7.9 KiB
7.9 KiB
DPML记忆模式提示词框架最佳实践
TL;DR: 本文档提供DPML记忆模式提示词框架的最佳实践指南，包括知识库设计、记忆类型选择、操作建议和具体示例。
💡 最佳实践
知识库设计
角色的先验知识库设计应考虑以下因素：
-
结构化程度：
- 高度结构化：适合专业领域知识，便于精确检索
- 半结构化：适合通用知识，平衡灵活性和组织性
- 低结构化：适合创意和启发性内容，保持关联灵活性
-
知识粒度：
- 宏观框架：定义领域整体认知结构
- 中观原则：定义关键概念和方法论
- 微观细节：定义具体事实和操作步骤
-
表达方式推荐：
- 领域地图：使用思维导图表达知识间的关系
- 分类表格：使用表格整理分类知识
- 核心原则：使用编号列表表达重要规则和原则
-
资源引用特性：
- 预加载原则：knowledge标签中的所有资源引用都会在角色初始化时加载
- 内容与引用平衡：综合使用直接内容和资源引用
- 分级引用：核心知识内联，扩展知识通过资源引用
记忆类型选择
协议实现可以根据需求采用不同的记忆类型分类方法，以下是基于认知心理学的常见分类：
-
陈述性记忆(declarative)：事实性知识，包括：
- 语义记忆：通用事实，如"Python是编程语言"
- 时态记忆：时间相关信息，如"上次会话在昨天"
-
程序性记忆(procedural)：过程和技能知识，如：
- 操作步骤：如"解决环境配置问题的方法"
- 行动模式：如"用户代码风格偏好"
-
情景记忆(episodic)：特定经历和场景，如：
- 交互记录：如"用户之前遇到的报错"
- 场景重建：如"项目开发历程"
不同类型记忆的选择建议：
- 存储事实性信息时，考虑使用陈述性记忆方式
- 存储方法和步骤时，考虑使用程序性记忆方式
- 存储具体交互经历时，考虑使用情景记忆方式
记忆操作使用建议
-
knowledge最佳实践：
- 将核心知识组织为分层结构
- 使用可视化图表表达知识间的关系
- 区分"确定性知识"和"启发性知识"
- 避免过于琐碎的细节，保持适当抽象
- 确保所有关键知识都在角色初始化时可用
- 平衡内联内容和资源引用，内联核心概念，引用详细信息
- 使用资源引用时考虑加载成本，避免引用过大的资源
-
evaluate最佳实践：
- 明确设定评估标准
- 综合考虑信息的稀有性、实用性和时效性
- 避免过度记忆导致的信息冗余
-
store最佳实践：
- 为记忆提供足够的上下文
- 建立适当的记忆关联
- 设置合理的过期策略
-
recall最佳实践：
- 设计清晰的记忆检索触发条件
- 制定多层次的检索策略
- 规划记忆应用的具体步骤
- 处理记忆缺失的回退策略
- 资源引用按需加载，注意引用路径的准确性
📋 使用示例
基础使用示例
<!-- 带知识库的简单记忆定义 -->
<memory id="tech_specialist">
<knowledge>
# 技术领域基础知识
## 核心概念（直接内联，预加载）
- 编程语言：Python、JavaScript、Go
- 开发框架：React、Django、Flask
- 数据库技术：SQL、MongoDB、Redis
## 详细资料（资源引用，预加载）
- @file://references/programming_languages.md
- @file://references/frameworks.md
</knowledge>
<!-- 运行时记忆处理 -->
<evaluate:thought>
<reasoning>
用户提供了特定的代码风格偏好，这对提供一致的代码建议很重要。
评分：实用性=8，稳定性=9，总分8.5 > 阈值7.5
</reasoning>
</evaluate:thought>
<store:execution>
{
"indent": "2spaces",
"naming": "camelCase",
"brackets": "sameLine"
}
</store:execution>
</memory>
高级使用示例
<!-- 完整的记忆生命周期示例 -->
<memory id="support_specialist">
<!-- 知识库定义 -->
<knowledge>
# 技术支持专家知识库
```mermaid
mindmap
root((技术支持))
常见问题
依赖冲突
环境配置
性能优化
诊断方法
日志分析
错误模式识别
性能分析
解决策略
快速修复
根本解决
预防措施
```
## 优先级框架
| 问题类型 | 优先级 | 响应时间 |
|---------|-------|---------|
| 系统宕机 | 紧急 | <30分钟 |
| 功能障碍 | 高 | <2小时 |
| 性能问题 | 中 | <1天 |
| 功能建议 | 低 | <1周 |
## 知识库引用（全部预加载）
- @file://kb/common_errors.md
- @http://internal.docs/troubleshooting-guide.html
- @db://support/solutions
</knowledge>
<!-- 评估阶段：判断是否值得记忆 -->
<evaluate:thought>
<reasoning>
分析用户遇到的依赖安装错误:
1. 问题特点:
- 特定版本冲突问题
- 解决方法非官方文档所列
- 多次在社区中被报告
2. 记忆价值:
- 解决方案不易找到
- 可能重复出现
- 节省未来排查时间
记忆价值评分：9/10，超过阈值
决策：应当记忆此解决方案
</reasoning>
</evaluate:thought>
<!-- 存储阶段：通过execution实现 -->
<store:execution>
问题：TensorFlow 2.4安装与CUDA 11.2版本冲突
解决方案：使用兼容性补丁并降级CUDA驱动
<!-- 使用execution协议元素定义存储过程 -->
<process>
# 存储流程
```mermaid
flowchart TD
A[接收内容] --> B[验证格式]
B --> C[分类标记]
C --> D[构建索引]
D --> E[写入持久存储]
```
</process>
<rule>
1. 解决方案记忆优先级设为高
2. 建立与相关技术的关联索引
3. 保存完整的上下文信息
</rule>
</store:execution>
<!-- 检索阶段：通过thought实现 -->
<recall:thought>
<reasoning>
根据当前用户描述的错误信息分析:
- 涉及TensorFlow与CUDA版本问题
- 错误模式与之前记录的类似
- 应当检索相关解决方案
</reasoning>
<plan>
# 记忆应用计划
```mermaid
flowchart TD
A[识别问题模式] --> B[检索相关记忆]
B --> C[验证适用性]
C -->|适用| D[应用解决方案]
C -->|不适用| E[寻找替代方案]
D --> F[监控结果]
```
1. 检索TensorFlow相关解决方案
2. 验证版本兼容性
3. 提供定制化指导
<!-- 按需加载的外部资源 -->
@file://solutions/tensorflow_cuda_fixes.md
</plan>
</recall:thought>
</memory>
实现考虑事项
知识预加载与按需加载的平衡
-
预加载考虑：knowledge标签中的所有内容和资源引用都预加载
- 优点：对话开始时角色就拥有完整知识
- 缺点：初始化成本高，特别是引用大型资源时
-
混合策略建议：
- 核心知识直接内联在knowledge标签中
- 必要但不常用的知识通过资源引用方式组织
- 极少使用的扩展知识放在recall中按需引用
-
性能优化：
- 对大型知识库考虑使用索引+按需加载模式
- 使用分层加载策略：核心立即加载，细节延迟加载
- 为循环引用建立保护机制，避免无限递归加载
注意：memory协议现在包含四个核心组件：knowledge(先验知识库)、evaluate(评估)、store(存储)和recall(回忆)，共同构成完整的记忆系统。knowledge定义预加载知识，而其他组件负责运行时记忆管理。