5.LTM: AI-ассистент помнит, КТО ТЫ! Долгосрочная память о пользователе внутри МНЕМОС

Сохранение (save_facts) — UPSERT без дублей

INSERT INTO userfacts (userid, factkey, factvalue, contexttype, extractedat)
VALUES (?, ?, ?, 'long_term', ?)

ON CONFLICT(userid, factkey)

DO UPDATE SET factvalue = excluded.factvalue, extractedat = excluded.extractedat

Никаких дублей: если факт уже есть и значение не изменилось — пропускаем. Изменилось (поменял работу, переехал) — перезаписываем. Старое не накапливается.

Защита от распухания:

• значение обрезается до 500 символов, ключ до 100
• в БД максимум 40 фактов на пользователя (MAXFACTSIN_DB) — самые старые удаляются
• в промпт попадают только 15 последних (MAXFACTSIN_PROMPT)

Загрузка (Loading) — realtime

В main.py при сборке промпта:

# main.py:1565 — LTM: инжекция фактов о пользователе
from .ltmemory import loadfacts as ltm_load

ltmtext = ltmload(conn, userid)

if ltm_text:

    streamprompt = ltmtext + "\n" + stream_prompt

load_facts читает последние 15 фактов и собирает два блока:

[ПАМЯТЬ О ПОЛЬЗОВАТЕЛЕ]

Зовут: Руслан
Профессия: программист
Город: Пенза
Заметка: создатель Сати

[СТИЛЬ ОБЩЕНИЯ]



Тон: прямой, без воды
Обращение: на ты
Формат: кратко

Обратите внимание на вложенную привязку: блок LTM ставится в начало промпта — раньше правил, инструментов и few-shot. Потому что «кого обслуживаешь» — это самый базовый контекст, на котором должны строиться все остальные инструкции.

Style Profile — отдельный блок про то, как общаться

Отдельная фишка LTM — Style Profile. Это не факты о жизни, а модель того, как пользователь ведёт диалог. Семь характеристик: тон, формат, обращение, эмодзи, тех.уровень, терпеливость, эмоциональность.

pie title Style Profile — из чего собирается
    "Тон (прямой/формальный/тёплый)" : 1

    "Формат (кратко/развёрнуто)" : 1

    "Обращение (на ты/на Вы)" : 1

    "Эмодзи (активно/без)" : 1

    "Тех.уровень (начинающий/senior)" : 1

    "Терпеливость (уточняет/сразу к делу)" : 1

    "Эмоциональность (сдержан/эмоционален)" : 1

Зачем это отдельно? Потому что «что сказать» и «как сказать» — разные задачи. Первое покрывают факты, второе — стиль. Если пользователь — senior программист, который пишет «кратко, на ты, без эмодзи» — ассистент адаптирует ответы: без воды, без сюсюканья, по делу. Если другой пользователь эмоционален и любит эмодзи — ассистент это считывает и подстраивается.

Это и есть персонализация — не через тонну правил в промпте, а через факты, которые собрала сама система.

Как это выглядит в бою

Пример 1: сессия через месяц.

Пользователь: «Сати, доброе утро»
Ассистент:   «Доброе утро, Руслан! Как настроение? В Пензе сейчас немного дождливо»

Раньше ассистент ответил бы «Доброе утро! Чем могу помочь?» — формально и безлико.

Пример 2: тех.разговор с адаптацией стиля.

Пользователь (senior, на ты, кратко): «Разведи юнит-тесты и интеграционные в CI»
Без LTM:    ассистент объясняет, ЧТО такое юнит-тесты, по шагам, на «вы»

С LTM:      «Сделаю. Юнит — на каждый push, интеграционные — на тег. Ок?»

Пример 3: исправление, которое должно работать всегда.

(в каком-то диалоге пользователь написал «не называй меня на Вы»)
→ LTM извлёк: ltm_correction = «не называй меня на Вы»

(все последующие сессии):

[ПАМЯТЬ О ПОЛЬЗОВАТЕЛЕ]
Исправление: не называй меня на Вы

Ровно тот кейс из вступления статьи про МНЕМОС — «три месяца назад сказал „обращайся на ты" — должно работать всегда». Там я его заявил как требование, здесь — как реализацию.

