化欄位
- Recall 視圖——最近一次注入到 prompt 裡的內容
如果什麼都沒看到，在聊天裡多帶幾個角色或事件——提取需要具體的東西可抓。
我想要……
常見問題，從「普遍」到「小眾」：
我想讓我的奇幻卡記住魔法體系 / 派系
記憶圖的節點類型可以自定義。在 Memory 面板點 打開 Schema 編輯器 加新類型：
例如加一個 magic_system 類型（欄位：name / source / restrictions），或一個 faction 類型（欄位：name / leader / goals）。自定義類型保存在角色卡裡，匯出時隨卡走——你的奇幻世界詞彙隨卡傳遞。
每種類型還帶兩個提取控制欄位：
- 提取指令 —— 一段自由文本，僅當本類型本輪啟用時才會附加到提取系統提示詞。類型專屬規則（如「每批次最多一個 event」、「角色一定填 aliases」）寫在這裡，而不是塞進 base prompt。留空 = 無類型專屬附加段。
- 每 N 層提取一次 —— 節奏控制。
1（預設）表示每次提取都包含該類型。設為2/3/5等，僅當currentSeq % N == 0時啟用，適合location_state這種慢變化表，降低提取頻率、省 LLM 呼叫。某類型本輪未啟用時，其 create/edit/delete 工具不會暴露給模型，指令也不會附加 —— 模型這輪根本無法產出該表。
我想讓某些記憶 始終 在 prompt 裡（不等召回）
那是 持久注入。把某些節點類型設為持久注入——它們無論召回觸發與否都出現在 prompt 裡。常見用法：如果你加一個 rule_constraint 或 world_law 類型來表達不可違反的世界規則，把它標為持久——主模型就永遠不會忘掉這些規則。
持久注入和召回是互斥的（節點級）
持久注入的節點會從召回池裡完全排除——它已經每回合都在 prompt 裡了，運行時直接 bypass 掉它的召回。
我編輯 / 刪除訊息——記憶會怎麼變？
記憶圖有完整的變更回滾機制。你編輯、刪除訊息或 swipe 時，記憶自動回滾到受影響訊息之前的狀態，保持記憶和聊天歷史一致。
我想換電腦用 / 分享給別人
JSON 匯入匯出。
| 模式 | 作用 |
|---|---|
| Restore 還原 | 保留匯出時的樓層號——同一聊天恢復資料用 |
| 綁定到最新樓層 | 所有匯入節點綁到當前最新 AI 回覆樓層。 實用技巧：開一個全新的聊天，把過去某段長跑的記憶匯入進來，從 0 樓重新開始。等於「開新檔，但之前長跑裡累積的世界觀、角色、故事全在你腦子裡」——你可以續寫、換主線、換設定再玩一遍。 |
| 綁定到指定樓層 | 你手動輸入目標樓層 |
記憶怎麼進 prompt
兩條通道，節點級互斥。
持久注入——某些節點類型總在 prompt 裡。適合基線資訊：世界規則、人設核心設定、那種永遠不該忘的東西。在 Schema 編輯器裡按類型配置（alwaysInject 旗標）。持久節點會被從召回池裡排除——它每回合都在，不需要再被「召回」一遍。
召回注入——其他節點類型由召回機制動態注入，只有和當前對話相關的記憶才進 prompt，不浪費上下文空間。
底層實作：世界書投射
這兩條通道實際上都是把節點投射成世界書條目的方式工作的。持久注入寫持久世界書條目；召回注入寫臨時條目（生成完自動清理）。這意味著記憶條目會遵守世界書的關鍵詞掃描、深度排序等機制。這不是配置項，而是工作方式。
召回注入有自己的位置設定：
| 設定 | 預設 | 說明 |
|---|---|---|
| 召回注入位置 | atDepth | 注入位置 |
| 召回注入深度 | 9999 | 注入深度 |
| 召回注入角色 | SYSTEM | SYSTEM / USER / ASSISTANT |
結果複用
同一樓層 swipe 或重生成時，記憶圖會複用上次召回結果而不是重跑。省 LLM 成本，保證同一回合記憶上下文一致。
配置參考
完整配置列表
基礎配置
| 設定 | 預設 | 說明 |
|---|---|---|
| 啟用記憶圖 | false | 總開關 |
| 提取間隔 | 1 | 每 N 次 AI 回覆觸發一次提取 |
| 最大處理輪數 | 900 | 處理輪數硬上限 |
向量與擴散
| 設定 | 預設 | 說明 |
|---|---|---|
| 嵌入檔案 | （空） | Connection Manager 裡的 embed-profile，記錄嵌入 Provider/模型/Endpoint/Key。可在記憶圖設定或向量儲存裡建立，多外掛共享。 |
