ref：记忆检索不再基于问题，而是基于上下文；添加一些调试用配置

src/config/official_configs.py

@@ -282,12 +282,20 @@ class MemoryConfig(ConfigBase):
     - 当在黑名单中的聊天流进行查询时，仅使用该聊天流的本地记忆
     """
 
-    planner_question: bool = True
-    """
-    是否使用 Planner 提供的 question 作为记忆检索问题
-    - True: 当 Planner 在 reply 动作中提供了 question 时，直接使用该问题进行记忆检索，跳过 LLM 生成问题的步骤
-    - False: 沿用旧模式，使用 LLM 生成问题
-    """
+    chat_history_topic_check_message_threshold: int = 80
+    """聊天历史话题检查的消息数量阈值，当累积消息数达到此值时触发话题检查"""
+
+    chat_history_topic_check_time_hours: float = 8.0
+    """聊天历史话题检查的时间阈值（小时），当距离上次检查超过此时间且消息数达到最小阈值时触发话题检查"""
+
+    chat_history_topic_check_min_messages: int = 20
+    """聊天历史话题检查的时间触发模式下的最小消息数阈值"""
+
+    chat_history_finalize_no_update_checks: int = 3
+    """聊天历史话题打包存储的连续无更新检查次数阈值，当话题连续N次检查无新增内容时触发打包存储"""
+
+    chat_history_finalize_message_count: int = 5
+    """聊天历史话题打包存储的消息条数阈值，当话题的消息条数超过此值时触发打包存储"""
 
     def __post_init__(self):
         """验证配置值"""
@@ -295,6 +303,16 @@ class MemoryConfig(ConfigBase):
             raise ValueError(f"max_agent_iterations 必须至少为1，当前值: {self.max_agent_iterations}")
         if self.agent_timeout_seconds <= 0:
             raise ValueError(f"agent_timeout_seconds 必须大于0，当前值: {self.agent_timeout_seconds}")
+        if self.chat_history_topic_check_message_threshold < 1:
+            raise ValueError(f"chat_history_topic_check_message_threshold 必须至少为1，当前值: {self.chat_history_topic_check_message_threshold}")
+        if self.chat_history_topic_check_time_hours <= 0:
+            raise ValueError(f"chat_history_topic_check_time_hours 必须大于0，当前值: {self.chat_history_topic_check_time_hours}")
+        if self.chat_history_topic_check_min_messages < 1:
+            raise ValueError(f"chat_history_topic_check_min_messages 必须至少为1，当前值: {self.chat_history_topic_check_min_messages}")
+        if self.chat_history_finalize_no_update_checks < 1:
+            raise ValueError(f"chat_history_finalize_no_update_checks 必须至少为1，当前值: {self.chat_history_finalize_no_update_checks}")
+        if self.chat_history_finalize_message_count < 1:
+            raise ValueError(f"chat_history_finalize_message_count 必须至少为1，当前值: {self.chat_history_finalize_message_count}")
 
 
 @dataclass
@@ -732,6 +750,9 @@ class ExperimentalConfig(ConfigBase):
     - prompt内容: 要添加的额外prompt文本
     """
 
+    lpmm_memory: bool = False
+    """是否将聊天历史总结导入到LPMM知识库。开启后，chat_history_summarizer总结出的历史记录会同时导入到知识库"""
+
 
 @dataclass
 class MaimMessageConfig(ConfigBase):

src/memory_system/chat_history_summarizer.py

@@ -15,7 +15,7 @@ from json_repair import repair_json
 
 from src.common.logger import get_logger
 from src.common.data_models.database_data_model import DatabaseMessages
-from src.config.config import model_config
+from src.config.config import model_config, global_config
 from src.llm_models.utils_model import LLMRequest
 from src.plugin_system.apis import message_api
 from src.chat.utils.chat_message_builder import build_readable_messages
@@ -370,18 +370,24 @@ class ChatHistorySummarizer:
 
         logger.debug(f"{self.log_prefix} 批次状态检查 | 消息数: {message_count} | 距上次检查: {time_str}")
 
-        # 检查“话题检查”触发条件
+        # 检查"话题检查"触发条件
         should_check = False
 
-        # 条件1: 消息数量 >= 100，触发一次检查
-        if message_count >= 80:
-            should_check = True
-            logger.info(f"{self.log_prefix} 触发检查条件: 消息数量达到 {message_count} 条（阈值: 100条）")
+        # 从配置中获取阈值
+        message_threshold = global_config.memory.chat_history_topic_check_message_threshold
+        time_threshold_hours = global_config.memory.chat_history_topic_check_time_hours
+        min_messages = global_config.memory.chat_history_topic_check_min_messages
+        time_threshold_seconds = time_threshold_hours * 3600
 
-        # 条件2: 距离上一次检查 > 3600 * 8 秒（8小时）且消息数量 >= 20 条，触发一次检查
-        elif time_since_last_check > 3600 * 8 and message_count >= 20:
+        # 条件1: 消息数量达到阈值，触发一次检查
+        if message_count >= message_threshold:
             should_check = True
-            logger.info(f"{self.log_prefix} 触发检查条件: 距上次检查 {time_str}（阈值: 8小时）且消息数量达到 {message_count} 条（阈值: 20条）")
+            logger.info(f"{self.log_prefix} 触发检查条件: 消息数量达到 {message_count} 条（阈值: {message_threshold}条）")
+
+        # 条件2: 距离上一次检查超过时间阈值且消息数量达到最小阈值，触发一次检查
+        elif time_since_last_check > time_threshold_seconds and message_count >= min_messages:
+            should_check = True
+            logger.info(f"{self.log_prefix} 触发检查条件: 距上次检查 {time_str}（阈值: {time_threshold_hours}小时）且消息数量达到 {message_count} 条（阈值: {min_messages}条）")
 
         if should_check:
             await self._run_topic_check_and_update_cache(messages)
@@ -528,14 +534,18 @@ class ChatHistorySummarizer:
                 item.no_update_checks += 1
 
