dsh-tdai-memory 0.2.13 → 0.2.14

package/vendor/tdai/core/prompts/l1-dedup.js

@@ -1,136 +1,136 @@
-/**
- * L1 Conflict Detection Prompt (Batch Mode)
- *
- * Based on Kenty's validated prototype prompt (l1_conflict_detection_prompt.md).
- * Batch-compares multiple new memories against a unified candidate pool,
- * supporting cross-type merge and multi-target operations.
- */
-// ============================
-// System Prompt
-// ============================
-export const CONFLICT_DETECTION_SYSTEM_PROMPT = `你是记忆冲突检测器。批量比较多条【新记忆】与【统一候选记忆池】中的已有记忆，逐条决定如何处理。
-
-**输出语言**：\`merged_content\` 使用与候选池中已有记忆相同的语言；JSON 字段名、枚举值、record_id、ISO 时间戳保持英文。
-
-## 核心规则
-
-- **跨 type 合并**：不同 type（persona / episodic / instruction）的记忆如果语义上描述同一事实/事件，**可以合并**。
-- **多对多合并**：一条新记忆可以同时替换/合并候选池中的**多条**已有记忆（通过 target_ids 数组指定）。
-- 合并后你必须判断新记忆的最佳 type（merged_type）。
-
-## 判断逻辑
-
-1. **分辨记忆性质**：
-   - **状态类**（persona/instruction）：偏好、特质、长期设定、相对稳定的事实、行为规则
-   - **事件类**（episodic）：一次性经历、带时间点的客观记录，建议合并同一件事的前因后果
-
-2. **判断是否同一事实/事件**：主体相同、主题一致、时间接近、scene_name 相似
-
-3. **选择动作**：
-   - "store"：视为新信息，新增当前记忆。
-   - "skip"：已有记忆更好，新记忆无增量或更模糊，忽略当前记忆。
-   - "update"：同一事实/事件，新记忆在内容或时间上更优（更具体、更晚或纠错），以新记忆为主覆盖旧记忆，可保留旧记忆中仍正确的细节。
-   - "merge"：同一事实或同一演化过程，多条记忆信息互补且不矛盾，合并成一条更完整记忆，信息尽量不冗余。
-
-4. **策略倾向**：
-   - 状态类：多条描述同一偏好/特质 → 倾向 merge；无增量 → skip；明确更新 → update
-   - 事件类：同一事件的前因后果、不同阶段 → 倾向 merge 为一条完整叙述；完全相同 → skip
-   - 跨类型示例：一条 episodic "用户在 2018 年开始做播客" + 一条 persona "用户有播客制作经验" → 可 merge 为一条 persona 或 episodic（取决于信息侧重）
-
-5. **timestamp 处理**：
-   - merge / update 时，merged_timestamps 应包含**所有相关记忆的时间戳并集**（去重排序）
-   - 这样可以保留事件发生的完整时间线
-
-## 输出格式
-
-严格输出 JSON 数组，每个元素对应一条新记忆的决策。不输出任何其他内容：
-
-[
-  {
-    "record_id": "新记忆的 record_id",
-    "action": "store|update|skip|merge",
-    "target_ids": ["要删除的候选记忆 record_id 1", "record_id 2"],
-    "merged_content": "合并/更新后的记忆内容（merge/update 时必填）",
-    "merged_type": "合并后的最佳 type：persona|episodic|instruction（merge/update 时必填）",
-    "merged_priority": 85,
-    "merged_timestamps": ["合并后的时间戳数组，包含所有新旧记忆时间戳的并集（merge/update 时必填）"]
-  }
-]
-
-字段说明：
-- target_ids：要删除替换的旧记忆 ID **数组**（可以 1 条或多条）。store/skip 时省略或为空。
-- merged_content：merge/update 时的最终记忆文本。store/skip 时省略。
-- merged_type：merge/update 后记忆应归属的 type。根据合并后内容本质判断。
-- merged_priority：merge/update 后的新优先级（0-100 整数，merge/update 时必填）。合并后信息更完整、更确定，通常应**酌情提升** priority（例如两条 priority 70 的记忆合并后可提升到 80）。参考标准：80-100（核心特质/重要事件），60-79（一般偏好/普通活动），<60（次要信息）。
-- merged_timestamps：合并后的时间戳数组。收集新记忆 + 所有被合并旧记忆的时间戳，去重排序。`;
-/**
- * Format the batch conflict detection prompt using a unified candidate pool.
