amrita_plugin_memory
基于向量数据库的长期记忆插件 — 三层记忆模型:
| 层 | 名称 | 类比 | 载体 | 何时使用 |
|---|---|---|---|---|
| L1 | 备忘录 | 恒常激活的持久记忆 | 插件自有 ORM 表(per-uni_id 单行) | 每轮常驻注入 |
| L2 | 向量记忆层 | 语义记忆(按线索提取) | ChromaDB 向量库 | LLM 按需检索 |
| L3 | 离线巩固循环 | 默认模式网络(DMN) | 后台 ReAct Agent | 空闲窗口到达时整理 |
- L1 — 一段千字内的用户元信息(身份、稳定偏好、用户要求的工具调用模式),由 LLM 维护,每轮注入 system prompt。
- L2 — 向量化的长尾事实库,LLM 通过工具按需读写,ChromaDB 语义检索。
- L3 — 用户聊过之后,在作息里的冷门时段触发一轮后台整理:去重、压缩、画像精炼、知识沉淀。
安装
ambot plugin add amrita_plugin_memory
前置依赖:Python 3.11–3.13 / AmritaBot 实例 / Ollama 或 OpenAI 嵌入服务 / ChromaDB。
嵌入服务是必需前置 —— 本插件不自带嵌入模型。
快速开始
1. 配置环境变量(.env)
VECTOR_DB_TYPE=local
EMBEDDING_MODEL_URL=http://127.0.0.1:11434
EMBEDDING_MODEL_NAME=auto
EMBEDDING_PROCTOL=ollama-embed
2. L1 + L2 开箱可用
无需额外配置。LLM 会在需要时自动调用 write_memory / read_memory / update_memo 等工具;
L1 备忘录一旦写入,此后每轮对话都会自动注入。
3. 开启 L3 离线巩固循环(可选)
编辑 config/amrita_plugin_memory/config.toml:
[subconscious]
enabled = true
target_user_id = "你的QQ号"
用户发过消息后,后台 Agent 会在下一个空闲窗口里整理记忆库 —— 默认按作息热度图挑冷门时段,而不是固定 30 分钟。
适用场景:L3 专为个人助理场景设计 —— 单个 Bot 服务单个用户。 它会在后台持续调用 LLM,每轮推理可能消耗数万 tokens。 如果 Bot 服务于大量用户或对 token 成本敏感,建议保持
enabled = false。
允许 Agent 主动发私聊消息:
allow_send_to_user = true
关闭全局知识库以节省 token:
enable_knowledge = false
知识库当前依赖 L3 —— 当
enabled = false时,知识库也会自动禁用。
4. 验证
ambot memory status # 查看嵌入指纹、记忆分布与备份
观察日志中 [Subconscious] / [Memory] 前缀的输出:
[Subconscious] Starting for user=你的QQ号
[Subconscious] Idle — waiting for user chat to trigger first run
用户发消息后会先看到 Rescheduled: penalty=#1, ...,里面带着选中的窗口
(星期几、起止时刻、长度、分层、放宽次数)。时间到了才有 Cycle start。
第一次运行时热度图还是空的,会直接落在 idle_target_hour 的固定窗口。
三层记忆模型
L1 是每轮注入的一段千字内元信息,LLM 用 update_memo 整篇改写;L2 是 ChromaDB 长尾事实库,
按需检索;L3 在空闲窗口里读 L2 与归档 session,做去重、精炼、画像与知识沉淀。
L1 临近上限时把细节下放到 L2,只留指针。
L1 备忘录
memo_max_chars(默认 1000)是硬上限,所以主力写入是整篇替换:读当前 memo、融合新事实、
输出全文、服务端校验长度后落库。超长时工具拒绝写入并返回当前字数,由 LLM 自己压缩重试。
放身份、稳定偏好、用户指定的工具调用模式;具体事件与项目细节放 L2。只写陈述性事实,
不写祈使句规则 —— 那是 extra_prompt 的地盘,插件不读也不写它。
表是 amrita_plugin_memory_user_memo,主键为框架 uni_id,个人与群各占一行。
注入走 on_precompletion(priority=15),与 L3 解耦:私聊注入个人 memo,
群聊只注入群 memo(不含发言人的个人 memo),空 memo 不注入。
工具三个:read_memo、append_memo(末尾追加)、update_memo(整篇替换)。
L2 向量记忆层
scope 表达语义,与分区键是两个维度:
scope |
含义 | 可用场景 |
|---|---|---|
user |
个人专属(群聊私聊互通) | 任意 |
group |
群共享(群内所有人可见) | 仅群聊 |
分区键跟随 Amrita 的 make_uni_id(旧版 user_{qq},新版 QQPlatform_Private_{qq}),
插件不硬编码,升级后自动跟随;存量 Key 由启动检查幂等迁移。
每条记忆带 user_id / scope / tags / importance / created_at,检索支持 top_k
与 importance 过滤,结果附带距离(ChromaDB 默认 l2,越小越相似)。
时间退化分两段:检索期按 1/(1+d) × max(0.5^(age/half_life), floor) 重排后截回 top_k