         # 6. 检查是否有话题需要打包存储
+        # 从配置中获取阈值
+        no_update_checks_threshold = global_config.memory.chat_history_finalize_no_update_checks
+        message_count_threshold = global_config.memory.chat_history_finalize_message_count
+
         topics_to_finalize: List[str] = []
         for topic, item in self.topic_cache.items():
-            if item.no_update_checks >= 3:
-                logger.info(f"{self.log_prefix} 话题[{topic}] 连续 3 次检查无新增内容，触发打包存储")
+            if item.no_update_checks >= no_update_checks_threshold:
+                logger.info(f"{self.log_prefix} 话题[{topic}] 连续 {no_update_checks_threshold} 次检查无新增内容，触发打包存储")
                 topics_to_finalize.append(topic)
                 continue
-            if len(item.messages) > 5:
-                logger.info(f"{self.log_prefix} 话题[{topic}] 消息条数超过 4，触发打包存储")
+            if len(item.messages) > message_count_threshold:
+                logger.info(f"{self.log_prefix} 话题[{topic}] 消息条数超过 {message_count_threshold}，触发打包存储")
                 topics_to_finalize.append(topic)
 
         for topic in topics_to_finalize:
@@ -976,6 +986,16 @@ class ChatHistorySummarizer:
             else:
                 logger.warning(f"{self.log_prefix} 存储聊天历史记录到数据库失败")
 
+            # 如果配置开启，同时导入到LPMM知识库
+            if global_config.lpmm_knowledge.enable and global_config.experimental.lpmm_memory:
+                await self._import_to_lpmm_knowledge(
+                    theme=theme,
+                    summary=summary,
+                    key_point=key_point,
+                    participants=participants,
+                    original_text=original_text,
+                )
+
         except Exception as e:
             logger.error(f"{self.log_prefix} 存储到数据库时出错: {e}")
             import traceback
@@ -983,6 +1003,82 @@ class ChatHistorySummarizer:
             traceback.print_exc()
             raise
 
+    async def _import_to_lpmm_knowledge(
+        self,
+        theme: str,
+        summary: str,
+        key_point: Optional[List[str]],
+        participants: List[str],
+        original_text: str,
+    ):
+        """
+        将聊天历史总结导入到LPMM知识库
+
+        Args:
+            theme: 话题主题
+            summary: 概括内容
+            key_point: 关键信息点列表
+            participants: 参与者列表
+            original_text: 原始文本（可能很长，需要截断）
+        """
+        try:
+            from src.chat.knowledge.lpmm_ops import lpmm_ops
+
+            # 构造要导入的文本内容
+            # 格式：主题 + 概括 + 关键信息点 + 参与者信息
+            content_parts = []
+
+            # 1. 话题主题
+            if theme:
+                content_parts.append(f"话题：{theme}")
+
+            # 2. 概括内容
+            if summary:
+                content_parts.append(f"概括：{summary}")
+
+            # 3. 关键信息点
+            if key_point:
+                key_points_text = "、".join(key_point)
+                content_parts.append(f"关键信息：{key_points_text}")
+
+            # 4. 参与者信息
+            if participants:
+                participants_text = "、".join(participants)
+                content_parts.append(f"参与者：{participants_text}")
+
+            # 5. 原始文本摘要（如果原始文本太长，只取前500字）
+            if original_text:
+                # 截断原始文本，避免过长
+                max_original_length = 500
+                if len(original_text) > max_original_length:
+                    truncated_text = original_text[:max_original_length] + "..."
+                    content_parts.append(f"原始内容摘要：{truncated_text}")
+                else:
+                    content_parts.append(f"原始内容：{original_text}")
+
+            # 将所有部分合并为一个段落（用双换行分隔，符合lpmm_ops.add_content的格式要求）
+            content_to_import = "\n\n".join(content_parts)
+
+            if not content_to_import.strip():
+                logger.warning(f"{self.log_prefix} 聊天历史总结内容为空，跳过导入知识库")
+                return
+
+            # 调用lpmm_ops导入
+            result = await lpmm_ops.add_content(content_to_import)
+
+            if result["status"] == "success":
+                logger.info(
+                    f"{self.log_prefix} 成功将聊天历史总结导入到LPMM知识库 | 话题: {theme} | 新增段落数: {result.get('count', 0)}"
+                )
+            else:
+                logger.warning(
+                    f"{self.log_prefix} 将聊天历史总结导入到LPMM知识库失败 | 话题: {theme} | 错误: {result.get('message', '未知错误')}"
+                )
+
+        except Exception as e:
+            # 导入失败不应该影响数据库存储，只记录错误
+            logger.error(f"{self.log_prefix} 导入聊天历史总结到LPMM知识库时出错: {e}", exc_info=True)
+
     async def start(self):
         """启动后台定期检查循环"""
         if self._running:

src/memory_system/memory_retrieval.py

@@ -8,7 +8,6 @@ from src.chat.utils.prompt_builder import Prompt, global_prompt_manager
 from src.plugin_system.apis import llm_api
 from src.common.database.database_model import ThinkingBack
 from src.memory_system.retrieval_tools import get_tool_registry, init_all_tools
-from src.memory_system.memory_utils import parse_questions_json
 from src.llm_models.payload_content.message import MessageBuilder, RoleType, Message
 from src.chat.message_receive.chat_stream import get_chat_manager
 from src.bw_learner.jargon_explainer import retrieve_concepts_with_jargon
@@ -47,53 +46,36 @@ def init_memory_retrieval_prompt():
     # 首先注册所有工具
     init_all_tools()
 
-    # 第一步：问题生成prompt
+    # 第二步：ReAct Agent prompt（使用function calling，要求先思考再行动）
     Prompt(
-        """
-你的名字是{bot_name}。现在是{time_now}。
-群里正在进行的聊天内容：
+        """你的名字是{bot_name}。现在是{time_now}。
+你正在参与聊天，你需要搜集信息来帮助你进行回复。
+重要，这是当前聊天记录：
 {chat_history}
+聊天记录结束
 
-{recent_query_history}
+已收集的信息：
+{collected_info}
 
-现在，{sender}发送了内容:{target_message},你想要回复ta。
-请仔细分析聊天内容，考虑以下几点：
-1. 对话中是否提到了过去发生的事情、人物、事件或信息
-2. 是否有需要回忆的内容（比如"之前说过"、"上次"、"以前"等）
-3. 是否有需要查找历史信息的问题
-4. 是否有问题可以搜集信息帮助你聊天
+- 你可以对查询思路给出简短的思考：思考要简短，直接切入要点
+- 思考完毕后，使用工具
 
