flowchart LR
    subgraph 写入["✏️ 写入：对话 → 记忆"]
        A["AI 回复了一条消息"] --> B["提取器读取最近几轮对话"]
        B --> C["让 LLM 识别出角色/事件/地点等"]
        C --> D["对比已有记忆，去重或更新"]
        D --> E["写入图谱 + 同步向量"]
    end

    subgraph 读取["🔍 读取：记忆 → 注入"]
        F["用户准备发送下一条"] --> G["用向量搜索找相关记忆"]
        G --> H["沿关系网络扩散，发现关联"]
        H --> I["综合打分排序"]
        I --> J["格式化后注入 prompt"]
    end

    subgraph 安全["🛡️ 安全：历史变动 → 恢复"]
        K["用户删楼/编辑/切 swipe"] --> L["检测到哪些楼层变了"]
        L --> M["回滚受影响的记忆和向量"]
        M --> N["从变动点重新提取"]
    end

    E -.-> F
    N -.-> E

写入阶段（对话 → 记忆）

每次 AI 回复后，插件会把最近几轮对话打包发给 LLM（可以是你聊天用的同一个模型，也可以单独配一个），让它识别出"这段对话里出现了哪些角色、发生了什么事、在哪里、有什么新规则"等等。

识别出来的结果不是直接塞进去——插件会先跟已有记忆做对比（通过向量搜索找相似的），如果已经有了就更新，如果是真正的新内容才创建。

写入之后，还可能触发一些后续处理：

压缩 — 太多类似的事件记忆会被合并
进化 — 新信息会影响旧记忆的理解（比如"原来他当时是在演戏"）
概要 — 自动生成"之前发生了什么"的总结
遗忘 — 很久没被用到的记忆降低优先级

读取阶段（记忆 → 注入）

当你准备发送下一条消息时，插件会抢在 AI 生成之前做一轮"召回"：

向量搜索 — 根据当前对话内容，用 Embedding 找到语义最相关的记忆
图扩散 — 找到相关记忆后，沿着关系往外扩散（比如某个角色参与了某个事件，那个事件发生在某个地点...）
混合评分 — 把向量相似度、图扩散能量、节点重要性、时间新旧综合排序
格式化注入 — 选出最终入围的记忆，分类整理后注入到 prompt 里

注入的内容分成两层：

常驻层 — 规则、概要、主线这类始终需要的
动态层 — 根据当前对话语境召回的

安全机制（历史变动 → 恢复）

这是很多记忆插件忽略的问题：如果用户删了某条消息、编辑了内容、或者切了 swipe，已经基于那条消息提取的记忆就变成"脏"的了。

ST-BME 的处理方式是：

给每条已处理的消息计算 hash（指纹）
发现 hash 变了 → 找到最早受影响的位置
把那之后产生的记忆和向量全部回滚
从变动点重新走一遍提取流程

如果恢复日志损坏了，会退化为全量重建——慢一点但保证正确。

🚀 安装

方法一：通过 SillyTavern 扩展安装

打开 SillyTavern → 扩展 → 安装扩展
输入仓库地址：
```
https://github.com/Youzini-afk/ST-Bionic-Memory-Ecology
```
注意：请粘贴仓库根地址，不要使用像 /graphs/code-frequency 这样的 GitHub 子页面地址。
刷新页面

方法二：手动安装

cd SillyTavern/data/default-user/extensions/third-party
git clone https://github.com/Youzini-afk/ST-Bionic-Memory-Ecology.git st-bme

重启 SillyTavern 即可。

⚡ 快速上手

打开面板 — 左上角 ≡ 菜单 →「🧠 记忆图谱」
启用插件 — 进入面板的「配置 → 功能开关」，打开 ST-BME 自动记忆
配置 Embedding — 进入「配置 → API 配置」，选择向量模式并填好模型
开始聊天 — 正常跟角色对话，插件会自动在后台提取和召回

最少配置： 只勾选"启用"就能跑起来。默认会复用你当前的聊天模型做提取。

📝 记忆类型

插件会把对话拆解成以下几种记忆节点：

类型	说明	举例
🧑 角色	角色的当前状态、性格、外貌变化	"小明因为淋雨感冒了"
⚡ 事件	发生过的事	"河边的告白"
📍 地点	地点状态	"废弃实验室，门被锁上了"
📌 规则	世界观设定、约束	"魔法会消耗生命力"
🧵 主线	任务线/剧情线	"寻找失踪的项链"
📜 概要	自动生成的前情提要	—
💭 反思	长期规律总结	"他们经常在夕阳下聊天"

