amrita_plugin_memory 0.4.1__tar.gz → 0.5.0__tar.gz

{amrita_plugin_memory-0.4.1 → amrita_plugin_memory-0.5.0}/PKG-INFO

@@ -1,17 +1,17 @@
 Metadata-Version: 2.4
 Name: amrita_plugin_memory
-Version: 0.4.1
+Version: 0.5.0
 Summary: Amrita长期记忆插件
 Requires-Python: <3.14,>=3.10
 Description-Content-Type: text/markdown
 License-File: LICENSE
 Requires-Dist: aiohttp>=3.13.3
 Requires-Dist: aiologic>=0.16.0
-Requires-Dist: amrita-core>=0.8.5
-Requires-Dist: amrita>=1.3
+Requires-Dist: amrita-core<2.0.0,>=1.0.0
+Requires-Dist: amrita>=1.10
 Requires-Dist: chromadb>=1.5.8
 Requires-Dist: click>=8.1
-Requires-Dist: nonebot-plugin-amrita>=0.3.0
+Requires-Dist: nonebot-plugin-amrita>=0.4.0
 Requires-Dist: nonebot-plugin-apscheduler>=0.5.0
 Requires-Dist: nonebot-plugin-localstore>=0.7.4
 Requires-Dist: nonebot-plugin-orm[default]>=0.8.2
@@ -165,7 +165,7 @@ L3 在代码中沿用历史标识符 `subconscious` / `rethinking`（避免破
 | `subconscious_*` 工具             | 巩固循环工具   | —                                                |
 | 用户聊天 → `cancel_and_reschedule` | 任务负激活     | 专注任务时 DMN 被抑制                            |
 | 静默期触发 `_run`                 | 空闲时活跃     | DMN 在无任务时活跃                               |
-| 去重 / 压缩 / `MemoryLimiter`      | 记忆巩固       | 海马 → 皮层的系统巩固                            |
+| 去重 / 压缩 / `ContextCompactor`   | 记忆巩固       | 海马 → 皮层的系统巩固                            |
 | 画像构建（`*_profile`）            | 自传体记忆     | DMN 负责自我参照加工                             |
 | 主动消息（`send_to_user`）         | 心智游移       | 走神产生与自我相关的念头                         |
 | 每轮数万 tokens                    | 静息高能耗     | DMN 占脑能耗约 20%                               |
@@ -287,7 +287,7 @@ $$\text{delay} = \min(\text{base} \times \text{multiplier}^{\text{penalty}-1},\
 | 阶段           | 内容                                                       |
 | -------------- | ---------------------------------------------------------- |
 | 状态加载       | 从 `SubconsciousState` 表恢复 `total_runs` / 摘要窗口      |
-| 记忆限幅       | Core `MemoryLimiter` 截断超限消息并生成摘要                |
+| 记忆限幅       | Core `ContextCompactor` 截断超限消息并生成摘要             |
 | ReAct 循环     | Agent 调用 `subconscious_*` 工具执行整理                   |
 | 后处理         | 更新全局 usage、持久化元状态、重置惩罚、调度下次运行       |
 
@@ -304,12 +304,13 @@ $$\text{delay} = \min(\text{base} \times \text{multiplier}^{\text{penalty}-1},\
 
 ```mermaid
 flowchart TD
-    LOAD_STATE --> JINJA2_RENDER --> LIMITING_MEMORY --> BUILD_MESSAGE --> REACT_BLOCK
+    LOAD_STATE --> NORMALIZE_MESSAGES --> COMPACT_HISTORY --> JINJA2_RENDER --> BUILD_MESSAGE --> REACT_BLOCK
 ```
 
 `SubconsciousRunner` 把 ChatObject 当数据容器，注入自定义 `SubconsciousBackend`
 （隔离的工具 + memory 后端）与 Core `ReActAgentStrategy`。
-`LIMITING_MEMORY` 在 Agent Loop 前运行 Core `MemoryLimiter`。
+工作流直接复用 Core 内置的 `REACT_ONLY`，其中的 `COMPACT_HISTORY` 节点在 Agent
+Loop 前运行 Core `ContextCompactor`。压缩排在渲染之前，摘要才能进入本次请求的系统提示词。
 