| 向量 Top-K | 20 | 向量檢索 Top-K |
| 圖擴散步數 | 2 | 擴散步數 |
| 圖擴散衰減 | 0.6 | 衰減係數 |
| 圖擴散 Top-K | 100 | 擴散後 Top-K |
| 圖擴散傳送機率 | 0.0 | 傳送機率 |
重排
| 設定 | 預設 | 說明 |
|---|---|---|
| 啟用重排 | false | 是否重排 |
| 重排檔案 | （空） | Connection Manager 裡的 rerank-profile，定義重排 Provider/模型/Endpoint/Key。與向量儲存共享。 |
其他
| 設定 | 預設 | 說明 |
|---|---|---|
| RPM 限制 | 0 | 每分鐘請求數（0 = 不限） |
| LLM 可見最近訊息數 | 5 | 召回 LLM 能看到的最近訊息數 |
| 與預設一起包含世界書 | true | 用預設時是否包含世界書 |
| 覆寫世界書名稱 | （空） | 覆寫投射的世界書名 |
| 世界書條目排序基數 | 9800 | 投射條目的基礎排序值 |
| 工具呼叫最大重試 | 2 | 工具呼叫失敗重試次數 |
| 排除最近 N 輪的節點 | 0 | 召回時排除最近 N 輪的節點（0 = 不排除） |
技術深入
給好奇的讀者和貢獻者
多階段混合召回管道
Hybrid 模式下，記憶圖跑一個 8 階段管道：
- 向量預篩——從向量庫取最相似的 Top-K 節點
- 實體錨定——在查詢裡匹配已知實體名和別名
- 建種子——合併向量命中和實體錨作為擴散起點
- 建鄰接表——構造圖的雙層鄰接表
- PEDSA 圖擴散——從種子節點出發，通過圖結構傳播能量，發現間接相關記憶
- 混合打分——融合向量分、擴散能量、詞法匹配、錨分、新近度加成等多維信號
- 認知層（NMF / FISTA / DPP）——三種演算法保證召回既全面又多樣
- 可選重排——外部重排器最終排序
認知層演算法
- NMF 主題再平衡 —— 用非負矩陣分解識別欠覆蓋的主題方向，提升代表性節點的得分
- FISTA 殘差發現 —— 用快速迭代收縮閾值演算法發現查詢中候選集未覆蓋的語意方向，補充檢索
- DPP 多樣性採樣 —— 用行列式點過程從候選中選出高品質且互相多樣的子集，避免召回過於集中
PEDSA 圖擴散
PEDSA（Personalized Efficient Diffusion with Sparse Approximation）讓記憶圖能發現那些和查詢沒有直接語意關聯，但通過圖結構間接相關的重要記憶。能量從種子節點沿邊傳播多輪，支援傳送機率（類似 PageRank）和稀疏近似控制。
向量索引
記憶圖用增量更新策略管理向量嵌入——通過雜湊比對檢測節點內容變化，只有內容真的變了才重新生成嵌入向量。Hybrid 召回裡使用記憶圖設定中選定的嵌入檔案作為單一事實源，Provider/模型/Endpoint/Secret 全部從檔案讀取。向量儲存外掛從同一份 Connection-Manager 檔案庫讀取，兩個外掛可以共用一份檔案，也可以各自挑不同的檔案，不再依賴對方的私有 extension_settings。
插入向量時，記憶圖把 nodeId 放在 metadata 欄位裡。後端原樣存 metadata。其他外掛也可以用 metadata 欄位存自定義資料，查詢結果會一併返回。這種設計讓 hash → nodeId 映射可以繞開前端索引快取——即使快取丟了，也能從查詢結果直接匹配節點。
如需手動控制，記憶圖設定面板提供重算向量索引按鈕。點擊後彈出對話框，提供兩種模式：增量補全僅對向量缺失或失效（如節點編輯後）的節點重新生成 embedding；全部重算清空集合並對所有可索引節點重新生成 embedding（更換嵌入模型或檔案後用此項）。如果嵌入設定已變更，增量補全會自動升級為全部重算，因為舊向量與新空間不相容。失敗的節點記錄到主控台，不阻斷整體流程。
自動 schema 遷移
載入聊天時，記憶圖運行遷移管道，把舊的持久化形態（v5 raw，v8 opLog）轉換為當前的 v2 樓層狀態佈局（graph payload + __floor_log 提交日誌 + __meta 狀態）。管道冪等，只在輸入形態不是 v2 時運行，任何步驟失敗時絕不修改 chat-state。
更多實作細節請看原始碼。
相關頁面
- Function Call Runtime — 記憶圖的 LLM 互動依賴此框架
- 世界書基礎 — 世界書投射涉及的基礎概念