这些节点之间还会建立关系（参与、发生在、推动、矛盾、更新等），形成一张完整的记忆网络。

🔧 设置说明

记忆 LLM

用来做提取、压缩、进化、概要等任务的模型。

留空 → 复用当前 SillyTavern 的聊天模型（最简配置）
填写 → 你可以指定一个独立的 OpenAI-compatible 模型专门处理记忆

Embedding（向量搜索）

向量搜索是"智能召回"的关键。支持两种模式：

后端模式（推荐）

走 SillyTavern 后端的向量 API，最稳定：

支持 OpenAI / Cohere / Mistral / Ollama / LlamaCpp / vLLM 等
在设置面板选择「后端向量源」，填好模型名即可
不需要单独填 API Key，复用酒馆已有的

直连模式

如果你需要完全独立的 Embedding 服务（比如酒馆后端不支持的源）：

填入 Embedding API 地址、Key、Model
插件直接请求你的 Embedding 服务
注意浏览器跨域问题（CORS）

切换向量模式/模型后，建议点一次"重建向量"。

提取设置

设置	默认	说明
每 N 条回复提取	1	每几条 AI 回复做一次提取
提取上下文轮数	2	提取时向前看几轮对话
启用近邻对照	开	写入前对比现有记忆，避免重复
启用记忆进化	开	新记忆会影响旧记忆理解
启用自动概要	开	定期生成前情提要
启用反思	关	让 AI 总结长期模式
启用主动遗忘	开	太久没用的记忆降低优先级

召回设置

设置	默认	说明
提取上下文轮数	2	按轮计的提取上下文，通常约等于向前补 4 层普通消息
向量预筛 Top-K	20	向量预筛阶段最多保留多少个候选
LLM 精排候选池	30	进入 LLM 精排阶段前的候选池大小
LLM 最终选择上限	8	LLM 精排后最多保留多少条记忆
图扩散 Top-K	100	图扩散阶段最多保留多少个候选
注入深度	9999	当前走 IN_CHAT@Depth，数值越大越靠前插入
Token 估算	—	注入内容的 token 估算（仅用于展示，当前版本不强制裁剪）

🖥️ 操控面板

从左上角 ≡ 菜单点「🧠 记忆图谱」打开面板。

总览 Tab

统计数据（活跃节点、边、归档数、碎片率）
运行状态（聊天 ID、向量状态、历史状态）
最近提取 / 召回的记忆

记忆 Tab

搜索和筛选记忆节点
点击节点查看详情
支持按类型过滤

注入 Tab

预览当前注入内容
查看 token 消耗

操作 Tab

手动提取 — 立即从当前对话提取
手动压缩 — 合并重复/过时记忆
执行遗忘 — 主动降级低价值记忆
更新概要 — 重新生成前情提要
导出 / 导入图谱
重建图谱 — 从当前聊天重新提取全部记忆
重建向量 — 重建全部向量索引
强制进化 — 让新记忆影响旧记忆

配置 Tab

配置页现在是一个完整的工作区，分成 5 个子页：

API 配置
功能开关
详细参数
系统提示词
面板外观

桌面端会显示左侧竖向子导航，右侧显示宽版配置表单；移动端则改成顶部横向子页切换。检索流水线现在可以分别配置向量预筛、图扩散、混合评分和 LLM 精排。注入深度使用 IN_CHAT@Depth 语义，默认 9999 表示尽量靠前插入，减少对最近几层对话的直接控制感。

图谱可视化

桌面端右侧大区域显示力导向图谱，节点可拖拽、缩放、点击查看详情。支持 4 套配色主题切换。

🔄 历史安全

这是最重要的功能之一。

当你在 SillyTavern 里做以下操作时：

删除某条消息
编辑某条消息
切换 swipe

插件会自动检测到历史发生了变化，然后：

止损 — 停止当前推进，清空可能失效的注入
回滚 — 找到受影响的批次，删除相关记忆和向量
恢复 — 从变动点重新提取

这样你就不用担心"改了历史但记忆还留着错的内容"的问题。

📋 手动操作速查

操作	说明
手动提取	不等自动触发，立刻提取当前对话
手动压缩	把重复/冗余的事件合并
执行遗忘	降低长期未使用记忆的优先级
更新概要	重新生成全局前情提要
导出图谱	下载当前图谱 JSON（不含向量）
导入图谱	导入图谱文件（导入后需重建向量）
重建图谱	⚠️ 清空现有图谱，从聊天记录重新提取
重建向量	重建全部节点的向量索引
范围重建向量	只重建指定楼层范围内的向量
强制进化	让新记忆深度影响旧记忆认知