 ---
 
@@ -473,7 +474,7 @@ flowchart TD
 | ---------------- | ------------------------------------------------------------ | -------------------------------------------------------------------------------------------------- |
 | L1 备忘录        | `UserMemo` 表（插件自有 ORM，主键 = uni_id）                 | LLM 维护的常驻用户元信息（≤ `memo_max_chars`）                                                     |
 | 循环元状态       | `SubconsciousState` 表（插件自有 ORM，uid=`amrita_memory`）  | `total_runs`、`last_abstracts`、`pending_messages`、`knowledge_suggestions`                        |
-| Session 摘要缓存 | `LRUCache[int, str]`（最大 128 条）                          | session DB id → LLM 生成的摘要文本，避免重复调用 MemoryLimiter                                     |
+| Session 摘要缓存 | `LRUCache[int, str]`（最大 128 条）                          | session DB id → LLM 生成的摘要文本，避免重复调用 `ContextCompactor`                                     |
 | 惩罚计数器       | 内存（不持久化）                                             | `_penalty_count`：重启后从 0 开始                                                                  |
 | L2 记忆          | ChromaDB `amrita_user_memory`                                | 向量 + documents + metadatas（含嵌入指纹与分区键版本）                                             |
 | 用户画像         | `data/amrita_plugin_memory/user_profile.md`                  | Markdown 文件，`summary---body` 格式，行级增量更新                                                 |
@@ -649,7 +650,6 @@ amrita_plugin_memory/
     ├── types.py               # TypedDict 定义
     ├── consts.py              # 默认 Prompt 模板 / ensure_prompt_file
     ├── backend.py             # SubconsciousBackend — 隔离的工具 + memory 后端
-    ├── nodes.py               # LIMITING_MEMORY 工作流节点
     ├── runner.py              # SubconsciousRunner — 核心编排器
     ├── hooks.py               # on_precompletion hook / 生命周期管理
     ├── tools.py               # 20 个巩固循环工具 handler

{amrita_plugin_memory-0.4.1 → amrita_plugin_memory-0.5.0}/README.md

@@ -146,7 +146,7 @@ L3 在代码中沿用历史标识符 `subconscious` / `rethinking`（避免破
 | `subconscious_*` 工具             | 巩固循环工具   | —                                                |
 | 用户聊天 → `cancel_and_reschedule` | 任务负激活     | 专注任务时 DMN 被抑制                            |
 | 静默期触发 `_run`                 | 空闲时活跃     | DMN 在无任务时活跃                               |
-| 去重 / 压缩 / `MemoryLimiter`      | 记忆巩固       | 海马 → 皮层的系统巩固                            |
+| 去重 / 压缩 / `ContextCompactor`   | 记忆巩固       | 海马 → 皮层的系统巩固                            |
 | 画像构建（`*_profile`）            | 自传体记忆     | DMN 负责自我参照加工                             |
 | 主动消息（`send_to_user`）         | 心智游移       | 走神产生与自我相关的念头                         |
 | 每轮数万 tokens                    | 静息高能耗     | DMN 占脑能耗约 20%                               |
@@ -268,7 +268,7 @@ $$\text{delay} = \min(\text{base} \times \text{multiplier}^{\text{penalty}-1},\
 | 阶段           | 内容                                                       |
 | -------------- | ---------------------------------------------------------- |
 | 状态加载       | 从 `SubconsciousState` 表恢复 `total_runs` / 摘要窗口      |
-| 记忆限幅       | Core `MemoryLimiter` 截断超限消息并生成摘要                |
+| 记忆限幅       | Core `ContextCompactor` 截断超限消息并生成摘要             |
 | ReAct 循环     | Agent 调用 `subconscious_*` 工具执行整理                   |
 | 后处理         | 更新全局 usage、持久化元状态、重置惩罚、调度下次运行       |
 