-重要提示：
-- **每次只能提出一个问题**，选择最需要查询的关键问题
-- 如果"最近已查询的问题和结果"中已经包含了类似的问题并得到了答案，请避免重复生成相同或相似的问题，不需要重复查询
-- 如果之前已经查询过某个问题但未找到答案，可以尝试用不同的方式提问或更具体的问题
-
-如果你认为需要从记忆中检索信息来回答，请根据上下文提出**一个**最关键的问题来帮助你回复目标消息，放入"questions"字段
-
-问题格式示例：
-- "xxx在前几天干了什么"
-- "xxx是什么，在什么时候提到过?"
-- "xxxx和xxx的关系是什么"
-- "xxx在某个时间点发生了什么"
-
-问题要说明前因后果和上下文，使其全面且精准
-
-输出格式示例：
-```json
-{{
-  "questions": ["张三在前几天干了什么"] #问题数组（字符串数组），如果不需要检索记忆则输出空数组[]，如果需要检索则只输出包含一个问题的数组
-}}
-```
-请只输出JSON对象，不要输出其他内容：
+**工具说明：**
+- 如果涉及过往事件，或者查询某个过去可能提到过的概念，或者某段时间发生的事件。可以使用lpmm知识库查询
+- 如果遇到不熟悉的词语、缩写、黑话或网络用语，可以使用query_words工具查询其含义
+- 你必须使用tool，如果需要查询你必须给出使用什么工具进行查询
+- 当你决定结束查询时，必须调用return_information工具返回总结信息并结束查询
 """,
-        name="memory_retrieval_question_prompt",
+        name="memory_retrieval_react_prompt_head_lpmm",
     )
 
     # 第二步：ReAct Agent prompt（使用function calling，要求先思考再行动）
     Prompt(
         """你的名字是{bot_name}。现在是{time_now}。
-你正在参与聊天，你需要搜集信息来回答问题，帮助你参与聊天。
-当前需要解答的问题：{question}
+你正在参与聊天，你需要搜集信息来帮助你进行回复。
+当前聊天记录：
+{chat_history}
+
 已收集的信息：
 {collected_info}
 
@@ -107,7 +89,7 @@ def init_memory_retrieval_prompt():
 - 你可以对查询思路给出简短的思考：思考要简短，直接切入要点
 - 先思考当前信息是否足够回答问题
 - 如果信息不足，则需要使用tool查询信息，你必须给出使用什么工具进行查询
-- 如果当前已收集的信息足够或信息不足确定无法找到答案，你必须调用found_answer工具结束查询
+- 当你决定结束查询时，必须调用return_information工具返回总结信息并结束查询
 """,
         name="memory_retrieval_react_prompt_head",
     )
@@ -115,23 +97,24 @@ def init_memory_retrieval_prompt():
     # 额外，如果最后一轮迭代：ReAct Agent prompt（使用function calling，要求先思考再行动）
     Prompt(
         """你的名字是{bot_name}。现在是{time_now}。
-你正在参与聊天，你需要根据搜集到的信息判断问题是否可以回答问题。
+你正在参与聊天，你需要根据搜集到的信息总结信息。
+如果搜集到的信息对于参与聊天，回答问题有帮助，请加入总结，如果无关，请不要加入到总结。
+
+当前聊天记录：
+{chat_history}
 
-当前问题：{question}
 已收集的信息：
 {collected_info}
 
+
 分析：
-- 当前信息是否足够回答问题？
-- **如果信息足够且能找到明确答案**，在思考中直接给出答案，格式为：found_answer(answer="你的答案内容")
-- **如果信息不足或无法找到答案**，在思考中给出：not_enough_info(reason="信息不足或无法找到答案的原因")
+- 基于已收集的信息，总结出对当前聊天有帮助的相关信息
+- **如果收集的信息对当前聊天有帮助**，在思考中直接给出总结信息，格式为：return_information(information="你的总结信息")
+- **如果信息无关或没有帮助**，在思考中给出：return_information(information="")
 
 **重要规则：**
 - 必须严格使用检索到的信息回答问题，不要编造信息
 - 答案必须精简，不要过多解释
-- **只有在检索到明确、具体的答案时，才使用found_answer**
-- **如果信息不足、无法确定、找不到相关信息，必须使用not_enough_info，不要使用found_answer**
-- 答案必须给出，格式为 found_answer(answer="...") 或 not_enough_info(reason="...")。
 """,
         name="memory_retrieval_react_final_prompt",
     )
@@ -198,20 +181,20 @@ def _log_conversation_messages(
 
 
 async def _react_agent_solve_question(
-    question: str,
     chat_id: str,
     max_iterations: int = 5,
     timeout: float = 30.0,
     initial_info: str = "",
+    chat_history: str = "",
 ) -> Tuple[bool, str, List[Dict[str, Any]], bool]:
     """使用ReAct架构的Agent来解决问题
 
     Args:
-        question: 要回答的问题
         chat_id: 聊天ID
         max_iterations: 最大迭代次数
         timeout: 超时时间（秒）
         initial_info: 初始信息，将作为collected_info的初始值
+        chat_history: 聊天记录，将传递给 ReAct Agent prompt
 
     Returns:
         Tuple[bool, str, List[Dict[str, Any]], bool]: (是否找到答案, 答案内容, 思考步骤列表, 是否超时)
@@ -259,8 +242,8 @@ async def _react_agent_solve_question(
 
             Args:
                 text: 要搜索的文本
-                func_name: 函数名，如 'found_answer'
-                param_name: 参数名，如 'answer'
+                func_name: 函数名，如 'return_information'
+                param_name: 参数名，如 'information'
 
             Returns:
                 提取的参数值，如果未找到则返回None
@@ -311,7 +294,7 @@ async def _react_agent_solve_question(
 
             return None
 
-        # 正常迭代：使用head_prompt决定调用哪些工具（包含found_answer工具）
+        # 正常迭代：使用head_prompt决定调用哪些工具（包含return_information工具）
         tool_definitions = tool_registry.get_tool_definitions()
         # tool_names = [tool_def["name"] for tool_def in tool_definitions]
         # logger.debug(f"ReAct Agent 第 {iteration + 1} 次迭代，问题: {question}|可用工具: {', '.join(tool_names)} (共{len(tool_definitions)}个)")
@@ -320,11 +303,13 @@ async def _react_agent_solve_question(
         if first_head_prompt is None:
             # 第一次构建，使用初始的collected_info（即initial_info）
             initial_collected_info = initial_info if initial_info else ""
+            # 根据配置选择使用哪个 prompt
+            prompt_name = "memory_retrieval_react_prompt_head_lpmm" if global_config.experimental.lpmm_memory else "memory_retrieval_react_prompt_head"
             first_head_prompt = await global_prompt_manager.format_prompt(
-                "memory_retrieval_react_prompt_head",
+                prompt_name,
                 bot_name=bot_name,
                 time_now=time_now,
-                question=question,
+                chat_history=chat_history,
                 collected_info=initial_collected_info,
                 current_iteration=current_iteration,
                 remaining_iterations=remaining_iterations,
@@ -372,7 +357,7 @@ async def _react_agent_solve_question(
             logger.error(f"ReAct Agent LLM调用失败: {response}")
             break
 