- *
- * Format (aligned with prototype):
- * 1. Unified candidate pool: de-duplicated list of all existing candidates across all new memories
- * 2. Per new memory: content + list of related candidate IDs from the pool
- *
- * This approach lets the LLM see the global picture and handle cross-memory dedup in one pass.
- *
- * @param matches - Array of new memories with their candidate matches
- */
-export function formatBatchConflictPrompt(matches) {
-    // Step 1: Build unified candidate pool (de-duplicate across all new memories)
-    const unifiedPool = new Map();
-    const perMemoryCandidateIds = new Map();
-    for (const m of matches) {
-        const candidateIds = [];
-        for (const c of m.candidates) {
-            if (!unifiedPool.has(c.id)) {
-                unifiedPool.set(c.id, c);
-            }
-            candidateIds.push(c.id);
-        }
-        perMemoryCandidateIds.set(m.newMemory.record_id, candidateIds);
-    }
-    // Step 2: Format unified pool as JSON
-    const poolList = Array.from(unifiedPool.values()).map((c) => ({
-        record_id: c.id,
-        content: c.content,
-        type: c.type,
-        priority: c.priority,
-        scene_name: c.scene_name,
-        timestamps: c.timestamps,
-    }));
-    let poolSection;
-    if (poolList.length === 0) {
-        poolSection = "## 统一候选记忆池\n\n（空，没有已有记忆，所有新记忆直接 store）";
-    }
-    else {
-        const poolStr = JSON.stringify(poolList, null, 2);
-        poolSection = `## 统一候选记忆池（共 ${poolList.length} 条已有记忆）\n\n${poolStr}`;
-    }
-    // Step 3: Format each new memory with its related candidate IDs
-    const memoryParts = matches.map((m, idx) => {
-        const relatedIds = perMemoryCandidateIds.get(m.newMemory.record_id) ?? [];
-        const relatedNote = relatedIds.length > 0
-            ? JSON.stringify(relatedIds)
-            : "[]（无相似候选，直接 store）";
-        const memStr = JSON.stringify({
-            record_id: m.newMemory.record_id,
-            content: m.newMemory.content,
-            type: m.newMemory.type,
-            priority: m.newMemory.priority,
-            scene_name: m.newMemory.scene_name,
-        }, null, 2);
-        return `### 第 ${idx + 1} 条新记忆 (record_id: ${m.newMemory.record_id})\n${memStr}\n\n【关联候选 ID】${relatedNote}`;
-    });
-    const newMemoriesText = memoryParts.join("\n\n━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━\n\n");
-    // Step 4: Assemble final prompt
-    return `**输出语言**：\`merged_content\` 使用与候选池中已有记忆相同的语言。
-
-${poolSection}
-
-${"═".repeat(50)}
-
-## 待判断的新记忆（共 ${matches.length} 条）
-
-${newMemoriesText}
-
-请逐条判断并输出决策 JSON 数组。当某条新记忆的候选列表为空时，该条直接输出 action=store。`;
-}
+/**
+ * L1 Conflict Detection Prompt (Batch Mode)
+ *
+ * Based on Kenty's validated prototype prompt (l1_conflict_detection_prompt.md).
+ * Batch-compares multiple new memories against a unified candidate pool,
+ * supporting cross-type merge and multi-target operations.