@@ -285,12 +285,13 @@ $$\text{delay} = \min(\text{base} \times \text{multiplier}^{\text{penalty}-1},\
 
 ```mermaid
 flowchart TD
-    LOAD_STATE --> JINJA2_RENDER --> LIMITING_MEMORY --> BUILD_MESSAGE --> REACT_BLOCK
+    LOAD_STATE --> NORMALIZE_MESSAGES --> COMPACT_HISTORY --> JINJA2_RENDER --> BUILD_MESSAGE --> REACT_BLOCK
 ```
 
 `SubconsciousRunner` 把 ChatObject 当数据容器，注入自定义 `SubconsciousBackend`
 （隔离的工具 + memory 后端）与 Core `ReActAgentStrategy`。
-`LIMITING_MEMORY` 在 Agent Loop 前运行 Core `MemoryLimiter`。
+工作流直接复用 Core 内置的 `REACT_ONLY`，其中的 `COMPACT_HISTORY` 节点在 Agent
+Loop 前运行 Core `ContextCompactor`。压缩排在渲染之前，摘要才能进入本次请求的系统提示词。
 
 ---
 
@@ -454,7 +455,7 @@ flowchart TD
 | ---------------- | ------------------------------------------------------------ | -------------------------------------------------------------------------------------------------- |
 | L1 备忘录        | `UserMemo` 表（插件自有 ORM，主键 = uni_id）                 | LLM 维护的常驻用户元信息（≤ `memo_max_chars`）                                                     |
 | 循环元状态       | `SubconsciousState` 表（插件自有 ORM，uid=`amrita_memory`）  | `total_runs`、`last_abstracts`、`pending_messages`、`knowledge_suggestions`                        |
-| Session 摘要缓存 | `LRUCache[int, str]`（最大 128 条）                          | session DB id → LLM 生成的摘要文本，避免重复调用 MemoryLimiter                                     |
+| Session 摘要缓存 | `LRUCache[int, str]`（最大 128 条）                          | session DB id → LLM 生成的摘要文本，避免重复调用 `ContextCompactor`                                     |
 | 惩罚计数器       | 内存（不持久化）                                             | `_penalty_count`：重启后从 0 开始                                                                  |
 | L2 记忆          | ChromaDB `amrita_user_memory`                                | 向量 + documents + metadatas（含嵌入指纹与分区键版本）                                             |
 | 用户画像         | `data/amrita_plugin_memory/user_profile.md`                  | Markdown 文件，`summary---body` 格式，行级增量更新                                                 |
@@ -630,7 +631,6 @@ amrita_plugin_memory/
     ├── types.py               # TypedDict 定义
     ├── consts.py              # 默认 Prompt 模板 / ensure_prompt_file
     ├── backend.py             # SubconsciousBackend — 隔离的工具 + memory 后端
-    ├── nodes.py               # LIMITING_MEMORY 工作流节点
     ├── runner.py              # SubconsciousRunner — 核心编排器
     ├── hooks.py               # on_precompletion hook / 生命周期管理
     ├── tools.py               # 20 个巩固循环工具 handler

{amrita_plugin_memory-0.4.1 → amrita_plugin_memory-0.5.0}/amrita_plugin_memory/rethinking/__init__.py

@@ -1,12 +1,11 @@
 """潜意识推理循环（rethinking）"""
 
-from . import _state, backend, hooks, nodes, schemas, tools
+from . import _state, backend, hooks, schemas, tools
 
 __all__ = [
     "_state",
     "backend",
     "hooks",
-    "nodes",
     "schemas",
     "tools",
 ]

{amrita_plugin_memory-0.4.1 → amrita_plugin_memory-0.5.0}/amrita_plugin_memory/rethinking/runner.py

