weijie-codeagent 0.1.0__py3-none-any.whl

codeagent/__init__.py

@@ -0,0 +1,2 @@
+"""CodeAgent —— CLI 编程 Agent 助手"""
+__version__ = "0.1.0"

codeagent/config.py

@@ -0,0 +1,79 @@
+"""
+config.py —— pydantic-settings 配置管理（Phase 4 升级版）
+
+env 文件加载优先级（后者覆盖前者）：
+  1. ~/.codeagent/.env  （用户全局配置）
+  2. .env               （项目本地配置，最高优先级）
+"""
+import os
+from pathlib import Path
+from pydantic_settings import BaseSettings, SettingsConfigDict
+from langchain_openai import ChatOpenAI
+
+# 用户全局配置路径
+_USER_ENV = Path.home() / ".codeagent" / ".env"
+_LOCAL_ENV = Path(".env")
+
+# 收集存在的 env 文件（按优先级从低到高）
+_ENV_FILES: list[str] = []
+if _USER_ENV.exists():
+    _ENV_FILES.append(str(_USER_ENV))
+if _LOCAL_ENV.exists():
+    _ENV_FILES.append(str(_LOCAL_ENV))
+if not _ENV_FILES:
+    _ENV_FILES = [".env"]  # 回退，让 pydantic-settings 自行处理
+
+
+class Settings(BaseSettings):
+    PROJECT_NAME: str = "CodeAgent"
+
+    # LLM（火山引擎 Ark，OpenAI 兼容）
+    LLM_API_KEY: str = os.getenv("LLM_API_KEY", "")
+    LLM_BASE_URL: str = os.getenv("LLM_BASE_URL", "https://ark.cn-beijing.volces.com/api/coding/v3")
+    LLM_MODEL: str = os.getenv("LLM_MODEL", "deepseek-v3.2")
+
+    # Embedding（Phase 2 启用）
+    EMBEDDING_MODEL: str = os.getenv("EMBEDDING_MODEL", "doubao-embedding-vision-250615")
+    EMBEDDING_BASE_URL: str = os.getenv("EMBEDDING_BASE_URL", "https://ark.cn-beijing.volces.com/api/v3")
+    EMBEDDING_API_KEY: str = os.getenv("EMBEDDING_API_KEY", "")
+
+    # 存储
+    VECTOR_BACKEND: str = os.getenv("VECTOR_BACKEND", "qdrant")
+    DB_URL: str = os.getenv("DB_URL", "sqlite:///./codeagent.db")
+
+    # 记忆窗口
+    WINDOW_SIZE: int = int(os.getenv("WINDOW_SIZE", "10"))
+
+    # Qdrant
+    QDRANT_URL: str = os.getenv("QDRANT_URL", "http://localhost:6333")
+
+    # Shell 沙箱
+    WORKSPACE_DIR: str = os.getenv("WORKSPACE_DIR", ".")
+    SHELL_SANDBOX: str = os.getenv("SHELL_SANDBOX", "subprocess")
+
+    # 重试
+    LLM_MAX_RETRIES: int = int(os.getenv("LLM_MAX_RETRIES", "3"))
+
+    model_config = SettingsConfigDict(
+        env_file=_ENV_FILES,  # type: ignore[arg-type]
+        extra="ignore",
+    )
+
+    @property
+    def embedding_api_key(self) -> str:
+        return self.EMBEDDING_API_KEY or self.LLM_API_KEY
+
+
+settings = Settings()
+
+
+def get_llm(streaming: bool = False) -> ChatOpenAI:
+    return ChatOpenAI(
+        api_key=settings.LLM_API_KEY,
+        base_url=settings.LLM_BASE_URL,
+        model=settings.LLM_MODEL,
+        temperature=0.3,
+        max_tokens=4096,
+        streaming=streaming,
+        max_retries=settings.LLM_MAX_RETRIES,
+    )

