Memory_Skills

# 智能投顾助手 Agent MVP

基于 **LangGraph + Streamlit** 的个性化记忆与自进化 MVP，对应 `research_proposal.md` 中的 AdvisorMem 思路。

## 系统架构

![Architecture of Personalized Financial Advisory Agent with Memory Retrieval and Self-Evolving Memory Update](architecure.png)

## 流程简述

1. **你与 LLM 对话**：每次提问前，会从记忆库根据你的问题做**自适应检索**，把抽象出的画像与技能注入上下文，再生成回复。
2. **显式反馈**：在界面上对某条助手回复点 **赞 👍 / 骂 👎**，对应方案里的 \(f_i \in \{+1, 0, -1\}\)。
3. **隐式反馈**：你的每句输入会经过**情绪分析**（另一路 LLM），得到 positive/negative/neutral，作为言语中的态度参与记忆更新。
4. **记忆进化**：另一个大模型根据「近期对话 + 赞/骂 + 言语情绪」**抽象并更新**用户画像与技能，写入本地记忆库；下次对话会检索到更新后的内容，实现**越聊越懂你**。

## 项目结构

```
memory/
├── app.py              # Streamlit 入口：对话 UI、赞/骂、侧边栏记忆展示
├── graph.py            # LangGraph 对话图：检索记忆 → 生成回复
├── llms.py             # 统一 LLM 入口（智谱 GLM / ChatZhipuAI）
├── memory_store.py     # 记忆存储（画像 + 技能），JSON 持久化
├── evolution.py        # 反馈驱动的记忆进化（调用 LLM 抽象）
├── sentiment.py        # 从用户言语推断情绪
├── config.py           # 配置（ZHIPUAI_API_KEY、模型名、存储路径）
├── requirements.txt
├── data/               # 自动创建，存放 memory.json
└── research_proposal.md
```

## 运行方式

1. 安装依赖：
   ```bash
   pip install -r requirements.txt
   ```

2. 配置环境变量（复制 `.env.example` 为 `.env` 并填写智谱 API Key）：
   ```bash
   cp .env.example .env
   # 编辑 .env，填入 ZHIPUAI_API_KEY（在 https://open.bigmodel.cn 获取）
   ```

3. 启动 Streamlit：
   ```bash
   streamlit run app.py
   ```

4. 在浏览器中对话、对回复点赞/踩；侧栏会展示当前抽象出的「记忆」，可点击「立即根据当前对话与赞/骂更新记忆」手动触发进化。

## 与 research_proposal 的对应

| 提案概念 | MVP 实现 |
|----------|----------|
| 分层用户画像 (HPE) | `memory_store` 中的 `persona.explicit` / `persona.implicit`，由 `evolution` 中的 LLM 更新 |
| 条件化技能 (CSA) | `memory_store` 中的 `skills` 列表，由进化 LLM 从成功/失败对话中抽象 |
| 反馈驱动自我进化 | `evolution.run_evolution(recent_turns, feedbacks)`，结合赞/骂与言语情绪 |
| 个性化检索 | `memory_store.get_context_for_query(memory, query)`（MVP 为全量注入，可扩展为向量检索） |
| 对话生成 | LangGraph：`retrieve` → `generate`，生成时注入记忆上下文 |

后续可做：向量检索只注入相关技能、多用户/多 session、以及接入 FinAdvisorBench 做评估。