@@ -12,13 +12,12 @@ from amrita.plugins.chat.utils.libchat import add_usage
 from amrita_core import SuspendObjectStream
 from amrita_core.base.backend import BackendSlots
 from amrita_core.builtins.agent import ReActAgentStrategy
-from amrita_core.builtins.workflows import REACT_BLOCK
+from amrita_core.builtins.workflows import REACT_ONLY
 from amrita_core.chatmanager import ChatObject
-from amrita_core.components.llm import JINJA2_RENDER
-from amrita_core.components.process import BUILD_MESSAGE, LOAD_STATE
+from amrita_core.components.compaction import ContextCompactor
 from amrita_core.config import AmritaConfig, get_config
 from amrita_core.preset import ModelPreset
-from amrita_core.types import Message, UniResponseUsage
+from amrita_core.types import CONTENT_LIST_TYPE, Message, UniResponseUsage
 from amrita_core.utils import gather_usage
 from jinja2 import Template
 from nonebot import logger
@@ -44,7 +43,6 @@ from .consts import (
     load_character_prompt,
 )
 from .knowledge import KnowledgeBaseManager
-from .nodes import LIMITING_MEMORY
 from .types import ProfileResult, SessionSummary
 
 _STATE_UID = "amrita_memory"
@@ -52,10 +50,8 @@ _LEGACY_REPO_UID = (
     "amrita_memory"  # 旧版本元状态占用的 Bot Memory 表 uid（仅用于升级迁移）
 )
 
-# 工作流 = 加载状态 -> Jinja2 渲染 -> 记忆限幅 -> 构建消息 -> ReAct 循环
-_WORKFLOW = (
-    LOAD_STATE >> JINJA2_RENDER >> LIMITING_MEMORY >> BUILD_MESSAGE >> REACT_BLOCK
-).render()
+# 工作流 = Core 内置 REACT_ONLY（已包含上下文压缩节点），不再自建
+_WORKFLOW = REACT_ONLY.render()
 
 
 async def _ign_cb(*_, **__): ...
@@ -65,8 +61,8 @@ class SubconsciousRunner:
     """常驻推理循环运行器。
 
     使用 ChatObject 作为数据容器 + 标准 Agent 框架（ReActAgentStrategy）。
-    LIMITING_MEMORY 节点在 Agent Loop 之前运行 MemoryLimiter 压缩会话消息。
-    元状态持久化使用独立的 SubconsciousState 表。
+    工作流直接复用 Core 的 REACT_ONLY，其中的 COMPACT_HISTORY 节点在 Agent
+    Loop 之前压缩会话消息。元状态持久化使用独立的 SubconsciousState 表。
     """
 
     def __init__(self, config: SubconsciousConfig) -> None:
@@ -91,7 +87,7 @@ class SubconsciousRunner:
         """构建自定义 AmritaConfig —— 从全局拷贝并覆写本插件关心的字段。"""
         cfg = get_config().model_copy(deep=True)
         cfg.builtin.loop_reasoning_trigger = self._config.loop_detect_threshold
-        cfg.llm.enable_memory_abstract = self._config.enable_memory_compress
+        cfg.llm.enable_compaction = self._config.enable_memory_compress
         return cfg
 
     async def start(self) -> None:
@@ -195,7 +191,7 @@ class SubconsciousRunner:
         finally:
             self._chat_obj = None
 
-        # MemoryLimiter 在 workflow 中已经产出 chat_obj._di_memory.memory.abstract
+        # 压缩节点已在 workflow 中把摘要写入 chat_obj._di_memory.memory.abstract
         await self._post_process(chat_obj)
 
     @staticmethod
@@ -210,7 +206,7 @@ class SubconsciousRunner:
         # 1. 更新全局 usage（复用 Bot 的 InsightsModel 统计）
         await self._update_global_usage(chat_obj)
 