-        # 注意：这里会检查found_answer工具调用，如果检测到found_answer工具，会根据answer参数决定返回答案或退出查询
+        # 注意：这里会检查return_information工具调用，如果检测到return_information工具，会根据information参数决定返回信息或退出查询
 
         assistant_message: Optional[Message] = None
         if tool_calls:
@@ -402,11 +387,11 @@ async def _react_agent_solve_question(
 
         # 处理工具调用
         if not tool_calls:
-            # 如果没有工具调用，检查响应文本中是否包含found_answer函数调用格式或JSON格式
+            # 如果没有工具调用，检查响应文本中是否包含return_information函数调用格式或JSON格式
             if response and response.strip():
-                # 首先尝试解析JSON格式的found_answer
-                def parse_json_found_answer(text: str):
-                    """从文本中解析JSON格式的found_answer，返回(found_answer, answer)元组，如果未找到则返回(None, None)"""
+                # 首先尝试解析JSON格式的return_information
+                def parse_json_return_information(text: str):
+                    """从文本中解析JSON格式的return_information，返回information字符串，如果未找到则返回None"""
                     if not text:
                         return None, None
                     
@@ -429,11 +414,10 @@ async def _react_agent_solve_question(
                         # 尝试解析JSON
                         data = json.loads(json_text)
                         
-                        # 检查是否包含found_answer字段
-                        if isinstance(data, dict) and "found_answer" in data:
-                            found_answer = bool(data.get("found_answer", False))
-                            answer = data.get("answer", "")
-                            return found_answer, answer
+                        # 检查是否包含return_information字段
+                        if isinstance(data, dict) and "return_information" in data:
+                            information = data.get("information", "")
+                            return information
                     except (json.JSONDecodeError, ValueError, TypeError):
                         # 如果JSON解析失败，尝试在文本中查找JSON对象
                         try:
@@ -455,93 +439,85 @@ async def _react_agent_solve_question(
                                 if json_end != -1:
                                     json_text = text[first_brace:json_end]
                                     data = json.loads(json_text)
-                                    if isinstance(data, dict) and "found_answer" in data:
-                                        found_answer = bool(data.get("found_answer", False))
-                                        answer = data.get("answer", "")
-                                        return found_answer, answer
+                                    if isinstance(data, dict) and "return_information" in data:
+                                        information = data.get("information", "")
+                                        return information
                         except (json.JSONDecodeError, ValueError, TypeError):
                             pass
                     
-                    return None, None
+                    return None
                 
-                # 尝试从文本中解析found_answer函数调用
-                def parse_found_answer_from_text(text: str):
-                    """从文本中解析found_answer函数调用，返回answer字符串，如果未找到则返回None
-                    如果answer存在且非空，表示找到答案；如果answer为空或不存在，表示未找到答案"""
+                # 尝试从文本中解析return_information函数调用
+                def parse_return_information_from_text(text: str):
+                    """从文本中解析return_information函数调用，返回information字符串，如果未找到则返回None"""
                     if not text:
                         return None
 
-                    # 查找found_answer函数调用位置（不区分大小写）
-                    func_pattern = "found_answer"
+                    # 查找return_information函数调用位置（不区分大小写）
+                    func_pattern = "return_information"
                     text_lower = text.lower()
                     func_pos = text_lower.find(func_pattern)
                     if func_pos == -1:
                         return None
 
-                    # 解析answer参数（字符串，使用extract_quoted_content）
-                    answer = extract_quoted_content(text, "found_answer", "answer")
+                    # 解析information参数（字符串，使用extract_quoted_content）
+                    information = extract_quoted_content(text, "return_information", "information")
                     
-                    # 如果answer存在（即使是空字符串），也返回它（空字符串表示未找到答案）
-                    return answer
+                    # 如果information存在（即使是空字符串），也返回它
+                    return information
 
                 # 首先尝试解析JSON格式
-                parsed_found_answer_json, parsed_answer_json = parse_json_found_answer(response)
-                is_json_format = parsed_found_answer_json is not None
+                parsed_information_json = parse_json_return_information(response)
+                is_json_format = parsed_information_json is not None
                 
                 # 如果JSON解析成功，使用JSON结果
                 if is_json_format:
-                    parsed_answer = parsed_answer_json
-                    has_answer = parsed_found_answer_json and parsed_answer and parsed_answer.strip()
+                    parsed_information = parsed_information_json
                 else:
                     # 如果JSON解析失败，尝试解析函数调用格式
-                    parsed_answer = parse_found_answer_from_text(response)
-                    # 如果answer存在且非空，表示找到答案；否则表示未找到答案
-                    has_answer = parsed_answer is not None and parsed_answer.strip() != ""
+                    parsed_information = parse_return_information_from_text(response)
 
-                if parsed_answer is not None or is_json_format:
-                    # 检测到found_answer格式（可能是JSON格式或函数调用格式）
+                if parsed_information is not None or is_json_format:
+                    # 检测到return_information格式（可能是JSON格式或函数调用格式）
                     format_type = "JSON格式" if is_json_format else "函数调用格式"
-                    if has_answer:
-                        # 找到了答案
-                        step["actions"].append(
-                            {
-                                "action_type": "found_answer",
-                                "action_params": {"answer": parsed_answer},
-                            }
-                        )
-                        step["observations"] = [f"检测到found_answer{format_type}调用，找到答案"]
+                    # 返回信息（即使为空字符串也返回）
+                    step["actions"].append(
+                        {
+                            "action_type": "return_information",
+                            "action_params": {"information": parsed_information or ""},
+                        }
+                    )
+                    if parsed_information and parsed_information.strip():
+                        step["observations"] = [f"检测到return_information{format_type}调用，返回信息"]
                         thinking_steps.append(step)
                         logger.info(
-                            f"{react_log_prefix}第 {iteration + 1} 次迭代 通过found_answer{format_type}找到关于问题{question}的答案: {parsed_answer[:100]}..."
+                            f"{react_log_prefix}第 {iteration + 1} 次迭代 通过return_information{format_type}返回信息: {parsed_information[:100]}..."
                         )
 
                         _log_conversation_messages(
                             conversation_messages,
                             head_prompt=first_head_prompt,
-                            final_status=f"找到答案：{parsed_answer}",
+                            final_status=f"返回信息：{parsed_information}",
                         )
 