🏗️ 开发者参考

文件结构

ST-BME/
├── index.js           # 主入口：事件绑定、流程调度、历史恢复
├── bme-db.js          # IndexedDB(Dexie) 持久化层（本地主存储）
├── bme-sync.js        # 跨设备同步（/user/files/ 镜像 + 合并）
├── bme-chat-manager.js# chatId -> BmeDatabase 生命周期管理
├── lib/dexie.min.js   # vendored Dexie（浏览器端动态注入加载）
├── graph.js           # 图数据模型、序列化、版本迁移
├── extractor.js       # 记忆提取、概要、反思
├── retriever.js       # 向量候选、图扩散、混合评分、召回
├── injector.js        # 召回结果格式化注入
├── runtime-state.js   # 运行时状态：楼层 hash、dirty 标记、恢复日志
├── recall-persistence.js # 持久召回记录（message.extra.bme_recall，不变）
├── recall-message-ui.js # 消息级召回卡片 UI（子图渲染 + 侧边栏编辑，不变）
├── vector-index.js    # 向量索引管理（backend / direct 双模式）
├── embedding.js       # 直连 Embedding API 封装
├── llm.js             # 记忆 LLM 请求封装
├── compressor.js      # 层级压缩与遗忘
├── diffusion.js       # 图扩散算法
├── dynamics.js        # 动态调节（重要度衰减等）
├── schema.js          # 节点类型定义
├── themes.js          # 4 套主题配色
├── graph-renderer.js  # Canvas 力导向图谱渲染器
├── panel.js           # 操控面板交互逻辑
├── panel.html         # 面板 HTML 模板
├── style.css          # 全部样式
├── manifest.json      # SillyTavern 扩展清单
└── tests/             # 测试脚本

数据存储

图谱主存储（本地优先） → IndexedDB（Dexie）
- DB 名固定：STBME_{chatId}
- 运行时主读取路径：优先 IndexedDB
跨设备同步镜像 → SillyTavern 文件 API /user/files/
- 文件名固定：ST-BME_sync_{sanitizedChatId}.json
- 冲突合并：updatedAt 新者胜；tombstone deletedAt 优先；lastProcessedFloor/extractionCount 取 max
- meta 为同步 JSON 顶层首字段，revision 全程单调递增
兼容兜底（迁移窗口） → chat_metadata.st_bme_graph
- 仅用于 legacy 兼容与迁移，不再是主路径
墓碑（tombstones） → 保留期固定 30 天
插件设置 → SillyTavern 的 extension_settings.st_bme
向量索引 → 后端模式走酒馆 API；直连模式存在节点内
召回持久注入（不变） → chat[x].extra.bme_recall（消息级）

兼容迁移策略（legacy metadata → IndexedDB）

触发：聊天加载/切换后，若目标 STBME_{chatId} 为空且存在 legacy chat_metadata 图谱
行为：自动一次性迁移到 IndexedDB，并立即尝试同步到 /user/files/
幂等：
- 若 migrationCompletedAt > 0，跳过
- 若 IndexedDB 已非空，跳过
迁移记录：
- migrationCompletedAt
- migrationSource（默认 chat_metadata）
- legacyRetentionUntil（30 天）

事件挂载

SillyTavern 事件	做什么
`CHAT_CHANGED`	IndexedDB 优先加载 + 自动同步
`GENERATION_AFTER_COMMANDS`	AI 回复后提取记忆
`GENERATE_BEFORE_COMBINE_PROMPTS`	生成前召回并注入
`MESSAGE_RECEIVED`	触发图谱持久化（IndexedDB 主写）
删除 / 编辑 / Swipe	触发历史变动检测与恢复