(只重排不删);清理期按 importance 的寿命阈值扫描,超龄先降级,降到 low 仍超龄才删除。
两段都受 [decay].enabled 控制。
L3 离线巩固循环(DMN)
复用 Core 的 REACT_ONLY,SubconsciousRunner 只注入隔离的 SubconsciousBackend
与 ReActAgentStrategy。每轮第一件事必须调 subconscious_get_context(精确时间、
距上轮间隔、上轮摘要、待审建议、库规模),system prompt 因此只放不变量 ——
同一天内逐字节一致,能吃到 provider 的前缀缓存。
触发不用定时自循环:用户发消息就给所在时槽加一次热度、惩罚 +1、重挑窗口。
默认按 7 天 × 12 槽的热度图找冷段,penalty 的含义是"要求多长的冷段"而非延迟分钟数;
没有历史时落在 idle_target_hour。关掉 use_idle_window_planner 回退成固定指数退避。
整理职责:去重合并、重要性校准与标签统一、画像精炼、知识沉淀、临近上限时压缩 L1。
调度可靠性:待执行任务的触发时刻随状态一起落盘,重启后会补排(停机期间错过的窗口
一分钟内补跑);任务的 misfire_grace_time 置空,事件循环被卡住也不会把这次运行
静默丢弃;单轮失败按 30 分钟间隔最多重试 3 次,用户再发消息会重置重试计数。
嵌入模型与重映射
向量只在同一模型下可比,换模型会让旧向量静默劣化且不报错。插件在集合 metadata 里记
sha256(protocol|model|base_url),每次启动校验;不一致时按 EMBED_MISMATCH_POLICY
处理:auto 备份后删集合重建重嵌,ask 交互确认(非 TTY 拒绝加载插件),never 仅告警。
指纹只看配置,同名模型被服务端换掉检测不到,用 ambot memory reindex 手动处理。
工具参考
表层工具(对话 LLM 可用)
| 工具 | 参数 |
|---|---|
write_memory |
content, tags, importance(enum), scope(enum) |
read_memory |
query, top_k(5), importance?, scope(enum) |
update_memory |
id, scope, content?, tags?, importance? |
delete_memory |
id, scope |
list_memory |
limit(10, 上限50), offset, scope |
read_memo |
—(读取当前作用域备忘录全文) |
append_memo |
content(在备忘录末尾追加一段) |
update_memo |
content(L1 备忘录整篇替换) |
knowledge_list |
— |
knowledge_read |
kid, start_line?, end_line? |
knowledge_search |
query, top_k? |
knowledge_suggest |
action, title, summary, body, reason |
read_profile |
start_line?, end_line? |
知识库的三个只读工具 knowledge_list / knowledge_read / knowledge_search
需要 LP 权限节点 memory.knowledge;lp.admin 与 .env 里的超级用户始终持有。
未授权时工具返回错误 JSON,不返回任何知识内容。
用户画像的只读工具 read_profile 走另一条口径:只对离线巩固循环的目标用户
(subconscious.target_user_id)开放,且只能读自己那份画像,不占用权限节点。
返回值与循环侧一致:summary + content 行窗口 + total_lines / range_start / range_end。
画像写入仍只发生在循环内部,表层不开放。
巩固循环工具(rethinking/tools.py,共 21 个 handler)
记忆与 session/画像工具注册在隔离的 _SUBCONSCIOUS_TOOLS 上,不污染全局工具管理器。
知识库的 list/read/search 双重注册:循环侧不受限,表层(对话 LLM)走
memory.knowledge 权限校验;create/update/delete 仅循环可用,
表层通过 knowledge_suggest 提交建议。
| 工具 | 用途 |
|---|---|
subconscious_read_memory |
语义检索 |
subconscious_write_memory |
写入新记忆 |
subconscious_update_memory |
更新指定 ID 记忆 |
subconscious_delete_memory |
删除指定 ID 记忆 |
subconscious_list_memory |
列出全部记忆 |
subconscious_iter_stop |
结束本轮推理 |
subconscious_send_to_user |
主动向用户发消息 |
subconscious_read_chat_context |
读取最近聊天记录 |
subconscious_duplicate_helper |
去重辅助(返回记忆 + 合并指导 prompt) |
subconscious_get_context |
一次性拉取本轮环境(时间 / 间隔 / 摘要 / 待审建议 / 库规模) |
subconscious_get_memory_stats |
统计概览 |
subconscious_knowledge_list |
列出全局知识条目 |