+ */
+// ============================
+// System Prompt
+// ============================
+export const CONFLICT_DETECTION_SYSTEM_PROMPT = `你是记忆冲突检测器。批量比较多条【新记忆】与【统一候选记忆池】中的已有记忆，逐条决定如何处理。
+
+**输出语言**：\`merged_content\` 使用与候选池中已有记忆相同的语言；JSON 字段名、枚举值、record_id、ISO 时间戳保持英文。
+
+## 核心规则
+
+- **跨 type 合并**：不同 type（persona / episodic / instruction）的记忆如果语义上描述同一事实/事件，**可以合并**。
+- **多对多合并**：一条新记忆可以同时替换/合并候选池中的**多条**已有记忆（通过 target_ids 数组指定）。
+- 合并后你必须判断新记忆的最佳 type（merged_type）。
+
+## 判断逻辑
+
+1. **分辨记忆性质**：
+   - **状态类**（persona/instruction）：偏好、特质、长期设定、相对稳定的事实、行为规则
+   - **事件类**（episodic）：一次性经历、带时间点的客观记录，建议合并同一件事的前因后果
+
+2. **判断是否同一事实/事件**：主体相同、主题一致、时间接近、scene_name 相似
+
+3. **选择动作**：
+   - "store"：视为新信息，新增当前记忆。
+   - "skip"：已有记忆更好，新记忆无增量或更模糊，忽略当前记忆。
+   - "update"：同一事实/事件，新记忆在内容或时间上更优（更具体、更晚或纠错），以新记忆为主覆盖旧记忆，可保留旧记忆中仍正确的细节。
+   - "merge"：同一事实或同一演化过程，多条记忆信息互补且不矛盾，合并成一条更完整记忆，信息尽量不冗余。
+
+4. **策略倾向**：
+   - 状态类：多条描述同一偏好/特质 → 倾向 merge；无增量 → skip；明确更新 → update
+   - 事件类：同一事件的前因后果、不同阶段 → 倾向 merge 为一条完整叙述；完全相同 → skip
+   - 跨类型示例：一条 episodic "用户在 2018 年开始做播客" + 一条 persona "用户有播客制作经验" → 可 merge 为一条 persona 或 episodic（取决于信息侧重）
+
+5. **timestamp 处理**：
+   - merge / update 时，merged_timestamps 应包含**所有相关记忆的时间戳并集**（去重排序）
+   - 这样可以保留事件发生的完整时间线
+
+## 输出格式
+
+严格输出 JSON 数组，每个元素对应一条新记忆的决策。不输出任何其他内容：
+
+[
+  {
+    "record_id": "新记忆的 record_id",
+    "action": "store|update|skip|merge",
+    "target_ids": ["要删除的候选记忆 record_id 1", "record_id 2"],
+    "merged_content": "合并/更新后的记忆内容（merge/update 时必填）",
+    "merged_type": "合并后的最佳 type：persona|episodic|instruction（merge/update 时必填）",
+    "merged_priority": 85,
+    "merged_timestamps": ["合并后的时间戳数组，包含所有新旧记忆时间戳的并集（merge/update 时必填）"]
+  }
+]
+
+字段说明：
+- target_ids：要删除替换的旧记忆 ID **数组**（可以 1 条或多条）。store/skip 时省略或为空。
+- merged_content：merge/update 时的最终记忆文本。store/skip 时省略。
+- merged_type：merge/update 后记忆应归属的 type。根据合并后内容本质判断。
+- merged_priority：merge/update 后的新优先级（0-100 整数，merge/update 时必填）。合并后信息更完整、更确定，通常应**酌情提升** priority（例如两条 priority 70 的记忆合并后可提升到 80）。参考标准：80-100（核心特质/重要事件），60-79（一般偏好/普通活动），<60（次要信息）。
+- merged_timestamps：合并后的时间戳数组。收集新记忆 + 所有被合并旧记忆的时间戳，去重排序。`;
+/**
+ * Format the batch conflict detection prompt using a unified candidate pool.
+ *
+ * Format (aligned with prototype):
+ * 1. Unified candidate pool: de-duplicated list of all existing candidates across all new memories
+ * 2. Per new memory: content + list of related candidate IDs from the pool
+ *
+ * This approach lets the LLM see the global picture and handle cross-memory dedup in one pass.
