展望未来 AI 长记忆模块的标准架构

-- 会话表：记录每一次对话的元信息
CREATE TABLE sessions (
    session_id UUID PRIMARY KEY,
    user_id VARCHAR(64) NOT NULL,
    title VARCHAR(255),          -- 如“讨论 AI OS 架构设计”
    created_at TIMESTAMPTZ,
    last_active_at TIMESTAMPTZ
);

-- 消息表：每一轮对话的具体内容与精准标签
CREATE TABLE messages (
    message_id UUID PRIMARY KEY,
    session_id UUID REFERENCES sessions(session_id),
    role VARCHAR(20) CHECK (role IN ('user', 'assistant')),
    content TEXT,                 -- 原始对话文本
  
    -- ⭐ 核心：留给 AI 填充的精准匹配字段（JSONB 格式，灵活扩展）
    ai_metadata JSONB,
  
    created_at TIMESTAMPTZ,
    user_rating SMALLINT,         -- 用户手动点赞/点踩
    is_pinned BOOLEAN DEFAULT false
);

-- 为 JSONB 内的标签建立索引，实现毫秒级精准过滤
CREATE INDEX idx_metadata_intent ON messages ((ai_metadata->>'intent'));
CREATE INDEX idx_metadata_entities ON messages USING GIN ((ai_metadata->'entities'));

┌─────────────────┐
│ 1. 用户输入消息   │
└────────┬────────┘
         ▼
┌─────────────────┐
│ 2. 主线程同步写入 │  ← INSERT INTO messages (message_id, content, ...)
│    SQL 数据库    │    只存最原始的 ID 和文本，快速落盘，不阻塞用户。
└────────┬────────┘
         ▼
┌─────────────────┐
│ 3. 异步任务队列   │  ← 消息进入队列，后台处理。
└────────┬────────┘
         │
         ├──────────────────────┬──────────────────────┐
         ▼                      ▼                      ▼
┌─────────────────┐   ┌─────────────────┐   ┌─────────────────┐
│ 4a. Embedding   │   │ 4b. 元数据提炼   │   │ 4c. 本地缓存更新 │
│ 写入向量数据库    │   │ 调用轻量级 LLM   │   │ 更新 SQLite     │
└─────────────────┘   └────────┬────────┘   └─────────────────┘
                               │
                               ▼
                    ┌─────────────────────┐
                    │ 5. 回调更新 SQL      │
                    │ UPDATE messages     │
                    │ SET ai_metadata = ? │
                    │ WHERE message_id = ?│
                    └─────────────────────┘

你是一个元数据提取助手。请分析以下对话内容，提取关键结构化信息，并以 JSON 格式返回。

要求：
1. intent: 用户意图，从 [question, command, complaint, chitchat, decision] 中选择。
2. entities: 提取提到的技术名词、人名、项目名、文件名（数组）。
3. sentiment: 情绪，[positive, neutral, negative]。
4. summary_title: 用不超过10个字概括本消息核心（用于生成会话标题）。
5. contains_code: 是否包含代码片段，布尔值。

对话内容：
{message_content}

只返回合法 JSON，不要有其他文字。

{
  "intent": "question",
  "entities": ["PostgreSQL", "JSONB", "GIN索引"],
  "sentiment": "neutral",
  "summary_title": "询问JSONB索引优化",
  "contains_code": false
}

用户自然语言查询
        │
        ▼
┌───────────────────────────────────┐
│ 步骤 1: 意图路由（规则 + 轻量模型）  │
│ 识别到：有明确时间范围、有状态标签   │
│ 判定：优先走 SQL 精准过滤路线      │
└───────────────┬───────────────────┘
                ▼
┌───────────────────────────────────┐
│ 步骤 2: SQL 精准拦截              │
│ SELECT * FROM messages            │
│ WHERE user_id = 'current'         │
│   AND created_at BETWEEN ...      │
│   AND is_pinned = true            │
│   AND ai_metadata->>'entities'    │
│       ? 'React';                  │
│                                   │
│ 返回：3 条精确候选消息             │
└───────────────┬───────────────────┘
                ▼
┌───────────────────────────────────┐
│ 步骤 3: 向量语义重排（可选）       │
│ 如果候选 > 1 条，用向量相似度      │
│ 对 3 条内容重排序，选最优一条      │
└───────────────┬───────────────────┘
                ▼
        返回最终上下文给 LLM 生成回答