subconscious_knowledge_read |
读取知识条目(支持行滑动) |
subconscious_knowledge_create |
创建知识条目 |
subconscious_knowledge_update |
更新知识条目 |
subconscious_knowledge_delete |
删除知识条目 |
subconscious_knowledge_search |
语义搜索知识库 |
subconscious_read_suggestions |
读取待审查的知识建议(读取后清空) |
subconscious_read_sessions |
读取归档 sessions(LLM 摘要) |
subconscious_get_profile |
读取用户画像(行滑动窗口) |
subconscious_update_profile |
增量更新用户画像 |
命令参考
用户命令 /memory
/memory user list [页码] 分页列出个人记忆(每页 10 条)
/memory user search <关键词> 搜索个人记忆(top_k=10)
/memory user delete <ID> 删除个人记忆
/memory group list [页码] 分页列出群共享记忆
/memory group search <关键词> 搜索群共享记忆
/memory group delete <ID> 删除群共享记忆(仅管理员 / 群主)
/memory memo 以合并转发查看当前作用域备忘录
/memory dmn 立即触发一轮巩固循环
/memory heatmap 渲染作息热度图(含下次运行时间)
memo 只读:查看谁都有权限,写入走工具。群里 /memory memo 看的是群备忘录,
私聊看的是个人备忘录。
dmn(别名 run、触发)是隐藏选项:不进菜单与 usage 提示,非管理员调用
按未知选项处理。鉴权顺序为超级用户白名单,其次 lp.admin 权限节点。
还需要 subconscious.enabled = true 且已配好 target_user_id。
heatmap(别名 heat、热图、热度图)同样隐藏且鉴权一致:发一张 7×12 的作息
热度图,格内数字是原始观测条数,颜色按半衰期衰减后的权重取色,图上标出当前时槽
与下次 DMN 运行时间(含窗口长度、分层与 penalty)。
兼容旧格式 /memory list 等,默认以个人范围执行。群聊里 user 与 group
两个范围都可用,私聊只有 user。
运维命令 ambot memory
需要本地安装含该命令组的 ambot-inlinectl(见 开发)。
| 命令 | 作用 |
|---|---|
ambot memory status |
显示指纹、记忆分布、分区键版本、备份列表 |
ambot memory reindex [--yes] |
强制全量重映射并写新指纹 |
ambot memory migrate-keys [--dry-run] |
迁移分区键到当前 Amrita 的 uni_id 格式 |
ambot memory reset-fingerprint |
只写指纹、不重嵌入(逃生舱) |
ambot memory backup list |
列出备份 |
ambot memory backup create |
手动创建备份 |
ambot memory backup restore <file> |
从备份恢复(用当前模型重新嵌入) |
这些命令会先设置
EMBED_CHECK_ON_STARTUP=false再加载插件 —— 避免启动检查在 CLI 中触发交互,保证命令永远可用(逃生舱)。
持久化与状态恢复
存储
| 存储 | 技术 | 存什么 |
|---|---|---|
| L1 备忘录 | UserMemo 表(插件自有 ORM,主键 = uni_id) |
LLM 维护的常驻用户元信息(≤ memo_max_chars) |
| 循环元状态 | SubconsciousState 表(插件自有 ORM,uid=amrita_memory) |
total_runs、last_abstracts、pending_messages、knowledge_suggestions、penalty、idle_planner(热度图) |
| Session 摘要缓存 | LRUCache[int, str](最大 128 条) |
session DB id → LLM 生成的摘要文本,避免重复调用 ContextCompactor |
| L2 记忆 | ChromaDB amrita_user_memory |
向量 + documents + metadatas(含嵌入指纹与分区键版本) |
| 用户画像 | data/amrita_plugin_memory/user_profile.md |
Markdown 文件,summary---body 格式,行级增量更新 |
| 全局知识库 | data/amrita_plugin_memory/knowledge/ + knowledge_index.json + ChromaDB |
三方同步管理 |
| Token 统计 | InsightsModel(复用 Bot ORM) |
全局 prompt/completion token 累加 |
ORM 与迁移
使用 nonebot_plugin_orm,两条迁移:21f55abc2b90 建 UserMemo、
6004d221a7de 建 SubconsciousState。迁移随包分发,depends_on 指向
nonebot_plugin_amrita 的初始迁移,保证外键有效。
生命周期
- 启动:
run_startup_check()(Key 迁移 + 指纹校验)→_load_state() - 初始化知识库(
