记忆模型——持久化什么

MemoryModel

持久化单位是 MemoryModel——一个持有单会话对话历史的 Pydantic 模型：

from amrita_core.types.memory import MemoryModel

memory = MemoryModel()  # 空历史
memory.messages  # list[Message | ToolResult]

• messages —— 对话本身：Message 条目（user / assistant）与配对的 ToolResult 条目。
• 作为 Pydantic 模型，可用 model_dump() 序列化、model_validate() 校验—— 正是文件/DB 后端需要的（见数据后端）。

生命周期

1. 加载 —— 工作流的 LOAD_STATE 节点调用 memory.load_memory(session_id)， 结果存入 MemoryContext（chat._di_memory.memory）。
2. 修改 —— 策略向 SendMessageWrap 追加；结束时（_post_runner）assistant 响应也被追加，最终列表写回 mem_ctx.memory.messages。
3. 提交 —— COMMIT_MEMORY 节点调用 memory.commit_memory(session_id, memory)。

所以同一 session_id + 后端组合决定下一次对话加载什么——框架只负责编排调用。

MemoryContext（DI）

运行时记忆存在于 MemoryContext DI 槽位：

chat._di_memory.memory  # MemoryModel | None——LOAD_STATE 之后被设置

工作流节点与策略通过类型匹配注入访问（mem: MemoryContext）。

记忆摘要

LLMConfig.enable_memory_abstract + memory_abstract_threshold 触发摘要： 当 prompt token 数超过阈值，较旧轮次在请求发出前被摘要替换 （见教程 5——记忆）。内置 step 策略还会在 Step 之间压缩历史（见Step 循环）。

StateContext（遗留访问器）

StateContext（session_id + memory + ability）仍作为向后兼容访问器存在： chat.state 从 DI 上下文合成一个，LegacyBackend 用它作进程内存储。 新代码应直接使用 DI 上下文（_di_memory、_di_ability、_di_session）。

下一步

数据管理——回到总览，或继续 扩展与集成。