codeagent/graph/builder.py

@@ -0,0 +1,77 @@
+"""
+builder.py —— LangGraph 图构建（Phase 3 版）
+
+图结构：
+  START
+    → context_loader
+    → intent_router
+    →(条件) code_agent | task_decomposer | context_qa
+    → (code/decompose 后) reflection
+    →(条件) code_agent | task_decomposer | memory_writer  ← revision 或直接结束
+    → (context_qa 后) memory_writer
+    → END
+"""
+from langgraph.graph import StateGraph, START, END
+from langgraph.checkpoint.memory import MemorySaver
+
+from codeagent.graph.state import AgentState
+from codeagent.graph.nodes.context_loader import context_loader_node
+from codeagent.graph.nodes.intent_router import intent_router_node, route_by_intent
+from codeagent.graph.nodes.code_agent import code_agent_node
+from codeagent.graph.nodes.task_decomposer import task_decomposer_node
+from codeagent.graph.nodes.context_qa import context_qa_node
+from codeagent.graph.nodes.reflection import reflection_node, route_after_reflection
+from codeagent.graph.nodes.memory_writer import memory_writer_node
+
+
+def build_graph():
+    builder = StateGraph(AgentState)
+
+    # ── 注册节点 ──────────────────────────────────
+    builder.add_node("context_loader",   context_loader_node)
+    builder.add_node("intent_router",    intent_router_node)
+    builder.add_node("code_agent",       code_agent_node)
+    builder.add_node("task_decomposer",  task_decomposer_node)
+    builder.add_node("context_qa",       context_qa_node)
+    builder.add_node("reflection",       reflection_node)
+    builder.add_node("memory_writer",    memory_writer_node)
+
+    # ── 固定边 ────────────────────────────────────
+    builder.add_edge(START, "context_loader")
+    builder.add_edge("context_loader", "intent_router")
+
+    # code / decompose → reflection（Reflection 节点内部决定是否真正执行）
+    builder.add_edge("code_agent",      "reflection")
+    builder.add_edge("task_decomposer", "reflection")
+
+    # context_qa 直接跳过 reflection
+    builder.add_edge("context_qa", "memory_writer")
+    builder.add_edge("memory_writer", END)
+
+    # ── 意图路由：intent_router → 各 Agent ─────────
+    builder.add_conditional_edges(
+        "intent_router",
+        route_by_intent,
+        {
+            "code_agent":      "code_agent",
+            "task_decomposer": "task_decomposer",
+            "context_qa":      "context_qa",
+        },
+    )
+
+    # ── Reflection 后路由：通过/重试/结束 ───────────
+    builder.add_conditional_edges(
+        "reflection",
+        route_after_reflection,
+        {
+            "code_agent":      "code_agent",
+            "task_decomposer": "task_decomposer",
+            "memory_writer":   "memory_writer",
+        },
+    )
+
+    checkpointer = MemorySaver()
+    return builder.compile(checkpointer=checkpointer)
+
+
+graph = build_graph()