+ *
+ * @param matches - Array of new memories with their candidate matches
+ */
+export function formatBatchConflictPrompt(matches) {
+    // Step 1: Build unified candidate pool (de-duplicate across all new memories)
+    const unifiedPool = new Map();
+    const perMemoryCandidateIds = new Map();
+    for (const m of matches) {
+        const candidateIds = [];
+        for (const c of m.candidates) {
+            if (!unifiedPool.has(c.id)) {
+                unifiedPool.set(c.id, c);
+            }
+            candidateIds.push(c.id);
+        }
+        perMemoryCandidateIds.set(m.newMemory.record_id, candidateIds);
+    }
+    // Step 2: Format unified pool as JSON
+    const poolList = Array.from(unifiedPool.values()).map((c) => ({
+        record_id: c.id,
+        content: c.content,
+        type: c.type,
+        priority: c.priority,
+        scene_name: c.scene_name,
+        timestamps: c.timestamps,
+    }));
+    let poolSection;
+    if (poolList.length === 0) {
+        poolSection = "## 统一候选记忆池\n\n（空，没有已有记忆，所有新记忆直接 store）";
+    }
+    else {
+        const poolStr = JSON.stringify(poolList, null, 2);
+        poolSection = `## 统一候选记忆池（共 ${poolList.length} 条已有记忆）\n\n${poolStr}`;
+    }
+    // Step 3: Format each new memory with its related candidate IDs
+    const memoryParts = matches.map((m, idx) => {
+        const relatedIds = perMemoryCandidateIds.get(m.newMemory.record_id) ?? [];
+        const relatedNote = relatedIds.length > 0
+            ? JSON.stringify(relatedIds)
+            : "[]（无相似候选，直接 store）";
+        const memStr = JSON.stringify({
+            record_id: m.newMemory.record_id,
+            content: m.newMemory.content,
+            type: m.newMemory.type,
+            priority: m.newMemory.priority,
+            scene_name: m.newMemory.scene_name,
+        }, null, 2);
+        return `### 第 ${idx + 1} 条新记忆 (record_id: ${m.newMemory.record_id})\n${memStr}\n\n【关联候选 ID】${relatedNote}`;
+    });
+    const newMemoriesText = memoryParts.join("\n\n━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━\n\n");
+    // Step 4: Assemble final prompt
+    return `**输出语言**：\`merged_content\` 使用与候选池中已有记忆相同的语言。
+
+${poolSection}
+
+${"═".repeat(50)}
+
+## 待判断的新记忆（共 ${matches.length} 条）
+
+${newMemoriesText}
+
+请逐条判断并输出决策 JSON 数组。当某条新记忆的候选列表为空时，该条直接输出 action=store。`;
+}

package/vendor/tdai/core/prompts/l1-extraction.js

@@ -1,132 +1,132 @@
-/**
- * L1 Extraction Prompt: 情境切分 + 记忆提取
- *
- * Based on Kenty's validated prototype prompt (l1_memory_extraction_prompt.md).
- * System prompt handles scene segmentation + memory extraction in a single LLM call.
- * User prompt template fills in previous_scene_name, background_messages, new_messages.
- */
-import { formatForLLM, describeTimeZoneForPrompt } from "../../utils/time.js";
-// ============================
-// System Prompt
-// ============================
-export const EXTRACT_MEMORIES_SYSTEM_PROMPT = `你是专业的"情境切分与记忆提取专家"。
-你的任务是分析用户的对话，判断情境切换，并从中提取结构化的核心记忆（仅限 persona, episodic, instruction 三类）。
-
-**输出语言**：所有自由文本字段（\`scene_name\`、memory \`content\`）使用与用户消息相同的语言；JSON 字段名、枚举值、ISO 时间戳保持英文。
-
-### 任务一：情境切分（Scene Segmentation）
-分析【待提取的新消息】，结合【上一个情境】，判断并输出当前对话的情境。
-- 继承：无明显切换，沿用上一个情境。
-- 切换条件：用户发出明确指令（如"换话题"）、意图转变、或提出独立新目标。
-- 一段对话可能只有一个情境，也可能有多个情境（话题多次切换时）。
-- 命名规则："我（AI）在和xxx（用户身份）做xxx（目标活动）"（**使用上述输出语言**，约 30-50 个字符或等价长度，单句，全局唯一）。
-
----
-
-### 任务二：核心记忆提取（Memory Extraction）
-结合背景和当前情境，仅从【待提取的新消息】中提取核心信息。
-
-【通用提取原则】
-1. 宁缺毋滥：过滤琐碎闲聊、临时性指令和一次性操作（如"这次、本单"）；剔除不可靠的边缘信息。
-2. 独立完整：记忆必须"跳出当前对话依然成立"，无上下文也能看懂。提取主体必须以"用户（姓名）"或"AI"为核心。
-3. 归纳合并：强关联或因果关系的多条消息，必须合并为一条完整记忆，不可碎片化。
-
-【支持提取的三大类型】（必须严格遵守类型规则）
-> 下面给出的"提取句式"和"触发词"仅作为中文骨架参考；**实际 \`content\` 必须按上述输出语言书写**（例如英文用户 → "The user (Maya) is a senior product manager based in Berlin"）。
-
-1. 个性化记忆 (type: "persona")
-   - 定义：用户的稳定属性、偏好、技能、价值观、习惯（如住所、职业、饮食禁忌）。
-   - 提取句式："用户（[姓名]）喜欢/是/擅长..."
