PromptX/protocol/practice/memory-best-practice.md

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，包括记忆类型选择、操作建议和具体示例。

💡 最佳实践

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：

1. 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"

2. 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"

3. 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

• 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：

  • 优先使用精确查询
  • 指定合理的置信度阈值
  • 处理记忆缺失的回退策略

📋 使用示例

基础使用示例

<!-- 简单的记忆定义 -->
<memory id="os_preference">
  用户使用MacOS系统
</memory>

<!-- 带评估的记忆创建 -->
<memory id="code_style">
  <evaluate:thought>
    <reasoning>
      用户连续三次使用了相同的代码风格(缩进2空格、驼峰命名)，
      这是重要的个人偏好信息，应记住以提供一致的代码建议。
      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="error_solution">
  <!-- 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resource实现 -->
  <recall:resource>
    @memory://solutions/tensorflow?confidence=0.7
  </recall:resource>
</memory>

注意：memory协议与thought(评估)、execution(存储)、resource(检索)协议紧密结合，形成完整的记忆系统。