-        # 2. 提取 MemoryLimiter 产出的摘要
+        # 2. 提取压缩节点产出的摘要
         mem = chat_obj._di_memory.memory
         if mem is not None and mem.abstract:
             self._last_abstracts.append(mem.abstract)
@@ -246,7 +242,7 @@ class SubconsciousRunner:
         """更新全局 InsightsModel usage，复用 Bot 的 add_usage 逻辑。
 
         chat_obj._di_resp.response 是 LLM 最终返回的 UniResponse，
-        chat_obj._di_resp.extra_usage 是 MemoryLimiter 等组件累积的额外 token。
+        chat_obj._di_resp.extra_usage 是压缩等组件累积的额外 token。
         """
         try:
             resp_state = chat_obj._di_resp
@@ -480,10 +476,7 @@ class SubconsciousRunner:
             return []
 
     async def _summarize_session(self, session: MemorySessionsSchema) -> str:
-        """用 MemoryLimiter 生成单个 session 的全会话摘要。"""
-        from amrita_core.chatmanager.memory_limiter import MemoryLimiter
-        from amrita_core.types import MemoryModel
-
+        """用 Core 的 ContextCompactor 生成单个 session 的全会话摘要。"""
         data = session.data
         if data is None:
             return "空会话"
@@ -498,24 +491,13 @@ class SubconsciousRunner:
         except (ValueError, OSError):
             date_str = str(created_at)
 
-        memory = MemoryModel(messages=[], abstract="")
-        for m in raw_messages:
-            if isinstance(m, dict):
-                memory.messages.append(Message.model_validate(m))
-
-        async with MemoryLimiter(
-            memory,
-            Message(role="system", content=""),
-        ) as lim:
-            # 把所有消息放入 dropped_part -> 触发全量摘要
-            lim._dropped_messages = list(memory.messages)
-            memory.messages = []
-            await lim._make_abstract()
-            return (
-                f"[{date_str}] {memory.abstract}"
-                if memory.abstract
-                else f"[{date_str}] 无法生成摘要"
-            )
+        messages: CONTENT_LIST_TYPE = [
+            Message.model_validate(m) for m in raw_messages if isinstance(m, dict)
+        ]
+        if not messages:
+            return "空会话"
+        abstract = await ContextCompactor(config=get_config()).summarize(messages)
+        return f"[{date_str}] {abstract}" if abstract else f"[{date_str}] 无法生成摘要"
 
     async def _read_profile(
         self, start_line: int | None = None, end_line: int | None = None

{amrita_plugin_memory-0.4.1 → amrita_plugin_memory-0.5.0}/amrita_plugin_memory.egg-info/PKG-INFO

@@ -1,17 +1,17 @@
 Metadata-Version: 2.4
 Name: amrita_plugin_memory
-Version: 0.4.1
+Version: 0.5.0
 Summary: Amrita长期记忆插件
 Requires-Python: <3.14,>=3.10
 Description-Content-Type: text/markdown
 License-File: LICENSE
 Requires-Dist: aiohttp>=3.13.3
 Requires-Dist: aiologic>=0.16.0
-Requires-Dist: amrita-core>=0.8.5
-Requires-Dist: amrita>=1.3
+Requires-Dist: amrita-core<2.0.0,>=1.0.0
+Requires-Dist: amrita>=1.10
 Requires-Dist: chromadb>=1.5.8
 Requires-Dist: click>=8.1
-Requires-Dist: nonebot-plugin-amrita>=0.3.0
+Requires-Dist: nonebot-plugin-amrita>=0.4.0
 Requires-Dist: nonebot-plugin-apscheduler>=0.5.0
 Requires-Dist: nonebot-plugin-localstore>=0.7.4
 Requires-Dist: nonebot-plugin-orm[default]>=0.8.2
@@ -165,7 +165,7 @@ L3 在代码中沿用历史标识符 `subconscious` / `rethinking`（避免破
 | `subconscious_*` 工具             | 巩固循环工具   | —                                                |
 | 用户聊天 → `cancel_and_reschedule` | 任务负激活     | 专注任务时 DMN 被抑制                            |
 | 静默期触发 `_run`                 | 空闲时活跃     | DMN 在无任务时活跃                               |
-| 去重 / 压缩 / `MemoryLimiter`      | 记忆巩固       | 海马 → 皮层的系统巩固                            |
+| 去重 / 压缩 / `ContextCompactor`   | 记忆巩固       | 海马 → 皮层的系统巩固                            |
 | 画像构建（`*_profile`）            | 自传体记忆     | DMN 负责自我参照加工                             |
 | 主动消息（`send_to_user`）         | 心智游移       | 走神产生与自我相关的念头                         |
 | 每轮数万 tokens                    | 静息高能耗     | DMN 占脑能耗约 20%                               |
@@ -287,7 +287,7 @@ $$\text{delay} = \min(\text{base} \times \text{multiplier}^{\text{penalty}-1},\
 | 阶段           | 内容                                                       |
 | -------------- | ---------------------------------------------------------- |
 | 状态加载       | 从 `SubconsciousState` 表恢复 `total_runs` / 摘要窗口      |
-| 记忆限幅       | Core `MemoryLimiter` 截断超限消息并生成摘要                |
+| 记忆限幅       | Core `ContextCompactor` 截断超限消息并生成摘要             |
 | ReAct 循环     | Agent 调用 `subconscious_*` 工具执行整理                   |
 | 后处理         | 更新全局 usage、持久化元状态、重置惩罚、调度下次运行       |
 