codeagent/graph/nodes/code_agent.py

@@ -0,0 +1,152 @@
+"""
+code_agent —— 代码生成节点（Phase 4 升级版）
+
+变更：
+- 集成工具调用（bind_tools + ToolMessage 循环，最多 3 轮）
+- revision 模式保留
+"""
+import json
+from langchain_core.prompts import ChatPromptTemplate
+from langchain_core.messages import HumanMessage, AIMessage, ToolMessage
+from codeagent.graph.state import AgentState
+from codeagent.config import get_llm
+from codeagent.tools import all_tools
+
+_TOOL_MAP = {t.name: t for t in all_tools}
+_MAX_TOOL_ROUNDS = 3
+
+# ── 正常生成 ──────────────────────────────────────────────────────────────────
+
+_CODE_SYSTEM = """\
+你是一个专业的编程助手。根据用户请求生成高质量的代码。
+
+你可以调用以下工具来辅助完成任务：
+文件读写：
+- read_file(path): 读取工作目录内的文件
+- write_file(path, content): 写入文件（整体覆盖）
+- list_dir(path): 列出目录内容
+精确编辑（优先用这些替代 write_file）：
+- apply_diff(path, diff_content): 应用 unified diff 补丁，精确修改文件局部
+- search_and_replace(path, old_text, new_text, use_regex): 搜索并替换文本
+- insert_content(path, insert_after_line, content): 在指定行号后插入内容
+搜索：
+- search_files(query, file_pattern, case_sensitive): 多策略搜索（git grep/rg/Python）
+- search_code(pattern, file_glob): 正则搜索代码文件
+执行与追踪：
+- run_shell(command): 在沙箱内执行命令（危险命令会被拦截）
+- update_todos(action, content, todo_id): 管理任务列表（add/list/complete/remove/clear）
+- use_mcp_tool(server_name, tool_name, arguments): 调用外部 MCP 工具服务器
+
+要求：
+1. 代码完整、可直接运行
+2. 使用正确的代码块标记（```python / ```javascript 等）
+3. 代码前后用一两句话说明思路或注意事项
+4. 需要时先调用工具了解项目结构，再生成代码
+
+── 历史摘要 ──────────────────────
+{long_term_summary}
+
+── 相关记忆 ──────────────────────
+{retrieved_memory}
+
+── 近期对话 ──────────────────────
+{context}
+"""
+
+# ── Revision 模式 ─────────────────────────────────────────────────────────────
+
+_REVISION_SYSTEM = """\
+你是一个专业的编程助手。你的上一次代码输出收到了审查反馈，请根据反馈进行修正。
+
+审查反馈（请重点修正这些问题）：
+{reflection_feedback}
+
+你的原始输出：
+{previous_response}
+
+请修正上述问题并输出完整的最终版本。
+你可以调用工具（read_file / run_shell 等）来验证修正结果。
+"""
+
+
+def _fmt_context(short_term: list) -> str:
+    if not short_term:
+        return "（无）"
+    return "\n".join(
+        f"{m['role'].upper()}: {m['content'][:300]}"
+        for m in short_term[-6:]
+    )
+
+
+def _run_tool(tool_call: dict) -> str:
+    """执行单个工具调用，返回结果字符串"""
+    name = tool_call.get("name", "")
+    args = tool_call.get("args", {})
+    tool_fn = _TOOL_MAP.get(name)
+    if tool_fn is None:
+        return f"未知工具：{name}"
+    try:
+        return str(tool_fn.invoke(args))
+    except Exception as e:
+        return f"工具执行失败：{e}"
+
+
+def _tool_loop(llm_with_tools, messages: list) -> str:
+    """执行 LLM + 工具调用循环，最多 _MAX_TOOL_ROUNDS 轮，返回最终文本响应"""
+    for _ in range(_MAX_TOOL_ROUNDS):
+        response = llm_with_tools.invoke(messages)
+        tool_calls = getattr(response, "tool_calls", None)
+
+        if not tool_calls:
+            # 无工具调用，直接返回文本
+            return response.content
+
+        # 追加 AI 消息（包含 tool_calls）
+        messages.append(response)
+
+        # 执行所有工具调用，追加 ToolMessage
+        for tc in tool_calls:
+            result = _run_tool(tc)
+            messages.append(ToolMessage(content=result, tool_call_id=tc["id"]))
+
+    # 超过最大轮次：用不绑定工具的 LLM 强制生成文字总结，避免返回空内容
+    messages.append({
+        "role": "user",
+        "content": "请根据以上工具调用的结果，给出完整的分析和回答。",
+    })
+    final = get_llm().invoke(messages)
+    return final.content or "（工具调用已达到最大轮次，无法生成完整回答，请尝试更具体的问题）"
+
+
+def code_agent_node(state: AgentState) -> dict:
+    llm = get_llm()
+    llm_with_tools = llm.bind_tools(all_tools)
+    is_revision = bool(state.get("reflection_feedback"))
+
+    if is_revision:
+        system_content = _REVISION_SYSTEM.format(
+            reflection_feedback=state.get("reflection_feedback", ""),
+            previous_response=state.get("final_response", ""),
+        )
+        messages = [
+            {"role": "system", "content": system_content},
+            {"role": "user", "content": f"原始需求：{state['user_input']}"},
+        ]
+    else:
+        system_content = _CODE_SYSTEM.format(
+            long_term_summary=state.get("long_term_summary") or "（无）",
+            retrieved_memory=state.get("retrieved_memory") or "（无）",
+            context=_fmt_context(state.get("short_term", [])),
+        )
+        messages = [
+            {"role": "system", "content": system_content},
+            {"role": "user", "content": state["user_input"]},
+        ]
+
+    final_text = _tool_loop(llm_with_tools, messages)
+
+    return {
+        "final_response": final_text,
+        "response_type": "markdown",
+        "reflection_feedback": "",  # 清空，避免下轮误用
+    }