enable_knowledge为假时跳过)→ 进入空闲 - 用户发消息:
cancel_and_reschedule(),记一次热度观测、惩罚 +1、重挑窗口 - 窗口到达:
_run()→_run_cycle()跑一轮 ReAct - 成功则
reset_penalty(),失败保留惩罚(重试保护),回到空闲
跨重启连续性:penalty 与 idle_planner 一起落在 SubconsciousState.payload,
重启后接着用,不会把已经累积的退避和热度图丢掉。
升级迁移:旧版 penalty 语义是"被推迟的次数",与新语义(要求的冷段长度)不可换算。
启用空闲规划时若检测到 payload 里没有 idle_planner 键,清零一次并打日志。
payload 只追加新键,旧版本读不到就忽略,不写迁移脚本。
技术栈
Python 3.11–3.13 / NoneBot2 / AmritaCore,向量库 ChromaDB,嵌入走 OpenAI 或 Ollama, 调度 nonebot_plugin_apscheduler,持久化 nonebot_plugin_orm,配置 Pydantic + uniconf。
配置详解
config/amrita_plugin_memory/config.toml
# L2 记忆
per_session_memory_limit = 100
memo_max_chars = 1000
# L2 时间记忆退化(软衰减 + 分层清理)
[decay]
enabled = true
short_term_days = 7
long_term_days = 90
half_life_days = 30.0
importance_boost = 1.0
overfetch = 3
score_floor = 0.05
sweep_enabled = true
sweep_interval_hours = 24
sweep_batch_limit = 5000
# L3 离线巩固循环
[subconscious]
enabled = false
target_user_id = ""
allowed_tools = []
max_iterations = 10
loop_detect_threshold = 3
rethink_base_delay_minutes = 30
rethink_penalty_multiplier = 1.5
rethink_max_delay_minutes = 1440
# 空闲窗口调度(关闭后回退到上面的固定延迟方案)
use_idle_window_planner = true
idle_timezone = "Asia/Shanghai"
idle_target_hour = 3
idle_base_slots = 3
idle_max_slots = 6
prompt_file = "prompt/subconscious_main.md.jinja2"
prompt_send_file = "prompt/subconscious_send.md.jinja2"
prompt_knowledge_file = "prompt/knowledge_guide.md.jinja2"
prompt_profile_file = "prompt/profile_guide.md.jinja2"
enable_memory_compress = true
allow_send_to_user = false
memory_warn_threshold = 100
max_abstracts = 5
knowledge_max_chars = 10000
knowledge_collection_name = "amrita_global_knowledge"
enable_knowledge = true
| 字段 | 默认值 | 说明 |
|---|---|---|
decay.enabled |
true |
是否启用时间记忆退化(软衰减 + 分层清理) |
decay.short_term_days |
7 |
low 层寿命阈值(天) |
decay.long_term_days |
90 |
high 层寿命阈值(天),medium 取几何中值 |
decay.half_life_days |
30.0 |
软衰减基础半衰期(天),low 为基准 |
decay.importance_boost |
1.0 |
high 半衰期为 1+2·boost 倍 |
decay.overfetch |
3 |
检索候选放大倍数 |
decay.score_floor |
0.05 |
衰减因子下限,避免旧记忆权重归零 |
decay.sweep_enabled |
true |
是否启用分层清理 |
decay.sweep_interval_hours |
24 |
分层清理周期(小时) |
decay.sweep_batch_limit |
5000 |
单次清理最多扫描的记忆条数 |
per_session_memory_limit |
100 |
单个分区(uni_id)的记忆条数上限 |
memo_max_chars |
1000 |
L1 备忘录字数硬上限 |
enabled |
false |
是否启用离线巩固循环(以下除 decay.* / per_session_memory_limit / memo_max_chars 外均在 [subconscious] 节) |
target_user_id |
"" |
目标用户 ID,为空则不启动 |
allowed_tools |
[] |
额外可用工具(从全局拉取,不存在仅告警) |
max_iterations |
10 |
单轮 ReAct 最大步数(预留) |
loop_detect_threshold |
