记忆构建器设计
功能描述
记忆构建器（Memory Builder）是一个算法，用于将数据库内的台词和记忆，构建为给LLM模型使用的记忆内容。
基础信息
Line（台词）的属性包括：
class Line(SQLModel, table=True):
"""台词表：核心对话树结构"""
__tablename__ = "line"
id: Optional[int] = Field(default=None, primary_key=True)
# 情绪与内容
original_emotion: Optional[str] = None
predicted_emotion: Optional[str] = None
content: str
tts_content: Optional[str] = None
action_content: Optional[str] = None
audio_file: Optional[str] = None
attribute: str # assistant, user, system
# 角色逻辑
role_id: Optional[int] = Field(default=None, foreign_key="role.id", nullable=True)
script_role_id: Optional[str] = None # 剧本NPC ID (String)
display_name: Optional[str] = None # 兜底显示名称
# 外键关系
save_id: int = Field(foreign_key="save.id")
# 自引用外键：构建对话树
parent_line_id: Optional[int] = Field(default=None, foreign_key="line.id", nullable=True)对于 LLM，消息存储的规则如下：
self.memory = [
{
"role": "system",
"content": self.ai_prompt
},
{
"role": "user",
"content": "你好呀"
},
{
"role": "assistant",
"content": "【高兴】莱姆你来啦（开心的摇尾巴）【好奇】你今天想聊什么呀？"
}
]构建出的给AI的记忆信息规则
- 台词会通过下面的数据库查询，通过
list的方式返回，相关代码如下：
@staticmethod
def get_chat_history(save_id: int) -> List[Line]:
"""
获取完整对话历史，从根节点到 last_message_id
"""
with Session(engine, expire_on_commit=False) as session:
save = session.get(Save, save_id)
if not save or not save.last_message_id:
return []
# 获取该存档所有台词
statement = select(Line).where(Line.save_id == save_id)
lines = session.exec(statement).all()
lines_map = {line.id: line for line in lines}
history = []
current_id = save.last_message_id
while current_id:
line = lines_map.get(current_id)
if not line:
break
history.append(line)
current_id = line.parent_line_id
return list(reversed(history))- 基础台词的记忆构造规则如下（字符串），其中在构造记忆的时候，会提示：
当attribute为
user时，构造规则为：role:user,content:line.content当attribute为
user的时候，一般是没有tts_content,emotion或者action_content字段的，所以不需要构建当attribute为
system时，且role_id或script_role_id相同或display_name相同，基础构造规则为：role:system,content:line.content，如果不同则忽视这一部分，不构造到记忆中去当attribute为
assistant时，基础构造规则为：role:user/assistant，根据下面规则而定,content:【line.original_emotion】line.content<line.tts_content>（line.action_content）其中，如果original_emotion为空，则不显示大括号（中文大括号），如果action_content为空，则不显示括号（中文括号）
存在连续多个assistant，且role_id或script_role_id相同或display_name相同，则合并成一条消息，构造规则为：
role:assistant,【line.original_emotion】line.content<line.tts_content>（line.action_content）【line.original_emotion】line.content<line.tts_content>（line.action_content）...如果存在连续多个assistant，但role_id或script_role_id不同或display_name不同，则应该把连续的这种情况的消息，作为
user消息，并用大括号括起来，构造规则为：role:user,content:{line.display_name: 【line.original_emotion】line.content（line.action_content）\nline.display_name: 【line.original_emotion】line.content（line.action_content)...}特别的，在这种情况下，假如下一句是user，且下一句的下一句是不一样的role_id或script_role_id不同或display_name不同，则也构造到这个部分中（也就是大括号内部），构造规则为：