召回流水线

用户输入 → 向量预筛 → 图扩散 → 混合评分 → [可选 LLM 精排] → 场景重构 → 分桶注入

注入格式

召回结果分成两层注入：

Core（常驻）：规则、概要、主线
Recalled（动态）：根据当前对话召回

每层内进一步按用途分桶：当前状态 / 情景事件 / 反思锚点 / 规则约束。

持久召回注入（`message.extra.bme_recall`）

从本版本开始，召回注入支持消息级持久化，存放在对应用户楼层：

路径：chat[x].extra.bme_recall
主要字段：
- version
- injectionText
- selectedNodeIds
- recallInput
- recallSource
- hookName
- tokenEstimate
- createdAt / updatedAt
- generationCount（仅在该持久注入被实际用作生成回退时递增）
- manuallyEdited（仅表示来源是否为人工编辑）

注入优先级（避免双重注入）：

本轮有新召回成功：仅使用新召回注入（临时注入），并覆盖写入目标用户楼层的 bme_recall。
本轮无新召回结果：仅从“当前生成对应的用户楼层”读取 bme_recall 作为回退注入。
两者都无：清空注入。

manuallyEdited 不参与优先级判断，不会强制覆盖系统召回。

消息级 UI：

带有 bme_recall 的用户消息会显示内联卡片（含用户消息 + 🧠 召回条 + 记忆数 badge）。
显示前提：必须同时满足 用户楼层、message.extra.bme_recall 存在、且 injectionText 为非空字符串。
点击召回条展开，显示力导向子图（仅渲染被召回的节点和它们之间的边，复用 GraphRenderer）。
子图中节点可拖拽/缩放，点击节点打开右侧边栏查看节点详情。
操作按钮（展开态底部）：
- ✏️ 编辑：打开侧边栏编辑注入文本（实时 token 计数），保存后标记 manuallyEdited=true。
- 🗑 删除：二次确认（按钮变红 3s 超时重置），确认后移除持久召回记录。
- 🔄 重新召回：重新执行召回并覆盖记录，manuallyEdited 重置为 false。
不再使用 prompt() / alert() / confirm() 浏览器原生对话框。
当聊天 DOM 延迟插入时，插件会执行有界重试 + 短生命周期 MutationObserver 补偿，避免单次刷新错过挂载。

兼容性说明：

旧聊天（无 extra 或无 bme_recall）会自动按“无持久记录”处理，不会报错。
Recall Card 依赖消息楼层存在稳定索引属性（如 mesid / data-mesid / data-message-id），不会再回退到 DOM 顺序猜测，以避免误挂载到错误楼层。
第三方主题至少需要保留 #chat .mes 外层消息节点；卡片会优先尝试挂载到 .mes_block，其次 .mes_text 的父节点，最后回退到 .mes 根节点。
若第三方主题完全移除了这些锚点或稳定索引属性，插件会选择跳过挂载并输出 [ST-BME] 调试日志，而不是静默挂到错误位置。

排障建议（数据存在但 UI 不显示时）：

打开浏览器控制台，搜索 [ST-BME] Recall Card UI 或 [ST-BME] Recall Card persist 调试日志。
确认目标楼层是否为用户消息，并检查 message.extra.bme_recall.injectionText 是否非空。
检查消息 DOM 是否仍带有稳定楼层索引属性（mesid、data-mesid、data-message-id 等）。
若使用第三方主题，确认消息节点仍包含 #chat .mes，且消息内容区域未完全移除 .mes_block / .mes_text 相关结构。
如果聊天是异步渲染的，等待一小段时间后再次观察；插件会在短时间内自动补偿重试，而不是只尝试一次。

⚠️ 已知限制

记忆质量取决于 LLM — 模型提取不准，记忆也会不准
直连模式有跨域风险 — 浏览器的 CORS 限制可能导致请求失败
后端向量仅支持酒馆已有 provider — 不在列表里的需要用直连
恢复优先正确性 — 批次日志缺失时会退化为全量重建，可能较慢

📄 License

AGPLv3 — 详见 LICENSE

Description

ST-BME（Bionic Memory Ecology）是一个 SillyTavern 第三方前端扩展。它会把长期聊天中出现的角色、事件、地点、规则、主线、反思和总结抽取成一张可视化记忆图谱，并在下一轮生成前自动召回最相关的记忆注入 prompt。

Readme AGPL-3.0 6.1 MiB

README.md Unescape Escape

🧠 ST-BME — SillyTavern 图谱记忆插件

✨ 它能做什么

🧭 它是怎么工作的