codeagent/graph/nodes/context_loader.py

@@ -0,0 +1,45 @@
+"""
+context_loader —— 上下文加载节点（Phase 2 升级版）
+
+每次对话开始时执行：
+  1. 确保 SQLite 已初始化
+  2. 加载该 thread_id 的最新 long_term_summary
+  3. 语义检索 ChromaDB，获取 retrieved_memory（Top-3）
+  4. 若 short_term 为空，从 SQLite 恢复最近 N 条消息
+"""
+from langchain_core.runnables import RunnableConfig
+
+from codeagent.graph.state import AgentState
+from codeagent.memory.long_term import init_db, upsert_session, get_latest_summary, get_recent_messages
+from codeagent.memory.vector_store import retrieve_memories
+from codeagent.config import settings
+
+
+def context_loader_node(state: AgentState, config: RunnableConfig) -> dict:
+    thread_id: str = config.get("configurable", {}).get("thread_id", "default")
+
+    # 确保数据库表存在
+    init_db()
+    upsert_session(thread_id)
+
+    updates: dict = {}
+
+    # ── 1. 加载长期摘要 ────────────────────────────
+    if not state.get("long_term_summary"):
+        summary = get_latest_summary(thread_id)
+        if summary:
+            updates["long_term_summary"] = summary
+
+    # ── 2. 语义检索相关记忆 ────────────────────────
+    user_input = state.get("user_input", "")
+    if user_input:
+        retrieved = retrieve_memories(user_input, top_k=3)
+        updates["retrieved_memory"] = retrieved
+
+    # ── 3. 恢复 short_term（会话重启时） ──────────
+    if not state.get("short_term"):
+        recent = get_recent_messages(thread_id, limit=settings.WINDOW_SIZE * 2)
+        if recent:
+            updates["short_term"] = recent
+
+    return updates

codeagent/graph/nodes/context_qa.py

@@ -0,0 +1,72 @@
+"""
+context_qa —— 上下文问答节点（Phase 2 升级版）
+
+system prompt 新增三层记忆注入（同 code_agent）。
+memory 意图直接返回当前 long_term_summary 内容，让用户查看历史。
+"""
+from langchain_core.prompts import ChatPromptTemplate
+from codeagent.graph.state import AgentState
+from codeagent.config import get_llm
+
+_QA_SYSTEM = """\
+你是一个专业的编程助手，擅长解释概念、回答技术问题、提供建议。
+
+回答要求：
+1. 准确清晰，避免冗余
+2. 必要时给出代码示例
+3. 复杂概念分点说明
+
+── 历史摘要 ──────────────────────
+{long_term_summary}
+
+── 相关记忆 ──────────────────────
+{retrieved_memory}
+
+── 近期对话 ──────────────────────
+{context}
+"""
+
+_PROMPT = ChatPromptTemplate.from_messages([
+    ("system", _QA_SYSTEM),
+    ("human", "{user_input}"),
+])
+
+
+def _fmt_context(short_term: list) -> str:
+    if not short_term:
+        return "（无）"
+    return "\n".join(
+        f"{m['role'].upper()}: {m['content'][:300]}"
+        for m in short_term[-6:]
+    )
+
+
+def context_qa_node(state: AgentState) -> dict:
+    # memory 意图：展示当前长期摘要 + 相关检索片段
+    if state.get("intent") == "memory":
+        parts = []
+        summary = state.get("long_term_summary")
+        if summary:
+            parts.append(f"**长期记忆摘要：**\n\n{summary}")
+        else:
+            parts.append("**长期记忆摘要：** 暂无（对话超过 10 轮后自动生成）")
+
+        retrieved = state.get("retrieved_memory")
+        if retrieved:
+            parts.append(f"**语义检索到的相关历史：**\n\n{retrieved[:600]}")
+
+        return {
+            "final_response": "\n\n---\n\n".join(parts),
+            "response_type": "markdown",
+        }
+
+    llm = get_llm(streaming=True)
+    chain = _PROMPT | llm
+    result = chain.invoke({
+        "user_input": state["user_input"],
+        "long_term_summary": state.get("long_term_summary") or "（无）",
+        "retrieved_memory": state.get("retrieved_memory") or "（无）",
+        "context": _fmt_context(state.get("short_term", [])),
+    })
+
+    return {"final_response": result.content, "response_type": "markdown"}