-                        return True, parsed_answer, thinking_steps, False
+                        return True, parsed_information, thinking_steps, False
                     else:
-                        # 未找到答案，直接退出查询
-                        step["actions"].append(
-                            {"action_type": "found_answer", "action_params": {"answer": ""}}
-                        )
-                        step["observations"] = [f"检测到found_answer{format_type}调用，未找到答案"]
+                        # 信息为空，直接退出查询
+                        step["observations"] = [f"检测到return_information{format_type}调用，信息为空"]
                         thinking_steps.append(step)
                         logger.info(
-                            f"{react_log_prefix}第 {iteration + 1} 次迭代 通过found_answer{format_type}判断未找到答案"
+                            f"{react_log_prefix}第 {iteration + 1} 次迭代 通过return_information{format_type}判断信息为空"
                         )
 
                         _log_conversation_messages(
                             conversation_messages,
                             head_prompt=first_head_prompt,
-                            final_status="未找到答案：通过found_answer文本格式判断未找到答案",
+                            final_status="信息为空：通过return_information文本格式判断信息为空",
                         )
 
                         return False, "", thinking_steps, False
 
-                # 如果没有检测到found_answer格式，记录思考过程，继续下一轮迭代
+                # 如果没有检测到return_information格式，记录思考过程，继续下一轮迭代
                 step["observations"] = [f"思考完成，但未调用工具。响应: {response}"]
                 logger.info(
                     f"{react_log_prefix}第 {iteration + 1} 次迭代 思考完成但未调用工具: {response}"
@@ -555,55 +531,54 @@ async def _react_agent_solve_question(
             continue
 
         # 处理工具调用
-        # 首先检查是否有found_answer工具调用，如果有则立即返回，不再处理其他工具
-        found_answer_answer = None
+        # 首先检查是否有return_information工具调用，如果有则立即返回，不再处理其他工具
+        return_information_info = None
         for tool_call in tool_calls:
             tool_name = tool_call.func_name
             tool_args = tool_call.args or {}
 
-            if tool_name == "found_answer":
-                found_answer_answer = tool_args.get("answer", "")
+            if tool_name == "return_information":
+                return_information_info = tool_args.get("information", "")
 
-                # 如果answer存在且非空，表示找到答案；否则表示未找到答案
-                if found_answer_answer and found_answer_answer.strip():
-                    # 找到了答案
-                    step["actions"].append(
-                        {
-                            "action_type": "found_answer",
-                            "action_params": {"answer": found_answer_answer},
-                        }
-                    )
-                    step["observations"] = ["检测到found_answer工具调用，找到答案"]
+                # 返回信息（即使为空也返回）
+                step["actions"].append(
+                    {
+                        "action_type": "return_information",
+                        "action_params": {"information": return_information_info},
+                    }
+                )
+                if return_information_info and return_information_info.strip():
+                    # 有信息，返回
+                    step["observations"] = ["检测到return_information工具调用，返回信息"]
                     thinking_steps.append(step)
                     logger.info(
-                        f"{react_log_prefix}第 {iteration + 1} 次迭代 通过found_answer工具找到关于问题{question}的答案: {found_answer_answer}"
+                        f"{react_log_prefix}第 {iteration + 1} 次迭代 通过return_information工具返回信息: {return_information_info}"
                     )
 
                     _log_conversation_messages(
                         conversation_messages,
                         head_prompt=first_head_prompt,
-                        final_status=f"找到答案：{found_answer_answer}",
+                        final_status=f"返回信息：{return_information_info}",
                     )
 
-                    return True, found_answer_answer, thinking_steps, False
+                    return True, return_information_info, thinking_steps, False
                 else:
-                    # 未找到答案，直接退出查询
-                    step["actions"].append({"action_type": "found_answer", "action_params": {"answer": ""}})
-                    step["observations"] = ["检测到found_answer工具调用，未找到答案"]
+                    # 信息为空，直接退出查询
+                    step["observations"] = ["检测到return_information工具调用，信息为空"]
                     thinking_steps.append(step)
                     logger.info(
-                        f"{react_log_prefix}第 {iteration + 1} 次迭代 通过found_answer工具判断未找到答案"
+                        f"{react_log_prefix}第 {iteration + 1} 次迭代 通过return_information工具判断信息为空"
                     )
 
                     _log_conversation_messages(
                         conversation_messages,
                         head_prompt=first_head_prompt,
-                        final_status="未找到答案：通过found_answer工具判断未找到答案",
+                        final_status="信息为空：通过return_information工具判断信息为空",
                     )
 
                     return False, "", thinking_steps, False
 
-        # 如果没有found_answer工具调用，继续处理其他工具
+        # 如果没有return_information工具调用，继续处理其他工具
         tool_tasks = []
         for i, tool_call in enumerate(tool_calls):
             tool_name = tool_call.func_name
@@ -613,8 +588,8 @@ async def _react_agent_solve_question(
                 f"{react_log_prefix}第 {iteration + 1} 次迭代 工具调用 {i + 1}/{len(tool_calls)}: {tool_name}({tool_args})"
             )
 
-            # 跳过found_answer工具调用（已经在上面处理过了）
-            if tool_name == "found_answer":
+            # 跳过return_information工具调用（已经在上面处理过了）
+            if tool_name == "return_information":
                 continue
 
             # 记录最后一次使用的工具名称（用于判断是否需要额外迭代）
@@ -712,8 +687,8 @@ async def _react_agent_solve_question(
 
             Args:
                 text: 要搜索的文本
-                func_name: 函数名，如 'found_answer'
-                param_name: 参数名，如 'answer'
+                func_name: 函数名，如 'return_information'
+                param_name: 参数名，如 'information'
 
             Returns:
                 提取的参数值，如果未找到则返回None
@@ -769,7 +744,7 @@ async def _react_agent_solve_question(
             "memory_retrieval_react_final_prompt",
             bot_name=bot_name,
             time_now=time_now,
-            question=question,
+            chat_history=chat_history,
             collected_info=collected_info if collected_info else "暂无信息",
             current_iteration=current_iteration,
             remaining_iterations=remaining_iterations,
@@ -802,64 +777,49 @@ async def _react_agent_solve_question(
             logger.info(f"{react_log_prefix}最终评估Prompt: {evaluation_prompt}")
             logger.info(f"{react_log_prefix}最终评估响应: {eval_response}")
 