3 |
传入 Core loop_reasoning_trigger |
rethink_base_delay_minutes |
30 |
旧方案的延迟基数(仅 use_idle_window_planner=false 时生效) |
rethink_penalty_multiplier |
1.5 |
旧方案的惩罚指数倍率 |
rethink_max_delay_minutes |
1440 |
旧方案的延迟上限(1 天) |
prompt_file |
见上 | 主推理提示词模板 |
prompt_send_file |
见上 | 主动消息生成模板 |
prompt_knowledge_file |
见上 | 知识库使用指南 |
prompt_profile_file |
见上 | 画像构建指南 |
enable_memory_compress |
true |
传入 Core enable_memory_abstract |
allow_send_to_user |
false |
允许 Agent 主动发私聊消息 |
memory_warn_threshold |
100 |
ChromaDB 超此数量注入压缩提示 |
max_abstracts |
5 |
摘要滑动窗口大小 |
knowledge_max_chars |
10000 |
知识条目单条正文上限 |
knowledge_collection_name |
amrita_global_knowledge |
ChromaDB 知识库 collection |
enable_knowledge |
true |
是否启用全局知识库(需 enabled=true) |
空闲窗口调度另有十余个调参项(各层衰减常数、冷槽阈值、收缩强度、buffer 与预估耗时),
默认值见 config.py 的 SubconsciousConfig,一般不需要动;要动就照上面 toml 的写法加行。
提示词模板
4 个 Jinja2 模板位于 config/amrita_plugin_memory/prompt/,首次缺失时自动从默认值创建:
| 文件 | 用途 | 变量 |
|---|---|---|
subconscious_main.md.jinja2 |
主推理提示词 | character_prompt, current_date, target_user_id |
subconscious_send.md.jinja2 |
主动消息生成 | character_prompt, intent, memory_context, current_time |
knowledge_guide.md.jinja2 |
知识库指南 | current_date, target_user_id |
profile_guide.md.jinja2 |
画像构建指南 | current_date, target_user_id |
主推理模板只接收不变量:current_date 是日粒度(YYYY-MM-DD,UTC),
精确时间由 subconscious_get_context 提供。旧模板里写的 {{ current_time }}
在指南文件中会被渲染成空串,不会原样漏进 system prompt。
环境变量(.env)
| 变量 | 类型 | 默认值 | 说明 |
|---|---|---|---|
VECTOR_DB_TYPE |
local/remote | local |
ChromaDB 类型 |
VECTOR_DB_SERVER |
string | 127.0.0.1 |
远程地址 |
VECTOR_DB_PORT |
int | 8000 |
远程端口 |
VECTOR_DB_SERVER_SSL |
bool | false |
远程 SSL |
VECTOR_DB_REMOTE_HEADERS |
dict | {} |
远程请求头 |
VECTOR_DB_TENANT |
string | default |
租户 |
VECTOR_DB_DATABASE |
string | default |
数据库 |
EMBEDDING_MODEL_URL |
string | http://127.0.0.1:11434 |
嵌入模型地址 |
EMBEDDING_MODEL_NAME |
string | auto |
模型名 |
EMBEDDING_PROCTOL |
openai/ollama-embed | ollama-embed |
协议 |
EMBEDDING_MODEL_API_KEY |
string | (空) | API Key |
EMBED_CHECK_ON_STARTUP |
bool | true |
启动时是否检查嵌入指纹 |
EMBED_MISMATCH_POLICY |
ask/auto/never | ask |
嵌入模型变更时的处理策略 |
REEMBED_BATCH_SIZE |
int | 64 |
重映射每批条数 |
REEMBED_BACKUP_KEEP |
int | 3 |
保留备份份数 |
项目结构
amrita_plugin_memory/
├── __init__.py # 插件入口:启动检查、指纹失配的 startup 处理
├── config.py # 配置模型(SubconsciousConfig / ConfigFile / EnvConfig)
├── models.py # ORM 模型(UserMemo / SubconsciousState)
├── keys.py # L2 分区键(跟随框架 uni_id + 存量 Key 迁移)
├── embedding.py # 嵌入指纹 / 全量重映射 / 备份 / 启动检查
├── cli.py # `ambot memory` 命令实现
├── memo.py # L1 备忘录(读取 / 写入 / 注入 hook)