LTM vs МНЕМОС (L1/L2/L3) — что где

Самое частое недоразумение — путать LTM с МНЕМОС. Развожу:

flowchart LR
    subgraph Mnemos["МНЕМОС"]

        subgraph Knowledge["Знание (чему научилась)"]

            direction LR

            E1[L1 experiencebank] --> E2[L2 expL2theme] --> E3[L3 experience_fails]

        end

        subgraph Person["Досье (кого обслуживает)"]

            LTM1[LTM — факты о пользователе]

        end

    end

    subgraph Brayn["БРЭЙН / STM"]

        MG1[микро-цели и якоря]

    end

    subgraph Contour["Контур"]

        C1[UserModel trust/frust]

    end

    LTM1 --> Person

    E1 --> Knowledge

Три «памяти» и Контур — где LTM

Чтобы не запутаться во всех пяти статьях серии:

sequenceDiagram
    participant U as Пользователь

    participant M as main.py (chat_stream)

    participant LTM as ltmemory.py

    participant UF as user_facts (PG)

    participant CRON as Крон (6ч)

    participant LLM as LLM-анализатор

    Note over CRON,LLM: Извлечение (фоновое, раз в 6ч)

    CRON->>LLM: «вот диалог — вытащи факты»

    LLM-->>CRON: [{"key":"ltm_name","value":"Руслан"}, ...]

    CRON->>UF: save_facts (UPSERT, максимум 40)

    Note over U,M: Загрузка (realtime, новая сессия)

    U->>M: «Сати, доброе утро»

    M->>LTM: loadfacts(userid)

    LTM->>UF: SELECT ... LIMIT 15

    UF-->>LTM: 5 фактов

    LTM-->>M: "[ПАМЯТЬ О ПОЛЬЗОВАТЕЛЕ]..."

    M->>M: streamprompt = ltmtext + stream_prompt

    M-->>U: «Доброе утро, Руслан! В Пензе сегодня немного дождливо, ты не забыл зонтик?»

Где берет первичные данные и изоляция между пользователями

Сравнение с аналогами

Границы и ограничения

Честно о том, где пока LTM не идеальна и над чем еще работать:

1. Задержка до 6 часов. Только что сказанный факт мгновенно попадает в историю (STM), но в блок [ПАМЯТЬ] — только после ближайшего LTM-прохода. Если пользователь сообщил «у меня теперь свой бизнес» и тут же спросил про бизнес — в этом же диалоге ассистент может этого не «знать» как факта.

1. Только явные факты. Промпт извлечения запрещает додумывать. «Похоже, пользователь интроверт» — не извлечётся. Это осознанный выбор: лучше недобрать, чем наврать в досье.

1. Конфликт с «запомни». Есть два пути записи факта: явная команда «запомни: правило X» (→ memory.py, мгновенно) и автоизвлечение LTM (→ фон). Оба пишут в userfacts, но с разными contexttype. Нужно следить, чтобы автоизвлечение не затирало явно введённые правила.

1. Ограничение 40 фактов. Для очень активных пользователей старые факты отваливаются. Пока на практике это не наступает (5-10 фактов на человека), но предел есть.

1. Ошибка извлечения. Известный некритичный баг Fact extraction error: 'dict' has no attribute 'strip' — падает отдельное извлечение, система продолжает работать с прошлыми фактами. Логируется и не роняет сервис.

Что дальше

В следующих статьях:

• Замкнутый цикл обучения — Sufler → fail → ЛИКБЕЗ → знание (как LTM и МНЕМОС кормят друг друга)
• Matematicus — 3-level matching для точных расчётов
• Противодействие противоречиям — что делать, когда факты конфликтуют (Contradiction Resolver)

Если есть вопросы по конкретному компоненту — пишите в комментариях.