Echo/Assets/_Project/Docs/Intelligent_Chat_System_Documentation_v2.md

智能对话系统完整技术文档 (v2.1)

1. 核心架构概述

本系统采用 “三层记忆结构” 来解决 LLM 在游戏中的长对话、API 成本控制与数据持久化问题。

1.1 三层记忆模型

层级	名称	职责	存储位置	关键特性
L1	工作记忆 (Working Memory)	维持 API 短期对话上下文	DeepSeekService / DoubaoService	滚动修剪 (Rolling Window)，限制 Token 消耗
L2	全局存档 (Full Chat Log)	永久记录所有原始对话	LLMChatManager	只增不减，用于 UI 历史回看和存盘
L3	语义记忆 (Semantic Memory)	提炼关键信息，对抗遗忘	ContextMemoryManager	定期调用 AI 总结，动态注入 System Prompt

---

2. 详细实现案例分析 (Case Study)

为了更直观地理解系统运作，我们以一个更适合技术展示的场景为例：对话内容尽量“业务化”，突出 L1/L2/L3 的分工、成本控制与抗遗忘效果。

场景设定:

• 角色: NPC “ECHO-7”（地堡安保与引导 AI）。
• 玩家: “Alex”。
• 参数配置:
  • Max Context Window (L1): 4 条 (极小值，用于演示滚动遗忘)。
  • Summary Threshold (L3): 2 条 (每 2 句对话触发一次总结)。

2.1 阶段一：初次相遇 (初始化)

系统状态:

• System Prompt: "你是地堡安保与引导 AI（ECHO-7）。语气专业简洁；优先给出可执行的下一步建议；不要编造不存在的系统状态。"
• L1 (Working Memory): [System]
• L3 (Summary): "" (空)

对话发生:

1. User: "你好，我是 Alex。现在要去修复供电系统。"
2. AI: "已记录。建议先前往配电室，确认主断路器状态；如果你能提供当前所在区域，我可以给出更短路线。"

此时内部数据:

• fullChatLog (L2): 包含上述 2 条消息。
• messagesSinceLastSummary: 2 (达到阈值，触发总结任务)。

2.2 阶段二：触发语义总结 (L3 介入)

后台处理 (用户无感知):

1. ContextMemoryManager 抓取最近 2 条对话。
2. 发送无状态请求 (Stateless Request) 给 LLM:
   • Prompt: "请将以下对话提炼为可用于后续对话的关键信息，要求：用第三人称、尽量短、只保留稳定事实与当前目标。对话：User: 你好，我是 Alex... AI: 已记录... 建议先前往配电室..."
3. LLM 返回总结: "玩家名为 Alex；当前目标是修复供电系统；已建议前往配电室检查主断路器，并可在提供所在区域后给出更短路线。"
4. 动态更新 System Prompt:
   • 新 Prompt: "你是地堡安保与引导 AI（ECHO-7）。语气专业简洁；优先给出可执行的下一步建议；不要编造不存在的系统状态。\n\n[前情提要]: 玩家名为 Alex；当前目标是修复供电系统；已建议前往配电室检查主断路器，并可在提供所在区域后给出更短路线。"

2.3 阶段三：对话继续与滚动遗忘 (L1 介入)

对话继续: 3. User: "我现在在仓储区。" 4. AI: "从仓储区出门右转进入维护走廊，沿主干道前进到第二个分岔口左转即可到配电室。到达后先确认主断路器与备用电源指示灯。"

此时 L1 (Working Memory) 状态:

• 总消息数: 1(System) + 2(Round 1) + 2(Round 2) = 5 条。
• 触发滚动压缩 (Max=4):
  • 最早的 User: "你好，我是 Alex。现在要去修复供电系统。" 被移除。
  • 次早的 AI: "已记录。建议先前往配电室..." 被保留 (或是移除，取决于具体修剪逻辑)。

关键点: 虽然 L1 里的“自我介绍 + 目标”原始消息被删除了，但 System Prompt 里已经注入了 “玩家名 + 当前目标 + 已给建议” 的语义记忆。

2.4 阶段四：验证记忆 (最终效果)

5. User: "我叫什么？以及我现在要做什么？"
6. AI: "你是 Alex。你当前的目标是修复供电系统；我建议你前往配电室检查主断路器，并根据指示灯确认是否需要切换到备用电源。"

-> 成功！ AI 通过 L3 的语义记忆（System Prompt）回答了 L1 工作记忆中已经丢失的问题。

---

3. 逻辑流程图 (Mermaid)