├── tools.py # 表层工具(write/read/update/delete/list/memo/knowledge/profile)
├── permissions.py # 会话侧知识库读取授权(LP 节点 / 超级用户)
├── profile_store.py # 画像路径与 Markdown 解析(纯函数,不依赖运行时)
├── decay.py # 时间记忆退化:软衰减重排 + 分层清理判定
├── tasks.py # 分层清理的 APScheduler 周期任务
├── vector.py # ChromaDB 封装(AsyncUserMemory / 锁池)
├── embed.py # 嵌入适配器(Ollama)
├── matchers.py # /memory 命令
├── migrations/ # ORM 迁移(随包分发)
│ ├── 21f55abc2b90_init.py
│ └── 6004d221a7de_state.py
└── rethinking/ # L3 离线巩固循环
├── _state.py # 模块级状态(runner / penalty / pending / 隔离工具管理器)
├── types.py # TypedDict 定义
├── consts.py # 默认 Prompt 模板 / ensure_prompt_file
├── backend.py # SubconsciousBackend — 隔离的工具 + memory 后端
├── runner.py # SubconsciousRunner — 核心编排器
├── hooks.py # on_precompletion hook / 生命周期管理
├── schedule.py # 空闲窗口规划(纯数据 + 纯函数,唯一时区解析入口)
├── heatmap.py # 热度图渲染(Pillow,纯渲染不碰运行时)
├── tools.py # 21 个巩固循环工具 handler
├── schemas.py # ToolFunctionSchema 定义
└── knowledge.py # KnowledgeBaseManager — 三方同步知识库
config/amrita_plugin_memory/
├── config.toml # 插件配置
└── prompt/ # Jinja2 提示词模板
data/amrita_plugin_memory/
├── vector_db.chroma/ # ChromaDB 持久化
├── backups/ # 重映射前的 JSON 备份
├── knowledge/ # 知识文件(KNOWLEDGE_*.md)
├── knowledge_index.json # 知识索引
└── user_profile.md # 用户画像
开发
uv sync # 安装依赖
uv run ruff check amrita_plugin_memory # 代码检查
uv run ruff format --check amrita_plugin_memory # 格式检查
uv run pyright --pythonpath .venv/bin/python amrita_plugin_memory # 类型检查
仓库 .venv 里通常没有 pyright / ruff,所以要用 --pythonpath 指向仓库环境,
否则会因解析不到 amrita_core / chromadb 报一片假的 Import 错误。
约定与模块边界见 AGENTS.md。本仓库不写单元测试:验证以 ruff、pyright
零 error 加手动冒烟为准,纯逻辑写成可独立执行的形式,用临时脚本验证后不提交。
ORM 迁移
用 ambot orm 生成迁移,不要用 nb orm(它不加载 Amrita 插件,我们的模型会被漏掉):
uv run ambot orm revision -m "描述" --branch-label amrita_plugin_memory
uv run ambot orm upgrade && uv run ambot orm check
脚本落在工作区 migrations/versions/amrita_plugin_memory/,
要手动移进包内 amrita_plugin_memory/migrations/ 才随包分发。
ambot memory 命令
命令组在 cli.py,靠 entry point 暴露:
[project.entry-points."ambot.commands"]
memory = "amrita_plugin_memory.cli:memory [full_load]"
本插件包在加载器之外无法 import,所以 ambot 只在命令真正被调用时才
amrita.init() + load_plugins();--help 阶段仅读元信息,不触发加载。
自举时会写 AMBOT_COMMAND_CONTEXT=1,插件据此跳过启动检查,
否则指纹确认会反过来挡住维护命令本身。
调试时装可编辑版本(uv run 会按 uv.lock 重同步并冲掉它,故加 --no-sync):
uv pip install -e <ambot-inlinectl 仓库路径>
uv run --no-sync ambot memory status
Metadata
Release files for amrita_plugin_memory 0.9.1
For a detailed explanation of source distributions (sdists) and built distributions (wheels), please see the package formats documentation.