-        # 从最终评估响应中提取found_answer或not_enough_info
-        found_answer_content = None
-        not_enough_info_reason = None
+        # 从最终评估响应中提取return_information
+        return_information_content = None
 
         if eval_response:
-            found_answer_content = extract_quoted_content(eval_response, "found_answer", "answer")
-            if not found_answer_content:
-                not_enough_info_reason = extract_quoted_content(eval_response, "not_enough_info", "reason")
+            return_information_content = extract_quoted_content(eval_response, "return_information", "information")
 
-        # 如果找到答案，返回（找到答案时，无论是否超时，都视为成功完成）
-        if found_answer_content:
+        # 如果提取到信息，返回（无论是否超时，都视为成功完成）
+        if return_information_content is not None:
             eval_step = {
                 "iteration": current_iteration,
                 "thought": f"[最终评估] {eval_response}",
-                "actions": [{"action_type": "found_answer", "action_params": {"answer": found_answer_content}}],
-                "observations": ["最终评估阶段检测到found_answer"],
+                "actions": [{"action_type": "return_information", "action_params": {"information": return_information_content}}],
+                "observations": ["最终评估阶段检测到return_information"],
             }
             thinking_steps.append(eval_step)
-            logger.info(f"ReAct Agent 最终评估阶段找到关于问题{question}的答案: {found_answer_content}")
-
-            _log_conversation_messages(
-                conversation_messages,
-                head_prompt=first_head_prompt,
-                final_status=f"找到答案：{found_answer_content}",
-            )
-
-            return True, found_answer_content, thinking_steps, False
-
-        # 如果评估为not_enough_info，返回空字符串（不返回任何信息）
-        if not_enough_info_reason:
-            eval_step = {
-                "iteration": current_iteration,
-                "thought": f"[最终评估] {eval_response}",
-                "actions": [{"action_type": "not_enough_info", "action_params": {"reason": not_enough_info_reason}}],
-                "observations": ["最终评估阶段检测到not_enough_info"],
-            }
-            thinking_steps.append(eval_step)
-            logger.info(f"ReAct Agent 最终评估阶段判断信息不足: {not_enough_info_reason}")
-
-            _log_conversation_messages(
-                conversation_messages,
-                head_prompt=first_head_prompt,
-                final_status=f"未找到答案：{not_enough_info_reason}",
-            )
-
-            return False, "", thinking_steps, is_timeout
+            if return_information_content and return_information_content.strip():
+                logger.info(f"ReAct Agent 最终评估阶段返回信息: {return_information_content}")
+                _log_conversation_messages(
+                    conversation_messages,
+                    head_prompt=first_head_prompt,
+                    final_status=f"返回信息：{return_information_content}",
+                )
+                return True, return_information_content, thinking_steps, False
+            else:
+                logger.info("ReAct Agent 最终评估阶段判断信息为空")
+                _log_conversation_messages(
+                    conversation_messages,
+                    head_prompt=first_head_prompt,
+                    final_status="信息为空：最终评估阶段判断信息为空",
+                )
+                return False, "", thinking_steps, False
 
         # 如果没有明确判断，视为not_enough_info，返回空字符串（不返回任何信息）
         eval_step = {
             "iteration": current_iteration,
             "thought": f"[最终评估] {eval_response}",
             "actions": [
-                {"action_type": "not_enough_info", "action_params": {"reason": "已到达最大迭代次数，无法找到答案"}}
+                {"action_type": "return_information", "action_params": {"information": ""}}
             ],
-            "observations": ["已到达最大迭代次数，无法找到答案"],
+            "observations": ["已到达最大迭代次数，信息为空"],
         }
         thinking_steps.append(eval_step)
-        logger.info("ReAct Agent 已到达最大迭代次数，无法找到答案")
+        logger.info("ReAct Agent 已到达最大迭代次数，信息为空")
 
         _log_conversation_messages(
             conversation_messages,
@@ -1026,66 +986,48 @@ def _store_thinking_back(
         logger.error(f"存储思考过程失败: {e}")
 
 
-async def _process_single_question(
-    question: str,
+async def _process_memory_retrieval(
     chat_id: str,
     context: str,
     initial_info: str = "",
     max_iterations: Optional[int] = None,
+    chat_history: str = "",
 ) -> Optional[str]:
-    """处理单个问题的查询
+    """处理记忆检索
 
     Args:
-        question: 要查询的问题
         chat_id: 聊天ID
         context: 上下文信息
         initial_info: 初始信息，将传递给ReAct Agent
         max_iterations: 最大迭代次数
+        chat_history: 聊天记录，将传递给 ReAct Agent
 
     Returns:
-        Optional[str]: 如果找到答案，返回格式化的结果字符串，否则返回None
+        Optional[str]: 如果找到答案，返回答案内容，否则返回None
     """
-    # 如果question为空或None，直接返回None，不进行查询
-    if not question or not question.strip():
-        logger.debug("问题为空，跳过查询")
-        return None
-    
-    # logger.info(f"开始处理问题: {question}")
-
     _cleanup_stale_not_found_thinking_back()
 
     question_initial_info = initial_info or ""
 
-    # 直接使用ReAct Agent查询（不再从thinking_back获取缓存）
-    # logger.info(f"使用ReAct Agent查询，问题: {question[:50]}...")
-
+    # 直接使用ReAct Agent进行记忆检索
     # 如果未指定max_iterations，使用配置的默认值
     if max_iterations is None:
         max_iterations = global_config.memory.max_agent_iterations
 
     found_answer, answer, thinking_steps, is_timeout = await _react_agent_solve_question(
-        question=question,
         chat_id=chat_id,
         max_iterations=max_iterations,
         timeout=global_config.memory.agent_timeout_seconds,
         initial_info=question_initial_info,
+        chat_history=chat_history,
     )
 
-    # 存储查询历史到数据库（超时时不存储）
-    if not is_timeout:
-        _store_thinking_back(
-            chat_id=chat_id,
-            question=question,
-            context=context,
-            found_answer=found_answer,
-            answer=answer,
-            thinking_steps=thinking_steps,
-        )
-    else:
-        logger.info(f"ReAct Agent超时，不存储到数据库，问题: {question[:50]}...")
+    # 不再存储到数据库，直接返回答案
+    if is_timeout:
+        logger.info("ReAct Agent超时，不返回结果")
 
     if found_answer and answer:
-        return f"问题：{question}\n答案：{answer}"
+        return answer
 
     return None
 
@@ -1099,8 +1041,6 @@ async def build_memory_retrieval_prompt(
     unknown_words: Optional[List[str]] = None,
 ) -> str:
     """构建记忆检索提示
-    使用两段式查询：第一步生成问题，第二步使用ReAct Agent查询答案
-
     Args:
         message: 聊天历史记录
         sender: 发送者名称
@@ -1133,47 +1073,8 @@ async def build_memory_retrieval_prompt(
 
     logger.info(f"{log_prefix}检测是否需要回忆，元消息：{message[:30]}...，消息长度: {len(message)}")
     try:
-        time_now = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime())
-        bot_name = global_config.bot.nickname
         chat_id = chat_stream.stream_id
 