codeagent/graph/nodes/intent_router.py

@@ -0,0 +1,66 @@
+"""
+intent_router —— 意图路由节点
+
+将用户输入分类为：code | decompose | qa | memory
+使用 few-shot prompt 提高分类准确性。
+"""
+from langchain_core.prompts import ChatPromptTemplate
+from codeagent.graph.state import AgentState
+from codeagent.config import get_llm
+
+_INTENT_SYSTEM = """\
+你是一个编程助手的意图分类器。将用户输入分类为以下四类之一，只输出类别名称，不要其他内容。
+
+类别定义：
+- code      ：用户想生成、解释、调试、重构具体代码片段，或需要读取/操作文件
+- decompose ：用户有复杂的编程任务（需要多步骤才能完成的项目/功能）
+- qa        ：用户在问编程概念、原理、工具用法、项目分析或寻求技术建议
+- memory    ：用户明确询问"你之前帮我做过什么"、"我们之前聊了什么"等对话历史，或要求清空记忆
+
+重要规则：
+- "查看项目/分析项目/项目功能" → code（需要读取文件）
+- "分析/解释/介绍某个概念" → qa
+- 只有用户明确问历史对话记录时才选 memory
+
+示例：
+用户：帮我写一个二分查找 → code
+用户：查看一下我的项目，分析功能 → code
+用户：帮我从零搭建一个 FastAPI + SQLAlchemy 的用户管理系统 → decompose
+用户：什么是装饰器？Python 的 GIL 是什么？ → qa
+用户：你之前帮我写过什么？上次我们聊了什么？ → memory
+用户：解释一下这段代码 → code
+用户：帮我实现一个完整的博客系统 → decompose
+"""
+
+_PROMPT = ChatPromptTemplate.from_messages([
+    ("system", _INTENT_SYSTEM),
+    ("human", "{user_input}"),
+])
+
+_VALID_INTENTS = {"code", "decompose", "qa", "memory"}
+
+
+def intent_router_node(state: AgentState) -> dict:
+    llm = get_llm()
+    chain = _PROMPT | llm
+    result = chain.invoke({"user_input": state["user_input"]})
+    content = result.content.strip().lower()
+
+    # 健壮解析：从响应中找到第一个合法意图词
+    intent = "qa"  # 默认兜底
+    for token in content.split():
+        if token in _VALID_INTENTS:
+            intent = token
+            break
+
+    return {"intent": intent}
+
+
+def route_by_intent(state: AgentState) -> str:
+    """条件边路由函数，返回下一个节点名称"""
+    intent = state.get("intent", "qa")
+    if intent == "code":
+        return "code_agent"
+    if intent == "decompose":
+        return "task_decomposer"
+    return "context_qa"

codeagent/graph/nodes/memory_writer.py

@@ -0,0 +1,71 @@
+"""
+memory_writer —— 记忆写入节点（Phase 2 升级版）
+
+每轮对话结束后执行：
+  1. 更新 short_term 滑动窗口
+  2. 将本轮消息持久化到 SQLite
+  3. 将摘要对存入 ChromaDB（用于语义检索）
+  4. 判断是否需要压缩：若 short_term 超出阈值，执行压缩
+     - 压缩结果存入 SQLite summaries 表
+     - 压缩摘要存入 ChromaDB
+     - short_term 截断到最近 3 轮（6 条）
+"""
+from langchain_core.runnables import RunnableConfig
+
+from codeagent.graph.state import AgentState
+from codeagent.config import settings
+from codeagent.memory.long_term import save_messages, save_summary, upsert_session
+from codeagent.memory.compressor import should_compress, split_for_compression, compress
+from codeagent.memory.vector_store import store_memory
+
+
+def memory_writer_node(state: AgentState, config: RunnableConfig) -> dict:
+    thread_id: str = config.get("configurable", {}).get("thread_id", "default")
+    user_input = state.get("user_input", "")
+    final_response = state.get("final_response", "")
+
+    # ── 1. 更新 short_term ────────────────────────
+    short_term = list(state.get("short_term", []))
+    short_term.append({"role": "user", "content": user_input})
+    short_term.append({"role": "assistant", "content": final_response})
+
+    # ── 2. 持久化到 SQLite ────────────────────────
+    try:
+        upsert_session(thread_id)
+        save_messages(thread_id, user_input, final_response)
+    except Exception:
+        pass
+
+    # ── 3. 存入向量库（本轮摘要对）─────────────
+    # 跳过 memory 意图的回复，避免把记忆摘要本身再存入向量库造成"套娃"
+    intent = state.get("intent", "")
+    if intent != "memory":
+        try:
+            turn_text = f"Q: {user_input[:300]}\nA: {final_response[:300]}"
+            store_memory(thread_id, turn_text, doc_type="turn")
+        except Exception:
+            pass
+
+    # ── 4. 判断是否压缩 ────────────────────────────
+    long_term_summary = state.get("long_term_summary", "")
+    needs_compression = False
+
+    if should_compress(short_term):
+        old_messages, short_term = split_for_compression(short_term)
+        new_summary = compress(old_messages, long_term_summary)
+
+        long_term_summary = new_summary
+        needs_compression = True
+
+        # 持久化摘要
+        try:
+            save_summary(thread_id, new_summary)
+            store_memory(thread_id, new_summary, doc_type="summary")
+        except Exception:
+            pass
+
+    return {
+        "short_term": short_term,
+        "long_term_summary": long_term_summary,
+        "needs_compression": needs_compression,
+    }