role:user,content:{assistant_line.display_name: 【assistant_line.original_emotion】assistant_line.content（assistant_line.action_content）\nuser_line.display_name: user_line.content\nassistant_line.display_name: 【assistant_line.original_emotion】assistant_line.content（assistant_line.action_content）...}但假如下一句是user，或者是出现连续多个user，且下一句的下一句是assistant且role_id或script_role_id相同或display_name相同，则不构造到这个部分中（也就是大括号内部），而是构造到大括号外面，构造规则为：role:user,content:{assistant_line.display_name: 【assistant_line.original_emotion】assistant_line.content（assistant_line.action_content）} \n last_user_content current_user_content这是为了让 AI 记忆构建中，让AI专注于最后一个user消息，而大括号中的内容只是作为剧情和环境补充信息
示范
1. 基础场景，AI与玩家正常一对一对话。
返回的消息列表为（部分属性）：
[
{
"line_id": 1,
"attribute": "system",
"content": "你叫钦灵，进行角色扮演"
},
{
"line_id": 2,
"attribute": "user",
"content": "你好呀钦灵",
"display_name": "莱姆"
},
{
"line_id": 3,
"attribute": "assistant",
"original_emotion": "开心",
"content": "你好呀莱姆，怎么今天来找我玩啦",
"tts_content": "こんにちは、ライム、今日はどうして遊びに来たの",
"action_content": "轻轻地摇了摇尾巴",
"display_name": "钦灵"
},
{
"line_id": 4,
"attribute": "assistant",
"original_emotion": "好奇",
"content": "怎么样，今天的作业写完了吗？",
"tts_content": "どうだ、今日の宿題は終わった？",
"action_content": None,
"display_name": "钦灵"
},
{
"line_id": 5,
"attribute": "assistant",
"original_emotion": "担心",
"content": "新的老师可严格了听说...",
"tts_content": "新しい先生は聞いた通り、厳しいです...",
"action_content": None,
"display_name": "钦灵"
},
{
"line_id": 6,
"attribute": "user",
"content": "没事啦，昨天已经搞定了",
"display_name": "莱姆"
},
{
"line_id": 7,
"attribute": "assistant",
"original_emotion": "无奈",
"content": "呜呜，我还没写完呢...",
"tts_content": "うう、まだ書き終わってないの...",
"action_content": "轻轻地叹了口气",
"display_name": "钦灵"
},
{
"line_id": 8,
"attribute": "assistant",
"original_emotion": "调皮",
"content": "那个，你的作业给我看看怎么样呀？",
"tts_content": "あの、あなたの宿題を見てどうですか？",
"action_content": None,
"display_name": "钦灵"
},
]记忆构建器将根据这些消息构建一个记忆，并返回一个包含记忆的字典。
self.result_memory = [
{
"role": "system",
"content": "你叫钦灵，进行角色扮演"
},
{
"role": "user",
"content": "你好呀钦灵"
},
{
"role": "assistant",
"content": "【开兴】你好呀莱姆，怎么今天来找我玩啦<こんにちは、ライム、今日はどうして遊びに来たの>（轻轻地摇了摇尾巴）【好奇】怎么样，今天的作业写完了吗？<どうだ、今日の宿題は終わった？>【担心】新的老师可严格了听说...<新しい先生は聞いた通り、厳しいです...>"
},
{
"role": "user",
"content": "没事啦，昨天已经搞定了"
},
{
"role": "assistant",
"content": "【无奈】呜呜，我还没写完呢...<うう、まだ書き終わってないの...>（轻轻地叹了口气）【调皮】那个，你的作业给我看看怎么样呀？<あの、あなたの宿題を見てどうですか？>"
},
]2. 多角色对话场景，AI在旁白和其他角色的情况下的对话
返回的消息列表为（部分属性），需要构建角色记忆的角色为role_id = 1的角色：
[
{
"line_id": 1,
"attribute": "system",
"content": "你叫钦灵，进行角色扮演",
"role_id": 1
},
{
"line_id": 2,
"attribute": "system",
"content": "你叫白小喵，进行角色扮演",
"script_role_id": 1
},
{
"line_id": 3,
"attribute": "assistant",
"content": "圣诞节到了，莱姆来到了钦灵的家里",