Source distribution (sdist)
| File | Size | Uploaded | Provenance | Actions |
|---|---|---|---|---|
| amrita_plugin_memory-0.9.1.tar.gz | 121.5 kB | Without provenance | Details for amrita_plugin_memory-0.9.1.tar.gz |
Built distribution (wheel)
| File | Interpreter | ABI | Platform | Actions Reset |
|---|---|---|---|---|
| amrita_plugin_memory-0.9.1-py3-none-any.whl | Python 3 | none | any | Details for amrita_plugin_memory-0.9.1-py3-none-any.whl |
Total release size: 246.7 kB
Release files / amrita_plugin_memory-0.9.1.tar.gz
| Download URL | amrita_plugin_memory-0.9.1.tar.gz |
|---|---|
| Size | 121.5 kB |
| Tags | Source |
|
SHA-256 checksum How to use checksums |
5e7391583746fdc1936c0e020bf01699b655342b4f2210dbcd6c034a0ff76b6f
|
|
BLAKE2b-256 checksum How to use checksums |
d4ebbe99a0e9915365585e8e60ac00e651ea0a9824f31955b93c8e4133d13cef
|
| Upload date | |
|
Uploaded using Trusted Publishing? What is trusted publishing? |
No |
| Uploaded via |
uv/0.13.7 {"installer":{"name":"uv","version":"0.13.7","subcommand":["publish"]},"python":null,"implementation":{"name":null,"version":null},"distro":{"name":"Ubuntu","version":"26.04","id":"resolute","libc":null},"system":{"name":null,"release":null},"cpu":null,"openssl_version":null,"setuptools_version":null,"rustc_version":null,"ci":true}
|
Release files / amrita_plugin_memory-0.9.1-py3-none-any.whl
| Download URL | amrita_plugin_memory-0.9.1-py3-none-any.whl |
|---|---|
| Size | 125.2 kB |
| Tags | Python 3 |
|
SHA-256 checksum How to use checksums |
a291e6ac7624058c19ff63694812b8c1856ddb7c425abff8f107cd353857b8ad
|
|
BLAKE2b-256 checksum How to use checksums |
475448ba67ec8e3f9f83c8efe45a6b5e26652b519e258b8ccee553fb7473cb5d
|
| Upload date | |
|
Uploaded using Trusted Publishing? What is trusted publishing? |
No |
| Uploaded via |
uv/0.13.7 {"installer":{"name":"uv","version":"0.13.7","subcommand":["publish"]},"python":null,"implementation":{"name":null,"version":null},"distro":{"name":"Ubuntu","version":"26.04","id":"resolute","libc":null},"system":{"name":null,"release":null},"cpu":null,"openssl_version":null,"setuptools_version":null,"rustc_version":null,"ci":true}
|
Security for amrita_plugin_memory 0.9.1
Provenance
Provenance describes where a file came from. On PyPI, provenance is shared via attestations, which provide a verifiable record of the build or publishing details. View details, limitations and caveats.
No provenance found
None of the files in this release were uploaded with provenance metadata.
A note on package security
PyPI is a repository for distributing packages, not a service for auditing them. While third-party security researchers and our staff do their best to detect and remove malicious packages, PyPI cannot guarantee the quality, security or suitability of any given package.
To learn more about protecting yourself from malicious actors, visit our package security documentation.