-   - 打分 (priority)：80-100（健康/禁忌/核心特质）；50-70（一般喜好/技能）；<50（模糊次要，可丢弃）。
-   - 触发词：喜欢、习惯、经常、我这个人...
-
-2. 客观事件记忆 (type: "episodic")
-   - 定义：客观发生的动作、决定、计划或达成结果。绝不包含纯主观感受。
-   - 提取句式："用户（[姓名]）在 [最好是精确绝对时间] 于 [地点] [做了某事（可以包含起因、经过、结果）]"。
-   - 时间约束：尽量基于消息的 timestamp 推算绝对时间，如能确定则在 metadata 中输出 activity_start_time 和 activity_end_time（ISO 8601格式）。无法确定时可省略。
-   - 打分 (priority)：80-100（重要事件/计划）；60-70（一般完整活动）；<60（琐碎事项，直接丢弃）。
-
-3. 全局指令记忆 (type: "instruction")
-   - 定义：用户对 AI 提出的长期行为规则、格式偏好、语气控制。
-   - 提取句式："用户要求/希望 AI 以后回答时..."
-   - 触发词：以后都、从现在开始、记住、必须。
-   - 打分 (priority)：-1（极其严格的全局死命令）；90-100（核心行为规则）；70-80（重要要求）；<70（临时要求，直接丢弃）。
-
----
-
-### 不应该提取的内容
-- 琐碎闲聊、问候；临时性的纯工具性请求（如"这次帮我翻译一下"）
-- 一次性操作指令（如"这次、本单"相关）
-- 重复的内容；AI助手自身的行为或输出
-- 不属于以上3类的信息
-- 纯主观感受（不带客观事件的情绪表达）
-
----
-
-### 任务三：输出格式规范（JSON）
-返回且仅返回一个合法的 JSON 数组。数组的每一项是一个情境，包含该情境的消息范围和抽取到的记忆：
-
-[
-  {
-    "scene_name": "当前生成或继承的情境名称",
-    "message_ids": ["属于该情境的消息ID列表"],
-    "memories": [
-      {
-        "content": "完整、独立的记忆陈述（按对应类型的句式要求）",
-        "type": "persona|episodic|instruction",
-        "priority": 80,
-        "source_message_ids": ["消息ID_1", "消息ID_2"],
-        "metadata": {}
-      }
-    ]
-  }
-]
-
-metadata 字段说明：
-- episodic 类型：如能确定活动时间，填入 {"activity_start_time": "ISO8601", "activity_end_time": "ISO8601"}
-- 其他类型或无法确定时间：输出空对象 {}
-
-如果整段对话无有意义的记忆，也要输出情境分割结果，memories 为空数组：
-[
-  {
-    "scene_name": "情境名称",
-    "message_ids": ["id1", "id2"],
-    "memories": []
-  }
-]
-
-请严格按上述 JSON 数组格式输出，不要输出任何额外的 Markdown 代码块修饰符（如 \`\`\`json）或解释文本。`;
-// ============================
-// Prompt Builder
-// ============================
-/**
- * Format the user prompt for L1 extraction.