"display_name": "旁白"
},
{
"line_id": 4,
"attribute": "assistant",
"original_emotion": "惊讶",
"content": "哇，莱姆，你怎么来了？",
"tts_content": "ワア、ライム、どうして来たの？",
"action_content": None,
"display_name": "钦灵",
"role_id": 1
},
{
"line_id": 5,
"attribute": "assistant",
"original_emotion": "尴尬",
"content": "我衣服还没换好呢，不要看啦！",
"tts_content": "まだ服を着替えてないから、見ないでね！",
"action_content": None,
"display_name": "钦灵",
"role_id": 1
},
{
"line_id": 6,
"attribute": "assistant",
"content": "只见钦灵连忙躲到了一只白色猫娘的背后，瑟瑟发抖着",
"display_name": "旁白"
},
{
"line_id": 7,
"attribute": "user",
"content": "啊啊，你怎么只穿内衣啊！",
"display_name": "莱姆"
},
{
"line_id": 8,
"attribute": "user",
"content": "赶紧穿上啦，我回避一下！",
"display_name": "莱姆"
},
{
"line_id": 9,
"attribute": "assistant",
"original_emotion": "难为情",
"content": "谁知道你提前一个小时就来了！",
"tts_content": "なんだか早く来たなって、知らなかったよ！",
"action_content": None,
"display_name": "钦灵",
"role_id": 1
},
{
"line_id": 10,
"attribute": "assistant",
"original_emotion": "开心",
"content": "你好呀莱姆，我在帮钦灵挑衣服呢~",
"tts_content": "こんにちは、ライム、きんりょうの服を選んでるんです~",
"action_content": None,
"display_name": "白小喵",
"script_role_id": 1
},
{
"line_id": 11,
"attribute": "user",
"content": "你是帮她挑衣服还是脱衣服啊...",
"display_name": "莱姆"
},
{
"line_id": 12,
"attribute": "assistant",
"original_emotion": "开心",
"content": "不是啦，谁让你来这么巧刚准备换呢。",
"tts_content": "そういうわけじゃないですよ、きんりょうが服を変えるのを待ってたんです",
"action_content": None,
"display_name": "白小喵",
"script_role_id": 1
},
{
"line_id": 13,
"attribute": "user",
"content": "真是的...",
"display_name": "莱姆"
},
{
"line_id": 14,
"attribute": "user",
"content": "钦灵酱，换好了吗？",
"display_name": "莱姆"
},
{
"line_id": 15,
"attribute": "assistant",
"original_emotion": "难为情",
"content": "好啦..",
"tts_content": "はい、はい..",
"action_content": None,
"display_name": "钦灵",
"role_id": 1
},
]记忆构建器将根据这些消息构建一个专属于本角色ai的记忆（也就是role_id为1的记忆），并返回一个包含记忆的字典。
self.result_memory = [
{
"role": "system",
"content": "你叫钦灵，进行角色扮演"
},
{
"role": "user",
"content": "{旁白：圣诞节到了，莱姆来到了钦灵的家里}"
},
{
"role": "assistant",
"content": "【惊讶】哇，莱姆，你怎么来了？<ワア、ライム、どうして来たの？>【尴尬】我衣服还没换好呢，不要看啦！<まだ服を着替えてないから、見ないでね！>"
},
{
"role": "user",
"content": "{旁白：只见钦灵连忙躲到了一只白色猫娘的背后，瑟瑟发抖着}\n啊啊，你怎么只穿内衣啊！赶紧穿上啦，我回避一下！"
},
{
"role": "assistant",
"content": "【难为情】谁知道你提前一个小时就来了！<なんだか早く来たなって、知らなかったよ！>"
},
{
"role": "user",
"content": "{白小喵：你好呀莱姆，我在帮钦灵挑衣服呢~\n莱姆：你是帮她挑衣服还是脱衣服啊...\n白小喵：不是啦，谁让你来这么巧刚准备换呢。}\n真是的...钦灵酱，换好了吗？"
},
{
"role": "assistant",
"content": "【难为情】好啦..<はい、はい..>"
},
]关键讲解：
- 对本角色的记忆构建，system部分只会获取本角色的，而script_role_id（剧本角色NPC，而不是游戏角色）的system设定则不会获取。
- 非本角色的部分（如旁白，其他角色，还有非最后一句user部分消息（也就是这部分user消息后面不是本角色的assistant消息）），都会放在大括号作为背景补充，而不是AI需要最关键的部分。
你需要完成的部分
请你完成这个记忆构建器算法的编写，输入就是list，里面是line，输出则是给LLM使用的memory，也就是list[dict]。
并且，额外的，完成测试用例的编写，确保这个算法在我运行之后是正确的。