@h-ai/cli 0.1.0-alpha.33 → 0.1.0-alpha.35

package/package.json

@@ -1,7 +1,7 @@
 {
   "name": "@h-ai/cli",
   "type": "module",
-  "version": "0.1.0-alpha.33",
+  "version": "0.1.0-alpha.35",
   "description": "Hai Framework CLI for project scaffolding and code generation.",
   "license": "Apache-2.0",
   "keywords": [
@@ -34,7 +34,7 @@
     "ora": "^9.1.0",
     "prompts": "^2.4.2",
     "yaml": "^2.7.0",
-    "@h-ai/core": "0.1.0-alpha.33"
+    "@h-ai/core": "0.1.0-alpha.35"
   },
   "devDependencies": {
     "@types/fs-extra": "^11.0.4",

package/templates/base/package.json.hbs

@@ -1,6 +1,6 @@
 {
   "name": "{{projectName}}",
-  "version": "0.1.0-alpha.33",
+  "version": "0.1.0-alpha.35",
   "private": true,
   "description": "{{#if_eq appType 'admin'}}Enterprise management system built with hai Agent Framework{{/if_eq}}{{#if_eq appType 'website'}}Enterprise website built with hai Agent Framework{{/if_eq}}{{#if_eq appType 'h5'}}Mobile H5 app built with hai Agent Framework{{/if_eq}}{{#if_eq appType 'api'}}REST API service built with hai Agent Framework{{/if_eq}}{{#if_eq appType 'mobile-app'}}Mobile app built with hai Agent Framework{{/if_eq}}",
   "keywords": ["hai", {{#unless isSvelteOnlyApp}}"sveltekit", {{/unless}}"svelte5", "{{appType}}"],

package/templates/skills/hai-ai/SKILL.md

@@ -49,8 +49,11 @@ llm:
   apiKey: ${HAI_AI_LLM_API_KEY:}
   baseUrl: ${HAI_AI_LLM_BASE_URL:https://api.openai.com/v1}
   model: ${HAI_AI_LLM_MODEL:gpt-4o-mini}
+  api: chat # chat（默认）| responses | anthropic——底层协议，对使用方透明
   timeout: 60000
   tempModelCacheTtl: 600000 # 临时模型客户端缓存 TTL（毫秒，默认 10 分钟）
+  models: # 可为单个模型指定协议（responses / anthropic）
+    - { id: claude, model: claude-3-5-sonnet-latest, api: anthropic }
   scenarios:
     chat: fast
     reasoning: strong
@@ -67,6 +70,11 @@ knowledge:
     mode: markdown
     maxSize: 1500
     overlap: 200
+
+# 可选：真·mem0ai/oss 引擎（嵌入式，LLM/Embedder 从 llm 配置提取，向量库复用底层 vecdb 后端或退回 mem0 自带存储）
+memory:
+  provider: mem0
+  defaultTopK: 10
 ```
 
 `ai.config` 是脱敏快照；`apiKey`、`privateKey`、URL 内嵌凭证会被隐藏。
@@ -77,15 +85,18 @@ knowledge:
 | --- | --- | --- |
 | 非流式对话 | `ai.llm.chat({ messages })` | OpenAI 兼容 Chat Completion |
 | 流式对话 | `ai.llm.chatStream({ messages })` | 返回 `AsyncIterable` |
+| 多协议 | 模型 `api: chat/responses/anthropic` | 底层走 Chat Completions / Responses / Anthropic，公共形状不变 |
+| 请求取消 | `ai.llm.chat({ messages, signal })` | 传 `AbortSignal`，`abort()` 立即停上游生成 |
 | 临时模型 | `ai.llm.chat({ messages, tempModel })` | 单次请求级临时端点，客户端按 TTL 缓存 |
 | 工具定义 | `ai.tools.define(...)` | Zod schema 转 JSON Schema |
 | 工具执行 | `registry.executeAll(toolCalls)` | 支持并行执行 |
 | MCP 服务 | `createMcpServer(...)` | 按需连接 HTTP/SSE/Stdio transport |
 | Embedding | `ai.embedding.embedText(text)` | 批量用 `embedBatch` |
-| 记忆 | `ai.memory.extract/recall/injectMemories` | 用 `objectId` 做主体隔离 |
+| 记忆 | `ai.memory.extract/recall/injectMemories` | 用 `objectId` 做主体隔离，`scope` 做业务作用域隔离；scope 隔离越细，`candidateMultiplier` 调大以防漏召回 |
+| 角色人格 | `ai.persona.save/get/compose` | 定义 AI 身份（systemPrompt + traits），`compose` 组合系统提示词，`scope: { personaId }` 关联长期记忆 |
 | Retrieval/RAG | `ai.retrieval.retrieve` / `ai.rag.query` | Retrieval source 先注册或由配置预置 |
 | Knowledge | `ai.knowledge.setup/ingest/ask` | 入库前会调用 datapipe 清洗分块 |
-| Context | `ai.context.createManager` | 编排 LLM + Memory + RAG + 压缩 |
+| Context | `ai.context.createManager` | 编排 LLM + Memory + RAG + 压缩；`manager.consolidate()` 把会话固化为长期记忆 |
 | A2A | `ai.a2a.registerExecutor/handleRequest` | 延迟初始化 SDK handler |
 
 ## LLM + 工具调用
@@ -168,6 +179,8 @@ await server.connect(new StreamableHTTPServerTransport({ sessionIdGenerator: cry
 
 ## 记忆、RAG 与知识库
 
+`memory.provider` 默认为 `native`（推荐）：HAI 原生引擎，复用 vecdb/reldb/LLM/Embedding，`extract` 采用 **Mem0 式批量合并**（一次 LLM 调用对整批事实与相关既有记忆做 ADD/UPDATE/DELETE/NONE，支持 `category`）。`mem0` 则直接使用 `mem0ai/oss` 的 `Memory` 引擎：LLM/Embedder 从 `llm` 配置提取（OpenAI 兼容），向量库从底层 vecdb 后端提取（qdrant/pgvector 复用，lancedb/chroma 退回 mem0 自带 in-memory 存储）。两者对外 `ai.memory.*` API 完全一致。
+
 ```ts
 const enriched = await ai.memory.injectMemories(messages, { objectId: 'user-001', topK: 5 })
 if (!enriched.success) return enriched
@@ -210,6 +223,25 @@ const reply = await managerResult.data.chat('你好')
 await managerResult.data.save()
 ```
 
+### 真实对话状态（Conversation Commit Layer）
+
+`turnCommit: 'manual'` 时，`chat` / `chatStream` 不自动写入生成文本，只返回 `turnId`；由调用方提交**实际发生的内容**（TTS 播放 / 主持人打断等场景）：
+
+```ts
+const m = ai.context.createManager({ turnCommit: 'manual', scope }).data
+for await (const ev of m.chatStream('展开讲讲')) {
+  if (ev.type === 'delta') feedTts(ev.text)
+  else if (ev.type === 'done') {
+    interrupted
+      ? await m.interruptTurn(ev.turnId, { text: spokenSoFar }) // 只提交播放出去的部分
+      : await m.commitTurn(ev.turnId) // 完整提交
+  }
+}
+```
+
+- 只有 `committed` 的内容进入上下文与记忆；`getTurns()` 可观测 `generated` / `committed` / `status`。
+
+
 ## SvelteKit API 端点模式
 
