Memory Summarization 是一个对话摘要技能，主要用于记忆压缩和上下文管理。它来自 a5c-ai/babysitter，页面地址为 https://www.skills.sh/a5c-ai/babysitter/memory-summarization。
用途 该技能用于实现对话摘要策略，帮助在对话记忆系统中压缩历史信息、管理上下文长度。其目标流程包括 conversational-memory-system（对话记忆系统）和 long-term-memory-management（长期记忆管理）。
主要能力
- 实现对话摘要策略
- 配置滚动摘要更新
- 设计分层摘要
- 实现 Token 感知的摘要
- 创建抽取式和生成式摘要
- 设计摘要质量评估
摘要策略
- Rolling Summary（滚动摘要）：用新消息更新摘要
- Hierarchical（分层摘要）：多级摘要
- Token-Budget（Token 预算）：适配 Token 限制
- Extractive（抽取式）：关键消息选择
- Abstractive（生成式）：由 LLM 生成摘要
配置选项
- 用于摘要的 LLM
- 摘要 Token 预算
- 更新频率
- 摘要模板
- 质量阈值
最佳实践
- 平衡细节与压缩
- 保留关键信息
- 监控摘要质量
- 用长对话进行测试
- 处理上下文窗口限制
依赖
- langchain-core
- LLM provider
适用场景 该技能适用于需要管理对话历史、压缩上下文、维护长期记忆的对话系统或智能体场景，尤其是对话轮次较多、上下文窗口受限、需要持续更新摘要的情况。
限制 资料未提供具体安装命令、代码示例、价格、平台支持范围或效果数据，这些内容暂未提供。