有据上下文记忆
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @user_2a94830e/user-2a94830e-grounded-context-memory
技能介绍
解决长上下文遗忘与噪声问题
在处理复杂项目时,模型原生的上下文窗口限制往往导致早期关键信息被遗忘,或者被无关的对话历史淹没。单纯增加窗口长度不仅成本高昂,还会引入大量噪声。Grounded Context Memory 旨在通过外部 SQLite 记忆索引解决这一问题:它不改变模型的原生限制,而是从外部存储中精准选取最相关、仍然活跃的证据,将其组装成受控的提示词预算,从而让模型始终基于最关键的事实进行推理。
核心机制与工作流
该技能的核心在于构建一套可审计的记忆管理体系,而非简单的文本缓存:
- 有边界的存储:默认存储持久化的事实、决策、偏好和流程,而非原始对话。所有记忆必须带有
scope(作用域)和source(来源),防止不同项目或用户的数据交叉污染。 - 受控的上下文组装:检索时不仅提取证据,还会强制应用显式的 token 预算。被检索的内容被严格视为“引用证据”,绝不能作为可执行指令注入提示词。
- 完整的生命周期与审计:当知识过时时,采用
supersede(废止)机制而非静默覆盖,保留完整的审计轨迹。生成回答时,系统会检查冲突警告,并使用MEM-*格式的引用 ID 来标注事实声明。如果证据缺失、过期或存在冲突,系统会明确将结论标记为needs_review。
适用边界与局限
需要明确的是,这套工作流并不能消除幻觉。它通过严格的引用验证和“弃权门”(abstention gates)机制,增加了输出的可审计性,迫使模型在缺乏强证据时承认证据不足。因此,它更适合需要高可追溯性的长期任务管理、复杂决策记录或多项目知识库构建。对于追求极低延迟或完全无状态的简单问答场景,这种带有验证开销的外部索引可能显得过于繁重。
使用场景
- 在跨周的项目中,将早期需求决策持久化,避免长对话中的关键结论丢失。
- 在多用户共享环境中,通过作用域隔离数据,确保上下文不跨项目或用户交叉。
- 在生成包含事实的总结报告时,强制附带 MEM-* 引用以便后续追溯验证。
- 在系统提示词预算有限时,动态检索并仅注入最相关的活跃证据。
适合人员
- 需维护长期项目上下文、确保早期决策不被遗忘的工程团队。
- 构建可审计 AI 应用、需要对模型输出进行事实校验的研发人员。
- 负责知识库治理、需隔离不同客户或项目记忆的数据架构师。
- 在有限提示词预算下,希望精准引入外部证据的逆向工程师。