codeagent/graph/nodes/reflection.py

@@ -0,0 +1,82 @@
+"""
+reflection.py —— Reflection 节点（Phase 3）
+
+触发条件：intent 为 code 或 decompose，且 revision_count < 1。
+判断逻辑：
+  - 调用 LLM 审查 final_response
+  - 响应以 PASS 开头 → 通过，needs_revision=False
+  - 响应以 NEEDS_REVISION 开头 → 设置反馈，needs_revision=True
+
+路由函数 route_after_reflection：
+  - needs_revision=True  → 回到 code_agent 或 task_decomposer（仅一次）
+  - needs_revision=False → 前往 memory_writer
+"""
+from langchain_core.prompts import ChatPromptTemplate
+from codeagent.graph.state import AgentState
+from codeagent.config import get_llm
+
+_REFLECTION_SYSTEM = """\
+你是一名严格的代码审查员，负责快速审查编程助手的输出质量。
+
+审查维度（仅关注明显问题，不要过度挑剔）：
+1. 代码是否有语法错误或明显的逻辑缺陷？
+2. 是否遗漏了用户明确要求的关键功能？
+3. 回答是否与用户问题严重不符？
+
+输出格式（严格遵守，只能选其一）：
+
+若输出质量合格：
+PASS
+
+若存在明显问题（不超过 3 条）：
+NEEDS_REVISION
+- 问题 1
+- 问题 2
+"""
+
+_PROMPT = ChatPromptTemplate.from_messages([
+    ("system", _REFLECTION_SYSTEM),
+    ("human", "用户需求：{user_input}\n\n助手输出：\n{response}"),
+])
+
+_REVIEWED_INTENTS = {"code", "decompose"}
+
+
+def reflection_node(state: AgentState) -> dict:
+    intent = state.get("intent", "qa")
+    revision_count = state.get("revision_count", 0)
+
+    # 不需要 reflection 的情况：直接通过
+    if intent not in _REVIEWED_INTENTS or revision_count >= 1:
+        return {"needs_revision": False, "reflection_feedback": ""}
+
+    llm = get_llm()
+    chain = _PROMPT | llm
+
+    try:
+        result = chain.invoke({
+            "user_input": state.get("user_input", ""),
+            "response": state.get("final_response", "")[:2000],  # 截断防 token 超出
+        })
+        content = result.content.strip()
+    except Exception:
+        # reflection 失败，不阻断主流程
+        return {"needs_revision": False, "reflection_feedback": ""}
+
+    if content.upper().startswith("PASS"):
+        return {"needs_revision": False, "reflection_feedback": ""}
+
+    # 提取 NEEDS_REVISION 后面的具体反馈
+    feedback = content.replace("NEEDS_REVISION", "").strip()
+    return {
+        "needs_revision": True,
+        "reflection_feedback": feedback,
+        "revision_count": revision_count + 1,
+    }
+
+
+def route_after_reflection(state: AgentState) -> str:
+    """Reflection 后的路由：需要修正 → 回原节点；否则 → memory_writer"""
+    if state.get("needs_revision"):
+        return "task_decomposer" if state.get("intent") == "decompose" else "code_agent"
+    return "memory_writer"