[INFO] 核心记忆与推理能力MVP功能定义

• 时间: 2024-12-19
• 类型: MVP规格/产品定义
• 来源: 产品落地方案
• 置信度: 9/10
• 标签: #MVP #记忆系统 #推理能力 #产品规格 #实施路线

核心价值

从无状态的问答机器人进化为有记忆、能推理的智能伙伴。

一、短期记忆工作区

What：对话上下文维护

• 维护最近 5轮对话 的完整历史
• 跟踪当前对话的主题和焦点
• 临时存储当前会话中的关键信息

Why：解决对话连贯性问题

How：技术实现

class WorkingMemoryMVP:
    def __init__(self):
        self.conversation_buffer = deque(maxlen=10)  # 5轮=10条消息
        self.current_focus = None
        self.session_data = {}

    def update_context(self, user_input, assistant_response):
        self.conversation_buffer.extend([
            {"role": "user", "content": user_input},
            {"role": "assistant", "content": assistant_response}
        ])
        self.current_focus = self.extract_key_entities(user_input)

二、长期记忆基础

What：关键信息持久化

• 用户基本资料（姓名、职业、核心偏好）
• 重要对话摘要（里程碑式交互）
• 用户明确要求记忆的信息

Why：建立个性化服务基础

• 避免每次从陌生人开始
• 积累个性化知识基础
• 提供连续一致的体验

How：技术实现

class LongTermMemoryMVP:
    def __init__(self):
        self.user_profile = {
            "basic_info": {},      # 姓名、职业
            "preferences": {},     # 沟通风格、内容偏好
            "important_facts": {}  # 用户要求记住的关键信息
        }
        self.conversation_milestones = []

    def should_remember(self, user_input):
        """记忆触发模式"""
        patterns = [
            "记住.*", "我的.*是", "我喜欢.*", "我讨厌.*",
            "我是.*", "我从事.*", "以后请.*"
        ]
        return any(re.search(pattern, user_input) for pattern in patterns)

三、基础逻辑推理

What：简单因果和条件推理

• 基于已知事实的简单推断
• 条件规则应用（如果...那么...）
• 一致性检查（检测明显矛盾）

Why：从信息检索到智能回答

How：技术实现

class BasicReasoningMVP:
    def __init__(self, memory_system):
        self.memory = memory_system
        self.rules = {
            "preference_rule": "如果用户表达过偏好，优先考虑",
            "consistency_rule": "新信息不应与已知事实矛盾",
            "context_rule": "考虑当前对话上下文"
        }

    def simple_inference(self, query, context):
        known_facts = self.memory.get_relevant_facts(query)

        # 一致性检查
        if self.has_contradiction(query, known_facts):
            return "这似乎与之前的信息有矛盾，让我们确认一下..."

        return None  # 无法推理时返回None

四、上下文感知推理

What：基于对话历史的推理

• 理解省略和指代
• 结合多轮对话信息回答问题
• 识别对话主题的演变

How：技术实现

class ContextAwareReasoning:
    def resolve_references(self, current_input, conversation_history):
        """指代解析"""
        references = {
            "这个": self.find_most_recent_entity(conversation_history),
            "那个": self.find_previous_entity(conversation_history),
            "他": self.find_recent_person(conversation_history)
        }

        resolved_input = current_input
        for ref, replacement in references.items():
            if ref in current_input and replacement:
                resolved_input = resolved_input.replace(ref, replacement)

        return resolved_input

五、MVP集成架构

系统工作流程

class AIAssistantMVP:
    def process_message(self, user_input):
        # 1. 上下文增强
        context = self.working_memory.get_conversation_context()
        resolved_input = self.reasoning_engine.resolve_references(user_input, context)

        # 2. 记忆检索
        relevant_memories = self.long_term_memory.get_relevant_memories(resolved_input)

        # 3. 推理生成
        reasoning_result = self.reasoning_engine.simple_inference(resolved_input, {
            'conversation_context': context,
            'long_term_memories': relevant_memories
        })

        # 4. 响应生成
        response = reasoning_result or self.generate_basic_response(resolved_input)

        # 5. 记忆更新
        self.working_memory.update_context(user_input, response)
        self.long_term_memory.process_for_long_term(user_input, response)

        return response

数据流

用户输入
    → 短期记忆上下文增强
    → 长期记忆相关性检索
    → 基础推理引擎处理
    → 生成响应
    → 更新记忆系统
    → 返回响应

六、MVP功能边界

包含的核心功能

明确排除的功能

七、成功指标

记忆有效性

推理质量

验证测试用例

# 测试1：指代理解
test_inputs = [
    ("我叫张三", "记住用户名"),
    ("这个方案怎么样？", "理解'这个'指代"),
]

# 测试2：简单推理
reasoning_tests = [
    ("我喜欢简洁的回答", "记住偏好"),
    ("请解释这个概念", "应用简洁偏好"),
]

八、实施路线图（8周）

九、MVP核心成就

十、与理论框架的对应

核心定位

这是让AI助理从**"无状态的问答机器"进化为"有记忆的对话伙伴"**的第一步。

关联

• 相关: INFO-20251219-040（全脑架构技术实现）
• 相关: INFO-20251219-041（全脑架构愿景）
• 相关: INFO-20251219-042（第一性原理）
• 相关: INFO-20251219-032（KIIC四维记忆模型）
• 相关: INFO-20251219-024（技术选型）
• 相关: INFO-20251219-027（商业可行性分析）
• 触发规则: -
• 待验证: 8周实施路线的可行性