06: 时序记忆整合¶
概述¶
使用组合键将一系列碎片化事件转化为单条"日汇总"记录。展示时间切片聚合，其中整天的事件整合为一个带有 LLM 合成摘要的连贯记录。
主题¶
时间序列数据聚合
策略¶
时间切片 + LLM.BALANCED 合并
关键特性¶
- ✅ 碎片化事件的日度聚合
- ✅ 使用组合键的时间分段
- ✅ 时间感知的整合
- ✅ LLM 合成的日汇总
- ✅ 跨时间的趋势分析
数据结构¶
DailyTrace¶
user: str # 用户标识
date: str # 日期 (YYYY-MM-DD)
actions: list[str] # 累积的操作
summary: str # LLM 合成的摘要
mood: str | None # 推断的心情/情感
key_events: list[str] # 重要事件
productivity: str | None # 生产力评估
notes: list[str] # 附加备注
使用场景¶
分析与日志：将流式日志、用户事件或遥测整合为日汇总。适用于仪表板、分析和跨时间段的趋势分析。
优势： - 减少数据量（每天 1 个摘要而不是 1000 个事件） - 更好的模式识别 - 高效的存储和检索 - 时间感知的洞察
运行示例¶
cd examples/
# 设置 OpenAI API 密钥用于 LLM 合成（可选）
export OPENAI_API_KEY="your-key-here"
python 06_temporal_memory_consolidation.py
输出¶
结果存储在 temp/temporal_memory/：
- memory.json：日汇总记录
- metadata.json：模式和统计信息
- faiss_index/：用于时间搜索的向量索引
API 需求 🔄 可选¶
有 OpenAI API 密钥时此示例效果最好，用于 LLM 驱动的合成，但没有也能进行基础整合。
您将学到¶
- 组合键：使用组合键进行时间感知的分组
- 时间切片：将事件聚合到时间分段
- LLM 合成：生成事件摘要
- 时间模式：发现跨时间的模式
- 流处理：处理连续事件流
复杂度¶
⭐⭐⭐ 中级：展示高级时间感知整合模式。
真实应用¶
- 日活动摘要：将 1000 个用户操作转换为日文摘
- 系统监控：将日志聚合为日健康报告
- 分析：将事件流转换为可分析的日度指标
- 趋势分析：识别跨天/周/月的模式