mem1 0.0.9__tar.gz → 0.1.1__tar.gz

{mem1-0.0.9 → mem1-0.1.1}/.env.example

@@ -19,7 +19,7 @@
 MEM1_LLM_API_KEY=your-api-key
 MEM1_LLM_BASE_URL=https://api.deepseek.com
 MEM1_LLM_MODEL=deepseek-chat
-MEM1_LLM_TEMPERATURE=0.7
+MEM1_LLM_TEMPERATURE=0.2
 
 # ES 配置（必填）
 MEM1_ES_HOSTS=http://localhost:9200

{mem1-0.0.9 → mem1-0.1.1}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.4
 Name: mem1
-Version: 0.0.9
+Version: 0.1.1
 Summary: 基于云服务的用户记忆系统
 Project-URL: Homepage, https://github.com/sougannkyou/mem1
 Project-URL: Repository, https://github.com/sougannkyou/mem1
@@ -239,14 +239,24 @@ def search_memory(start_days: int, end_days: int) -> str:
 使用 `get_context()` 获取上下文后，建议在 system prompt 中加入以下规则，避免 LLM 编造信息：
 
 ```
-## 重要规则
-1. 回答必须基于上述对话记录中的实际内容，严禁编造任何信息
-2. 涉及数字（金额、数量、百分比、日期等）时，必须从对话记录中原样提取，不得估算或编造
-3. 需要汇总累加时，必须列出计算过程（如：23+31+18+25=97）
-4. 涉及人名、公司名、账号名等实体时，必须使用对话中的原始名称
-5. 如果对话记录中没有相关信息，请明确说"对话记录中未提及"，不要猜测
+## 严格规则（违反将被标记为错误）
+1. 禁止编造任何未在对话记录中出现的信息
+2. 涉及时间/日期时，必须从对话记录中原样引用，不得推测
+3. 如果对话记录中没有明确的时间信息，回答"对话记录中未提及具体时间"
+4. 需要引用数据时，必须标注来源（如：根据 [对话-003] 的记录）
+5. 涉及数字（金额、数量、百分比等）时，必须从对话记录中原样提取，不得估算
+6. 需要汇总累加时，必须列出计算过程（如：23+31+18+25=97）
+7. 涉及人名、公司名、账号名等实体时，必须使用对话中的原始名称
 ```
 
+**对话记录格式说明**：
+- 每条对话都有唯一 ID，格式为 `[对话-001]`、`[对话-002]` 等
+- 回答时引用对话 ID 可提高可信度，如："根据 [对话-003] 的记录，本月处理了97起舆情"
+
+**推荐配置**：
+- `MEM1_LLM_TEMPERATURE=0.2`（降低创造性，减少编造）
+- `MEM1_CONTEXT_DAYS_LIMIT=7`（缩小检索范围，提高精准度）
+
 ## 设计决策：为什么不用向量数据库
 
 mem1 选择 ES 时间范围检索而非 Milvus/Pinecone 等向量数据库，核心原因是**对话记忆需要上下文连续性**：

{mem1-0.0.9 → mem1-0.1.1}/README.md

@@ -214,14 +214,24 @@ def search_memory(start_days: int, end_days: int) -> str:
 使用 `get_context()` 获取上下文后，建议在 system prompt 中加入以下规则，避免 LLM 编造信息：
 
 ```
-## 重要规则
-1. 回答必须基于上述对话记录中的实际内容，严禁编造任何信息
-2. 涉及数字（金额、数量、百分比、日期等）时，必须从对话记录中原样提取，不得估算或编造
-3. 需要汇总累加时，必须列出计算过程（如：23+31+18+25=97）
-4. 涉及人名、公司名、账号名等实体时，必须使用对话中的原始名称
-5. 如果对话记录中没有相关信息，请明确说"对话记录中未提及"，不要猜测
+## 严格规则（违反将被标记为错误）
+1. 禁止编造任何未在对话记录中出现的信息
+2. 涉及时间/日期时，必须从对话记录中原样引用，不得推测
+3. 如果对话记录中没有明确的时间信息，回答"对话记录中未提及具体时间"
+4. 需要引用数据时，必须标注来源（如：根据 [对话-003] 的记录）
+5. 涉及数字（金额、数量、百分比等）时，必须从对话记录中原样提取，不得估算
+6. 需要汇总累加时，必须列出计算过程（如：23+31+18+25=97）
+7. 涉及人名、公司名、账号名等实体时，必须使用对话中的原始名称
 ```
 
+**对话记录格式说明**：
+- 每条对话都有唯一 ID，格式为 `[对话-001]`、`[对话-002]` 等
+- 回答时引用对话 ID 可提高可信度，如："根据 [对话-003] 的记录，本月处理了97起舆情"
+
+**推荐配置**：
+- `MEM1_LLM_TEMPERATURE=0.2`（降低创造性，减少编造）
+- `MEM1_CONTEXT_DAYS_LIMIT=7`（缩小检索范围，提高精准度）
+
 ## 设计决策：为什么不用向量数据库
 
 mem1 选择 ES 时间范围检索而非 Milvus/Pinecone 等向量数据库，核心原因是**对话记忆需要上下文连续性**：

{mem1-0.0.9 → mem1-0.1.1}/mem1/__init__.py

@@ -3,7 +3,7 @@ Mem1 - 用户记忆系统（支持可插拔存储后端）
 """
 import logging
 
-__version__ = "0.0.9"
+__version__ = "0.1.1"
 
 # 屏蔽第三方库的详细日志（必须在导入前设置）
 logging.getLogger("elastic_transport").setLevel(logging.WARNING)

{mem1-0.0.9 → mem1-0.1.1}/mem1/memory.py

@@ -546,13 +546,14 @@ class Mem1Memory:
         return summary
     
     def _format_conversations_for_llm(self, conversations: List[Dict[str, Any]]) -> str:
-        """格式化对话记录为文本"""
+        """格式化对话记录为文本（带引用 ID）"""
         output = []
-        for conv in conversations:
+        for idx, conv in enumerate(conversations, start=1):
+            conv_id = f"对话-{idx:03d}"  # 001, 002, 003...
             timestamp = conv.get("timestamp", "未知时间")
             metadata = conv.get("metadata", {})
             
-            title = f"### {timestamp}"
+            title = f"### [{conv_id}] {timestamp}"
             if metadata:
                 tags = " ".join([f"[{k}:{v}]" for k, v in metadata.items()])
                 title += f" {tags}"

{mem1-0.0.9 → mem1-0.1.1}/pyproject.toml

@@ -4,7 +4,7 @@ build-backend = "hatchling.build"
 
 [project]
 name = "mem1"
-version = "0.0.9"
+version = "0.1.1"
 description = "基于云服务的用户记忆系统"
 authors = [
     { name = "Song" }