-        # 获取最近查询历史（最近10分钟内的查询，用于避免重复查询）
-        recent_query_history = _get_recent_query_history(chat_id, time_window_seconds=600.0)
-        if not recent_query_history:
-            recent_query_history = "最近没有查询记录。"
-
-        # 第一步：使用 LLM 生成问题
-        question_prompt = await global_prompt_manager.format_prompt(
-            "memory_retrieval_question_prompt",
-            bot_name=bot_name,
-            time_now=time_now,
-            chat_history=message,
-            recent_query_history=recent_query_history,
-            sender=sender,
-            target_message=target,
-        )
-
-        success, response, reasoning_content, model_name = await llm_api.generate_with_model(
-            question_prompt,
-            model_config=model_config.model_task_config.tool_use,
-            request_type="memory.question",
-        )
-
-        if global_config.debug.show_memory_prompt:
-            logger.info(f"{log_prefix}记忆检索问题生成提示词: {question_prompt}")
-        # logger.info(f"记忆检索问题生成响应: {response}")
-
-        if not success:
-            logger.error(f"{log_prefix}LLM生成问题失败: {response}")
-            return ""
-
-        # 解析概念列表和问题列表，只取第一个问题
-        single_question: Optional[str] = None
-        _, questions = parse_questions_json(response)
-        if questions and len(questions) > 0:
-            single_question = questions[0].strip()
-            logger.info(f"{log_prefix}解析到问题: {single_question}")
-
         # 初始阶段：使用 Planner 提供的 unknown_words 进行检索（如果提供）
         initial_info = ""
         if unknown_words and len(unknown_words) > 0:
@@ -1195,13 +1096,7 @@ async def build_memory_retrieval_prompt(
                 else:
                     logger.debug(f"{log_prefix}unknown_words 检索未找到任何结果")
 
-        if not single_question:
-            logger.debug(f"{log_prefix}模型认为不需要检索记忆或解析失败，不返回任何查询结果")
-            end_time = time.time()
-            logger.info(f"{log_prefix}无当次查询，不返回任何结果，耗时: {(end_time - start_time):.3f}秒")
-            return ""
-
-        # 第二步：处理问题（使用配置的最大迭代次数和超时时间）
+        # 直接使用 ReAct Agent 进行记忆检索（跳过问题生成步骤）
         base_max_iterations = global_config.memory.max_agent_iterations
         # 根据think_level调整迭代次数：think_level=1时不变，think_level=0时减半
         if think_level == 0:
@@ -1210,60 +1105,31 @@ async def build_memory_retrieval_prompt(
             max_iterations = base_max_iterations
         timeout_seconds = global_config.memory.agent_timeout_seconds
         logger.debug(
-            f"{log_prefix}问题: {single_question}，think_level={think_level}，设置最大迭代次数: {max_iterations}（基础值: {base_max_iterations}），超时时间: {timeout_seconds}秒"
+            f"{log_prefix}直接使用 ReAct Agent 进行记忆检索，think_level={think_level}，设置最大迭代次数: {max_iterations}（基础值: {base_max_iterations}），超时时间: {timeout_seconds}秒"
         )
 
-        # 处理单个问题
+        # 直接调用 ReAct Agent 处理记忆检索
         try:
-            result = await _process_single_question(
-                question=single_question,
+            result = await _process_memory_retrieval(
                 chat_id=chat_id,
                 context=message,
                 initial_info=initial_info,
                 max_iterations=max_iterations,
+                chat_history=message,
             )
         except Exception as e:
-            logger.error(f"{log_prefix}处理问题 '{single_question}' 时发生异常: {e}")
+            logger.error(f"{log_prefix}处理记忆检索时发生异常: {e}")
             result = None
 
-        # 获取最近10分钟内已找到答案的缓存记录
-        cached_answers = _get_recent_found_answers(chat_id, time_window_seconds=600.0)
-
-        # 合并当前查询结果和缓存答案（去重：如果当前查询的问题在缓存中已存在，优先使用当前结果）
-        all_results = []
-
-        # 先添加当前查询的结果
-        current_question = None
-        if result:
-            all_results.append(result)
-            # 提取问题（格式为 "问题：xxx\n答案：xxx"）
-            if result.startswith("问题："):
-                question_end = result.find("\n答案：")
-                if question_end != -1:
-                    current_question = result[4:question_end]
-
-        # 添加缓存答案（排除当前查询的问题）
-        for cached_answer in cached_answers:
-            if cached_answer.startswith("问题："):
-                question_end = cached_answer.find("\n答案：")
-                if question_end != -1:
-                    cached_question = cached_answer[4:question_end]
-                    if cached_question != current_question:
-                        all_results.append(cached_answer)
-
         end_time = time.time()
 
-        if all_results:
-            retrieved_memory = "\n\n".join(all_results)
-            current_count = 1 if result else 0
-            cached_count = len(all_results) - current_count
+        if result:
             logger.info(
-                f"{log_prefix}记忆检索成功，耗时: {(end_time - start_time):.3f}秒，"
-                f"当前查询 {current_count} 条记忆，缓存 {cached_count} 条记忆，共 {len(all_results)} 条记忆"
+                f"{log_prefix}记忆检索成功，耗时: {(end_time - start_time):.3f}秒"
             )
-            return f"你回忆起了以下信息：\n{retrieved_memory}\n如果与回复内容相关，可以参考这些回忆的信息。\n"
+            return f"你回忆起了以下信息：\n{result}\n如果与回复内容相关，可以参考这些回忆的信息。\n"
         else:
-            logger.debug(f"{log_prefix}问题未找到答案，且无缓存答案")
+            logger.debug(f"{log_prefix}记忆检索未找到相关信息")
             return ""
 
     except Exception as e:

src/memory_system/retrieval_tools/__init__.py

@@ -15,16 +15,18 @@ from .query_chat_history import register_tool as register_query_chat_history
 from .query_lpmm_knowledge import register_tool as register_lpmm_knowledge
 from .query_person_info import register_tool as register_query_person_info
 from .query_words import register_tool as register_query_words
-from .found_answer import register_tool as register_found_answer
+from .return_information import register_tool as register_return_information
 from src.config.config import global_config
 