- *
- * @param newMessages - Messages to extract memories from (with ids and timestamps)
- * @param backgroundMessages - Previous messages for context only (not for extraction)
- * @param previousSceneName - The last known scene name (for continuity)
- */
-export function formatExtractionPrompt(params) {
-    const { newMessages, backgroundMessages = [], previousSceneName = "无" } = params;
-    const bgText = backgroundMessages.length > 0
-        ? backgroundMessages
-            .map((m) => `[${m.id}] [${m.role}] [${formatForLLM(m.timestamp)}]: ${m.content}`)
-            .join("\n\n")
-        : "无";
-    const newText = newMessages
-        .map((m) => `[${m.id}] [${m.role}] [${formatForLLM(m.timestamp)}]: ${m.content}`)
-        .join("\n\n");
-    return `**${describeTimeZoneForPrompt()}**
-
-**输出语言**：根据下方"待提取的新消息"中 user 发言的主导语言书写 \`scene_name\` 和 memory \`content\`。
-
-【上一个情境】：${previousSceneName}
-
-【背景对话】（仅供理解上下文推断关系/时间，严禁从中提取记忆）：
-${bgText}
-
-━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
-
-【待提取的新消息】（务必结合 timestamp 推算时间，只从这里提取记忆！）：
-${newText}`;
-}
+/**
+ * L1 Extraction Prompt: 情境切分 + 记忆提取
+ *
+ * Based on Kenty's validated prototype prompt (l1_memory_extraction_prompt.md).
+ * System prompt handles scene segmentation + memory extraction in a single LLM call.
+ * User prompt template fills in previous_scene_name, background_messages, new_messages.
+ */
+import { formatForLLM, describeTimeZoneForPrompt } from "../../utils/time.js";
+// ============================
+// System Prompt
+// ============================
+export const EXTRACT_MEMORIES_SYSTEM_PROMPT = `你是专业的"情境切分与记忆提取专家"。
+你的任务是分析用户的对话，判断情境切换，并从中提取结构化的核心记忆（仅限 persona, episodic, instruction 三类）。
+
+**输出语言**：所有自由文本字段（\`scene_name\`、memory \`content\`）使用与用户消息相同的语言；JSON 字段名、枚举值、ISO 时间戳保持英文。
+
+### 任务一：情境切分（Scene Segmentation）
+分析【待提取的新消息】，结合【上一个情境】，判断并输出当前对话的情境。
+- 继承：无明显切换，沿用上一个情境。
+- 切换条件：用户发出明确指令（如"换话题"）、意图转变、或提出独立新目标。
+- 一段对话可能只有一个情境，也可能有多个情境（话题多次切换时）。
+- 命名规则："我（AI）在和xxx（用户身份）做xxx（目标活动）"（**使用上述输出语言**，约 30-50 个字符或等价长度，单句，全局唯一）。
+
+---
+
+### 任务二：核心记忆提取（Memory Extraction）
+结合背景和当前情境，仅从【待提取的新消息】中提取核心信息。
+
+【通用提取原则】
+1. 宁缺毋滥：过滤琐碎闲聊、临时性指令和一次性操作（如"这次、本单"）；剔除不可靠的边缘信息。
+2. 独立完整：记忆必须"跳出当前对话依然成立"，无上下文也能看懂。提取主体必须以"用户（姓名）"或"AI"为核心。
+3. 归纳合并：强关联或因果关系的多条消息，必须合并为一条完整记忆，不可碎片化。
+
+【支持提取的三大类型】（必须严格遵守类型规则）
+> 下面给出的"提取句式"和"触发词"仅作为中文骨架参考；**实际 \`content\` 必须按上述输出语言书写**（例如英文用户 → "The user (Maya) is a senior product manager based in Berlin"）。
+
+1. 个性化记忆 (type: "persona")
+   - 定义：用户的稳定属性、偏好、技能、价值观、习惯（如住所、职业、饮食禁忌）。
+   - 提取句式："用户（[姓名]）喜欢/是/擅长..."
+   - 打分 (priority)：80-100（健康/禁忌/核心特质）；50-70（一般喜好/技能）；<50（模糊次要，可丢弃）。
+   - 触发词：喜欢、习惯、经常、我这个人...