@@ -304,12 +304,13 @@ $$\text{delay} = \min(\text{base} \times \text{multiplier}^{\text{penalty}-1},\
 
 ```mermaid
 flowchart TD
-    LOAD_STATE --> JINJA2_RENDER --> LIMITING_MEMORY --> BUILD_MESSAGE --> REACT_BLOCK
+    LOAD_STATE --> NORMALIZE_MESSAGES --> COMPACT_HISTORY --> JINJA2_RENDER --> BUILD_MESSAGE --> REACT_BLOCK
 ```
 
 `SubconsciousRunner` 把 ChatObject 当数据容器，注入自定义 `SubconsciousBackend`
 （隔离的工具 + memory 后端）与 Core `ReActAgentStrategy`。
-`LIMITING_MEMORY` 在 Agent Loop 前运行 Core `MemoryLimiter`。
+工作流直接复用 Core 内置的 `REACT_ONLY`，其中的 `COMPACT_HISTORY` 节点在 Agent
+Loop 前运行 Core `ContextCompactor`。压缩排在渲染之前，摘要才能进入本次请求的系统提示词。
 
 ---
 
@@ -473,7 +474,7 @@ flowchart TD
 | ---------------- | ------------------------------------------------------------ | -------------------------------------------------------------------------------------------------- |
 | L1 备忘录        | `UserMemo` 表（插件自有 ORM，主键 = uni_id）                 | LLM 维护的常驻用户元信息（≤ `memo_max_chars`）                                                     |
 | 循环元状态       | `SubconsciousState` 表（插件自有 ORM，uid=`amrita_memory`）  | `total_runs`、`last_abstracts`、`pending_messages`、`knowledge_suggestions`                        |
-| Session 摘要缓存 | `LRUCache[int, str]`（最大 128 条）                          | session DB id → LLM 生成的摘要文本，避免重复调用 MemoryLimiter                                     |
+| Session 摘要缓存 | `LRUCache[int, str]`（最大 128 条）                          | session DB id → LLM 生成的摘要文本，避免重复调用 `ContextCompactor`                                     |
 | 惩罚计数器       | 内存（不持久化）                                             | `_penalty_count`：重启后从 0 开始                                                                  |
 | L2 记忆          | ChromaDB `amrita_user_memory`                                | 向量 + documents + metadatas（含嵌入指纹与分区键版本）                                             |
 | 用户画像         | `data/amrita_plugin_memory/user_profile.md`                  | Markdown 文件，`summary---body` 格式，行级增量更新                                                 |
@@ -649,7 +650,6 @@ amrita_plugin_memory/
     ├── types.py               # TypedDict 定义
     ├── consts.py              # 默认 Prompt 模板 / ensure_prompt_file
     ├── backend.py             # SubconsciousBackend — 隔离的工具 + memory 后端
-    ├── nodes.py               # LIMITING_MEMORY 工作流节点
     ├── runner.py              # SubconsciousRunner — 核心编排器
     ├── hooks.py               # on_precompletion hook / 生命周期管理
     ├── tools.py               # 20 个巩固循环工具 handler