 
 def init_all_tools():
     """初始化并注册所有记忆检索工具"""
-    register_query_chat_history()
-    register_query_person_info()
-    register_query_words()  # 注册query_words工具
-    register_found_answer()  # 注册found_answer工具
+    # 如果开启了lpmm_memory，则不注册query_chat_history工具
+    if not global_config.experimental.lpmm_memory:
+        register_query_chat_history()
+        register_query_person_info()
+    register_query_words()
+    register_return_information()
 
     if global_config.lpmm_knowledge.lpmm_mode == "agent":
         register_lpmm_knowledge()

src/memory_system/retrieval_tools/found_answer.py

@@ -1,42 +0,0 @@
-"""
-found_answer工具 - 用于在记忆检索过程中结束查询
-"""
-
-from src.common.logger import get_logger
-from .tool_registry import register_memory_retrieval_tool
-
-logger = get_logger("memory_retrieval_tools")
-
-
-async def found_answer(answer: str = "") -> str:
-    """结束查询
-
-    Args:
-        answer: 如果找到了答案，提供答案内容；如果未找到答案，可以为空或不提供此参数
-
-    Returns:
-        str: 确认信息
-    """
-    if answer and answer.strip():
-        logger.info(f"找到答案: {answer}")
-        return f"已确认找到答案: {answer}"
-    else:
-        logger.info("未找到答案，结束查询")
-        return "未找到答案，查询结束"
-
-
-def register_tool():
-    """注册found_answer工具"""
-    register_memory_retrieval_tool(
-        name="found_answer",
-        description="当你决定结束查询时，调用此工具。如果找到了明确答案，在answer参数中提供答案内容；如果未找到答案，可以不提供answer参数或提供空字符串。只有在检索到明确、具体的答案时才提供answer，不要编造信息。",
-        parameters=[
-            {
-                "name": "answer",
-                "type": "string",
-                "description": "如果找到了答案，提供找到的答案内容，必须基于已收集的信息，不要编造；如果未找到答案，可以不提供此参数或提供空字符串",
-                "required": False,
-            },
-        ],
-        execute_func=found_answer,
-    )

src/memory_system/retrieval_tools/query_lpmm_knowledge.py

@@ -56,12 +56,12 @@ def register_tool():
     """注册LPMM知识库查询工具"""
     register_memory_retrieval_tool(
         name="lpmm_search_knowledge",
-        description="从LPMM知识库中搜索相关信息，适用于需要知识支持的场景。",
+        description="从知识库中搜索相关信息，适用于需要知识支持的场景。使用自然语言问句检索",
         parameters=[
             {
                 "name": "query",
                 "type": "string",
-                "description": "需要查询的关键词或问题",
+                "description": "需要查询的问题，使用一句疑问句提问，例如：什么是AI？",
                 "required": True,
             },
             {

src/memory_system/retrieval_tools/return_information.py

@@ -0,0 +1,42 @@
+"""
+return_information工具 - 用于在记忆检索过程中返回总结信息并结束查询
+"""
+
+from src.common.logger import get_logger
+from .tool_registry import register_memory_retrieval_tool
+
+logger = get_logger("memory_retrieval_tools")
+
+
+async def return_information(information: str) -> str:
+    """返回总结信息并结束查询
+
+    Args:
+        information: 基于已收集信息总结出的相关信息，用于帮助回复。如果收集的信息对当前聊天没有帮助，可以返回空字符串。
+
+    Returns:
+        str: 确认信息
+    """
+    if information and information.strip():
+        logger.info(f"返回总结信息: {information}")
+        return f"已确认返回信息: {information}"
+    else:
+        logger.info("未收集到相关信息，结束查询")
+        return "未收集到相关信息，查询结束"
+
+
+def register_tool():
+    """注册return_information工具"""
+    register_memory_retrieval_tool(
+        name="return_information",
+        description="当你决定结束查询时，调用此工具。基于已收集的信息，总结出一段相关信息用于帮助回复。如果收集的信息对当前聊天有帮助，在information参数中提供总结信息；如果信息无关或没有帮助，可以提供空字符串。",
+        parameters=[
+            {
+                "name": "information",
+                "type": "string",
+                "description": "基于已收集信息总结出的相关信息，用于帮助回复。必须基于已收集的信息，不要编造。如果信息对当前聊天没有帮助，可以返回空字符串。",
+                "required": True,
+            },
+        ],
+        execute_func=return_information,
+    )

template/bot_config_template.toml

@@ -1,5 +1,5 @@
 [inner]
-version = "7.3.5"
+version = "7.4.0"
 
 #----以下是给开发人员阅读的，如果你只是部署了麦麦，不需要阅读----
 # 如果你想要修改配置文件，请递增version的值
@@ -132,7 +132,13 @@ global_memory = false # 是否允许记忆检索进行全局查询
 global_memory_blacklist = [
     
 ] # 全局记忆黑名单，当启用全局记忆时，不将特定聊天流纳入检索。格式: ["platform:id:type", ...]，例如: ["qq:1919810:private", "qq:114514:group"]
-planner_question = true # 是否使用 Planner 提供的 question 作为记忆检索问题。开启后，当 Planner 在 reply 动作中提供了 question 时，直接使用该问题进行记忆检索，跳过 LLM 生成问题的步骤；关闭后沿用旧模式，使用 LLM 生成问题
+
+# 聊天历史总结配置
+chat_history_topic_check_message_threshold = 80 # 聊天历史话题检查的消息数量阈值，当累积消息数达到此值时触发话题检查
+chat_history_topic_check_time_hours = 8.0 # 聊天历史话题检查的时间阈值（小时），当距离上次检查超过此时间且消息数达到最小阈值时触发话题检查
+chat_history_topic_check_min_messages = 20 # 聊天历史话题检查的时间触发模式下的最小消息数阈值
+chat_history_finalize_no_update_checks = 3 # 聊天历史话题打包存储的连续无更新检查次数阈值，当话题连续N次检查无新增内容时触发打包存储
+chat_history_finalize_message_count = 5 # 聊天历史话题打包存储的消息条数阈值，当话题的消息条数超过此值时触发打包存储
 
 [dream]
 interval_minutes = 60 # 做梦时间间隔（分钟），默认30分钟
@@ -306,6 +312,8 @@ private_plan_style = """
 # ]
 chat_prompts = []
 
+lpmm_memory = false # 是否将聊天历史总结导入到LPMM知识库。开启后，chat_history_summarizer总结出的历史记录会同时导入到知识库
+
 
 # 此系统暂时移除，无效配置
 [relationship]