3.1 完整消息处理管线

此图展示了一条用户消息如何穿过三层系统，并触发存档和总结。

sequenceDiagram
    participant U as User (UI)
    participant M as LLMChatManager (L2)
    participant S as LLM Service (L1)
    participant Mem as ContextMemory (L3)
    participant API as DeepSeek API
    participant Disk as SaveManager

    Note over U, Disk: 阶段一：处理用户消息
    U->>M: Send("我现在在仓储区")
    M->>M: Add to fullChatLog
    M->>Disk: SaveGame()
    M->>Mem: OnMessageAdded()
    M->>S: SendMessage("我现在在仓储区")
    
    Note over S, API: 阶段二：L1 滚动压缩
    S->>S: Add to History
    S->>S: TrimHistory (若 > MaxWindow)
    S->>API: POST Request (带 History)
    API-->>S: Reply ("给出到配电室的路线与检查步骤")
    
    Note over M, Disk: 阶段三：处理 AI 回复
    S-->>M: Callback("给出到配电室的路线与检查步骤")
    M->>M: Add to fullChatLog
    M->>Disk: SaveGame()
    M->>Mem: OnMessageAdded()
    M-->>U: Update UI

    Note over Mem, S: 阶段四：L3 异步总结 (若达到阈值)
    Mem->>Mem: Check Threshold
    Mem->>S: SendStatelessMessage(SummaryPrompt)
    S->>API: POST Request (无历史，仅总结)
    API-->>S: Summary Text
    S-->>Mem: Return Summary
    Mem->>Mem: Update currentSummary
    Mem->>Disk: SaveGame()
    Mem->>S: UpdateSystemPrompt(NewPrompt)
    Note right of S: System Prompt 更新为：<br/>[原设] + [新总结]

---

4. 模块与接口详解

4.1 服务层 (DeepSeekService / DoubaoService)

负责与 LLM API 直接交互，维护 L1 工作记忆。

• 滚动压缩逻辑:
  • 参数: maxContextWindow (例如 20 条)。
  • 机制: 每次发送前，若历史记录超限，则移除最早的对话（Index 1+），但始终保留 System Prompt (Index 0)。
• Prompt 动态更新:
  • UpdateSystemPrompt(string): 允许外部（L3 层）动态修改当前运行时的系统提示词。
• 无状态请求:
  • SendStatelessMessage(...): 发送不带历史记录的一次性请求，专用于 L3 层的总结任务，避免污染 L1 上下文。

4.2 管理层 (LLMChatManager)

作为中央枢纽，维护 L2 全局存档。

• 存档同步:
  • 在游戏启动 (RestoreState) 时，恢复 fullChatLog，并调用 activeService.SetHistory()，让 AI 瞬间“想起”最近的对话。

4.3 记忆层 (ContextMemoryManager)

系统的“海马体”，维护 L3 语义记忆。

• 自动阈值同步:
  • Start() 时读取 maxContextWindow，将总结阈值 (summaryThreshold) 设为其一半。
  • 目的: 确保在 L1 层发生滚动遗忘之前，L3 层已经完成了关键信息的固化。

---

5. 存档数据结构示例

存档文件 savegame.json 中的实际内容示例：

{
    "keys": [
        "ChatSystem", 
        "ContextMemory"
    ],
    "values": [
        // L2: 完整的对话流水账
        "{\"logs\":[{\"role\":\"user\",\"content\":\"你好，我是Alex。现在要去修复供电系统。\"}, {\"role\":\"assistant\",\"content\":\"已记录。建议先前往配电室检查主断路器；如提供所在区域可给出更短路线。\"}]}", 
        
        // L3: 提炼后的语义总结
        "{\"summary\":\"玩家名为Alex；当前目标是修复供电系统；已建议前往配电室检查主断路器，并可在提供所在区域后给出更短路线。\",\"counter\":2}"
    ]
}

---

6. 配置指南

6.1 如何配置新角色

1. 在场景中找到挂载 DeepSeekService 的物体。
2. 在 Inspector 中修改 System Prompt (例如 "你是地堡安保与引导 AI")。
3. 注意: 即使开启记忆系统，AI 也会基于这个 Prompt 进行总结拼接，不会覆盖你的人设。

6.2 性能调优

• Max Context Window: 建议 20-50。太小会导致 AI 说话逻辑不连贯，太大会增加 API 费用。
• Summary Threshold: 默认自动设为 Window 的一半。手动修改需谨慎。

6.3 调试建议

• 开启 DeepSeekService 的 Enable Debug Key 可在运行时通过特定口令越权调试。
• 查看 Console 中的 [Memory] 日志可监控总结任务的触发与完成。