{amrita_plugin_memory-0.4.1 → amrita_plugin_memory-0.5.0}/amrita_plugin_memory.egg-info/SOURCES.txt

@@ -26,7 +26,6 @@ amrita_plugin_memory/rethinking/backend.py
 amrita_plugin_memory/rethinking/consts.py
 amrita_plugin_memory/rethinking/hooks.py
 amrita_plugin_memory/rethinking/knowledge.py
-amrita_plugin_memory/rethinking/nodes.py
 amrita_plugin_memory/rethinking/runner.py
 amrita_plugin_memory/rethinking/schemas.py
 amrita_plugin_memory/rethinking/tools.py

{amrita_plugin_memory-0.4.1 → amrita_plugin_memory-0.5.0}/amrita_plugin_memory.egg-info/requires.txt

@@ -1,10 +1,10 @@
 aiohttp>=3.13.3
 aiologic>=0.16.0
-amrita-core>=0.8.5
-amrita>=1.3
+amrita-core<2.0.0,>=1.0.0
+amrita>=1.10
 chromadb>=1.5.8
 click>=8.1
-nonebot-plugin-amrita>=0.3.0
+nonebot-plugin-amrita>=0.4.0
 nonebot-plugin-apscheduler>=0.5.0
 nonebot-plugin-localstore>=0.7.4
 nonebot-plugin-orm[default]>=0.8.2

{amrita_plugin_memory-0.4.1 → amrita_plugin_memory-0.5.0}/pyproject.toml

@@ -1,15 +1,15 @@
 [project]
 name = "amrita_plugin_memory"
 description = "Amrita长期记忆插件"
-version = "0.4.1"
+version = "0.5.0"
 dependencies = [
     "aiohttp>=3.13.3",
     "aiologic>=0.16.0",
-    "amrita-core>=0.8.5",
-    "amrita>=1.3",
+    "amrita-core>=1.0.0,<2.0.0",
+    "amrita>=1.10",
     "chromadb>=1.5.8",
     "click>=8.1",
-    "nonebot-plugin-amrita>=0.3.0",
+    "nonebot-plugin-amrita>=0.4.0",
     "nonebot-plugin-apscheduler>=0.5.0",
     "nonebot-plugin-localstore>=0.7.4",
     "nonebot-plugin-orm[default]>=0.8.2",

amrita_plugin_memory-0.4.1/amrita_plugin_memory/rethinking/nodes.py

@@ -1,27 +0,0 @@
-"""工作流 Node — 复用 Core Agent 框架。"""
-
-from amrita_core.chatmanager import ChatObject
-from amrita_core.chatmanager.memory_limiter import MemoryLimiter
-from amrita_core.utils import gather_usage
-from amrita_sense import Node
-
-
-@Node(tag="subconscious_limiting_memory")
-async def LIMITING_MEMORY(chat_obj: ChatObject) -> None:
-    """运行 Core MemoryLimiter — 截断超限消息并生成摘要。
-
-    等价于 chat_object.py 的 _limiting_memory，去掉了 SuspendEnum 暂停机制
-    （因为我们不使用 ChatObject 的流式暂停）。
-    """
-    mem_ctx = chat_obj._di_memory
-    input_ctx = chat_obj._di_input
-    ab = chat_obj._di_ability
-    resp = chat_obj._di_resp
-    if not ab.config.llm.enable_memory_abstract:
-        return
-    assert mem_ctx.memory is not None, "Memory must be loaded before limiting"
-    async with MemoryLimiter(mem_ctx.memory, input_ctx.train, config=ab.config) as lim:
-        await lim.run_enforce()
-        if abs_usage := lim.usage:
-            resp.extra_usage = gather_usage(resp.extra_usage, abs_usage)
-        mem_ctx.memory = lim.memory