 ```ts

package/templates/skills/hai-ai/reference.md

@@ -100,6 +100,12 @@ Embedding OpenAI 客户端按 `apiKey + baseURL + timeout` 缓存；同一 key
 
 推荐所有记忆操作带 `objectId`，避免不同用户或 Agent 混写。
 
+Memory 后端通过 `memory.provider` 选择：
+
+- `native`（默认）：HAI 原生引擎，复用 vecdb/reldb/LLM/Embedding。`extract` 采用 Mem0 式批量合并（ADD/UPDATE/DELETE/NONE + `category`）；`maxEntriesPerObject`（单主体配额）/`maxEntriesGlobal`（全局上限）/`recencyDecay`/`embeddingEnabled`/`writebackRelatedTopK` 作用于此后端；淘汰按 `objectId` 分区。
+- `mem0`：直接使用 `mem0ai/oss` 的 `Memory` 引擎（嵌入式）。LLM/Embedder 从 `llm` 配置提取（OpenAI 兼容，场景模型 `extraction` / `embedding`）；向量库从底层 vecdb 后端提取（`storeProvider.getVectorBackend()`），qdrant/pgvector 复用同一后端，lancedb/chroma 退回 mem0 自带 in-memory 存储；历史默认禁用。
+- 两者对外 API（extract/recall/injectMemories/add/update/get/remove/list/listPage/clear）完全一致；`objectId` 隔离不同主体的记忆，`scope`（key-value）用于业务作用域隔离（recall/list/listPage/clear 均严格过滤）。mem0 后端 `update` 涉及 type/importance/metadata 时会重建记忆并重新分配 `id`。
+
 ## Retrieval / RAG
 
 ```ts
@@ -144,11 +150,11 @@ const result = await ai.rag.query('核心架构是什么？', {
 - `scope: { objectId, sessionId }`
 - `systemPrompt`
 - `compress: { auto, strategy, maxTokens, preserveLastN }`
-- `memory: { enable, enableExtract, topK }`
+- `memory: { enable, enableExtract, scope, types, minImportance, topK, position, extractionModel, extractionSystemPrompt }`（scope/types 等完整透传给 Memory 的 recall/extract）
 - `rag: { enable, sources, topK, minScore }`
 - `tools`
 
-常用方法：`addMessage`、`getMessages`、`getTokenUsage`、`chat`、`chatStream`、`save`、`reset`。
+常用方法：`addMessage`、`getMessages`、`getTokenUsage`、`chat`、`chatStream`、`save`、`reset`、`flush`（等待后台记忆提取完成，`save` 前自动调用）、`pendingMemoryTasks`（挂起提取任务数）。`chat/chatStream` 支持 `signal` 取消。
 
 ## File / Rerank / Reasoning
 

package/templates/skills/hai-ui/SKILL.md

@@ -413,6 +413,25 @@ const p = usePlatform()
 />
 ```
 