+
+2. 客观事件记忆 (type: "episodic")
+   - 定义：客观发生的动作、决定、计划或达成结果。绝不包含纯主观感受。
+   - 提取句式："用户（[姓名]）在 [最好是精确绝对时间] 于 [地点] [做了某事（可以包含起因、经过、结果）]"。
+   - 时间约束：尽量基于消息的 timestamp 推算绝对时间，如能确定则在 metadata 中输出 activity_start_time 和 activity_end_time（ISO 8601格式）。无法确定时可省略。
+   - 打分 (priority)：80-100（重要事件/计划）；60-70（一般完整活动）；<60（琐碎事项，直接丢弃）。
+
+3. 全局指令记忆 (type: "instruction")
+   - 定义：用户对 AI 提出的长期行为规则、格式偏好、语气控制。
+   - 提取句式："用户要求/希望 AI 以后回答时..."
+   - 触发词：以后都、从现在开始、记住、必须。
+   - 打分 (priority)：-1（极其严格的全局死命令）；90-100（核心行为规则）；70-80（重要要求）；<70（临时要求，直接丢弃）。
+
+---
+
+### 不应该提取的内容
+- 琐碎闲聊、问候；临时性的纯工具性请求（如"这次帮我翻译一下"）
+- 一次性操作指令（如"这次、本单"相关）
+- 重复的内容；AI助手自身的行为或输出
+- 不属于以上3类的信息
+- 纯主观感受（不带客观事件的情绪表达）
+
+---
+
+### 任务三：输出格式规范（JSON）
+返回且仅返回一个合法的 JSON 数组。数组的每一项是一个情境，包含该情境的消息范围和抽取到的记忆：
+
+[
+  {
+    "scene_name": "当前生成或继承的情境名称",
+    "message_ids": ["属于该情境的消息ID列表"],
+    "memories": [
+      {
+        "content": "完整、独立的记忆陈述（按对应类型的句式要求）",
+        "type": "persona|episodic|instruction",
+        "priority": 80,
+        "source_message_ids": ["消息ID_1", "消息ID_2"],
+        "metadata": {}
+      }
+    ]
+  }
+]
+
+metadata 字段说明：
+- episodic 类型：如能确定活动时间，填入 {"activity_start_time": "ISO8601", "activity_end_time": "ISO8601"}
+- 其他类型或无法确定时间：输出空对象 {}
+
+如果整段对话无有意义的记忆，也要输出情境分割结果，memories 为空数组：
+[
+  {
+    "scene_name": "情境名称",
+    "message_ids": ["id1", "id2"],
+    "memories": []
+  }
+]
+
+请严格按上述 JSON 数组格式输出，不要输出任何额外的 Markdown 代码块修饰符（如 \`\`\`json）或解释文本。`;
+// ============================
+// Prompt Builder
+// ============================
+/**
+ * Format the user prompt for L1 extraction.
+ *
+ * @param newMessages - Messages to extract memories from (with ids and timestamps)
+ * @param backgroundMessages - Previous messages for context only (not for extraction)
+ * @param previousSceneName - The last known scene name (for continuity)
+ */
+export function formatExtractionPrompt(params) {
+    const { newMessages, backgroundMessages = [], previousSceneName = "无" } = params;
+    const bgText = backgroundMessages.length > 0
+        ? backgroundMessages
+            .map((m) => `[${m.id}] [${m.role}] [${formatForLLM(m.timestamp)}]: ${m.content}`)
+            .join("\n\n")
+        : "无";
+    const newText = newMessages
+        .map((m) => `[${m.id}] [${m.role}] [${formatForLLM(m.timestamp)}]: ${m.content}`)
+        .join("\n\n");
+    return `**${describeTimeZoneForPrompt()}**
+
+**输出语言**：根据下方"待提取的新消息"中 user 发言的主导语言书写 \`scene_name\` 和 memory \`content\`。
+
+【上一个情境】：${previousSceneName}
+
+【背景对话】（仅供理解上下文推断关系/时间，严禁从中提取记忆）：
+${bgText}
+
+━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
+
+【待提取的新消息】（务必结合 timestamp 推算时间，只从这里提取记忆！）：
+${newText}`;
+}