+#### Charts 图表
+
+`Chart type='line'` 默认使用 LayerChart 原生折线图；监控看板类场景需要“分段线 + 圆点 + 最近点 hover + 竖向参考线”时，使用 `lineVariant='segmented-point'`：
+
+```svelte
+<Chart
+  type='line'
+  data={trendData}
+  x='label'
+  y={['rateLimit', 'circuitBreak']}
+  series={trendSeries}
+  lineVariant='segmented-point'
+  tooltipMode='nearest'
+  showCrosshair
+  legend
+  grid
+/>
+```
+
 #### CRUD 场景组件
 
 | 组件                | 说明 |

package/templates/skills/hai-vecdb/SKILL.md

@@ -1,11 +1,11 @@
 ---
 name: hai-vecdb
-description: 使用 @h-ai/vecdb 进行向量数据库操作（LanceDB/pgvector/Qdrant）的集合管理与向量增删改查；当需求涉及向量存储、相似度搜索、嵌入检索或语义搜索时使用。
+description: 使用 @h-ai/vecdb 进行向量数据库操作（LanceDB/pgvector/Qdrant/Chroma）的集合管理与向量增删改查；当需求涉及向量存储、相似度搜索、嵌入检索或语义搜索时使用。
 ---
 
 # hai-vecdb
 
-> `@h-ai/vecdb` 提供统一的向量数据库操作接口，支持 LanceDB、pgvector、Qdrant，包含集合管理和向量 CRUD/搜索。
+> `@h-ai/vecdb` 提供统一的向量数据库操作接口，支持 LanceDB、pgvector、Qdrant、Chroma，包含集合管理和向量 CRUD/搜索。
 
 ---
 
@@ -18,7 +18,7 @@ description: 使用 @h-ai/vecdb 进行向量数据库操作（LanceDB/pgvector/Q
 ## 适用场景
 
 - 新增或修改向量数据库访问逻辑（集合管理/向量插入/搜索）
-- 接入不同向量数据库后端（LanceDB / pgvector / Qdrant）
+- 接入不同向量数据库后端（LanceDB / pgvector / Qdrant / Chroma）
 - 基于 `HaiVecdbError` 做错误分支处理
 - 构建 RAG、语义搜索、知识库等 AI 场景
 
@@ -45,6 +45,16 @@ path: ./data/vecdb
 # type: qdrant
 # url: ${HAI_VECDB_QDRANT_URL:http://localhost:6333}
 # apiKey: ${HAI_VECDB_QDRANT_API_KEY:}
+
+# Chroma（嵌入式：提供 path 且无 url 时自动拉起本地 `chroma run` 服务并持久化）
+# type: chroma
+# path: ./data/chroma
+# Chroma（直连已有服务，不拉起进程）
+# type: chroma
+# url: ${HAI_VECDB_CHROMA_URL:http://localhost:8000}
+# apiKey: ${HAI_VECDB_CHROMA_API_KEY:}
+# serverCommand: chroma      # 嵌入式模式拉起服务的可执行命令（默认 chroma，来自 chromadb 包）
+# startupTimeout: 30000      # 嵌入式服务就绪等待超时（毫秒）
 operationLog:
   read: false # collection.exists/info/list, vector.search/count
   write: false # collection.create/drop, vector.insert/upsert/delete
@@ -158,6 +168,8 @@ await vecdb.vector.delete('docs', ['doc-1', 'doc-2'])
 
 > 空批量 `insert/upsert/delete` 会被视为 no-op；写入与搜索会校验向量维度，不匹配时返回 `HaiVecdbError.DIMENSION_MISMATCH`。Qdrant `collection.exists()` 仅在 404 时返回 `false`，网络异常会返回查询错误而不是误判不存在。
 
+> Chroma 在 Node 端只有 HTTP 客户端（无进程内嵌入式）。嵌入式模式（提供 `path` 且无 `url`）下 `vecdb.init` 通过 `serverCommand`（默认 `chroma`，来自可选依赖 `chromadb`）拉起本地服务，`vecdb.close` 时关闭进程；服务命令不可用或就绪超时时 `init` 返回 `HaiVecdbError.CONNECTION_FAILED`。直连模式提供 `url` 即可，不拉起进程。
+
 **VectorDocument**：
 
 ```typescript