diff --git a/docs/lightmem-p1-fact-extraction-plan.md b/docs/lightmem-p1-fact-extraction-plan.md
new file mode 100644
index 0000000..274a3e8
--- /dev/null
+++ b/docs/lightmem-p1-fact-extraction-plan.md
@@ -0,0 +1,74 @@
+# P1: 织忆蒸馏引擎 LightMem 式逐条事实提取改造
+
+> 2026-08-11 | 小唯 | 目标：把织忆 distill 从「整段摘要式提取」升级为「逐条事实提取」（借鉴 LightMem）
+> 优先级：P1（织忆 distill 质量的根本提升）
+
+## 目标（Goal）
+
+当前 `callLLM5D` 用单 prompt 做整段摘要（decisions/conclusions/actions 各≤3条），对长对话信息密度高的场景丢失细节。
+改造为 LightMem 式**逐条事实提取**：提取所有可独立成句的事实 + 保留全部实体细节 + 轻量上下文补全。
+
+## 修改文件（Files to modify）
+
+| 文件 | 修改 |
+|------|------|
+| `/tmp/memoryweave/go/internal/distill/engine.go` | `callLLM5D` prompt 重写 + LLMResponse 结构新增 FactsDetail |
+| `/tmp/memoryweave/go/internal/distill/engine.go` | `extractFacts` 保留（fallback），新增 facts 组装逻辑 |
+
+## 实现细节（Implementation details）
+
+### 1. 重写 `callLLM5D` 的 prompt（第 265-284 行）
+
+新 prompt 要点（LightMem METADATA_GENERATE_PROMPT 精华移植）：
+- 逐条判断：**"处理每条用户消息，判断是否含事实；除非纯问候/填充，否则都提取"**
+- 轻量上下文补全：`"My friend John is studying medicine"` → `"User's friend John is studying medicine."`
+- **保留全部具体细节**：全名/地点/事件/数字/公司名——"The Name of the Wind by Patrick Rothfuss" 不是 "a book"
+- 推断隐含信息：多个相关条目 → 推断一般模式，独立成条
+- 时间处理：mention time（说的时间）vs event time（发生时间）
+- 输出 JSON：`{"facts": [...], "entities": [...], "decisions": [...], "conclusions": [...], "is": 0.8, "su": 0.7, "pa": 0.6, "vd": 0.9, "ru": 0.7}`
+
+### 2. LLMResponse 结构
+
+- `Facts` 字段含义升级：从「1条整段摘要」→「多条独立事实」
+- 保持 `Decisions/Conclusions/ActionsTaken/OpenQuestions` 兼容（下游使用）
+
+### 3. extractFacts fallback 保留
+
+LLM 失败时仍走关键词+命名实体启发式（原逻辑不动）。
+
+## 测试命令（Test commands）
+
+```bash
+# 1. 编译
+cd /tmp/memoryweave/go && go build -o zhiyid-new ./cmd/zhiyid
+
+# 2. 单元测试（若有）
+cd /tmp/memoryweave/go && go test ./internal/distill/ -v 2>&1 | tail -20
+
+# 3. 部署
+systemctl --user stop zhiyid
+cp /tmp/memoryweave/go/zhiyid-new /home/muc/bin/zhiyid-new
+systemctl --user start zhiyid
+sleep 2
+
+# 4. 功能测试 — 提交一条含多事实的对话
+curl -s -X POST -H "X-API-Key: zhiyi-dev-key-2026" -H "Content-Type: application/json" \
+  -d '{"agent_id":"a06","content":"牧尘说小唯今天安装了ffmpeg用于语音转码，昨天研究了LightMem的架构，上周买了新显卡RTX 5080","metadata":{"source":"test"}}' \
+  http://localhost:7821/api/v1/commit
+
+# 5. 验证蒸馏质量 — 日志出现 facts ≥ 3 条 + entities 含具体实体
+journalctl --user -u zhiyid --no-pager -n 20 | grep distill
+
+# 6. recall 命中验证
+curl -s -X POST -H "X-API-Key: zhiyi-dev-key-2026" -H "Content-Type: application/json" \
+  -d '{"query":"ffmpeg 语音转码","top_k":3}' \
+  http://localhost:7821/api/v1/recall
+```
+
+## 验收标准
+
+- [ ] go build 通过
+- [ ] 部署后 7821 健康
+- [ ] 提交多事实内容后，日志显示 `LLM facts: N` 且 N ≥ 3（旧版只有 1）
+- [ ] recall 能命中具体实体（ffmpeg/RTX 5080/LightMem）
+- [ ] 蒸馏无 fallback（日志无 `LLMEndpoint empty` / `JSON parse error`）
diff --git a/go/internal/distill/engine.go b/go/internal/distill/engine.go
index b867092..4965c80 100644
--- a/go/internal/distill/engine.go
+++ b/go/internal/distill/engine.go
@@ -262,26 +262,48 @@ func (e *Engine) distillOne(input DistillInput) DistillResult {
 
 // callLLM5D 调用 LLM 进行 5维评估 + 实体/事实提取
 func (e *Engine) callLLM5D(content string) (LLMResponse, error) {
-	prompt := fmt.Sprintf(`你是一个对话蒸馏器。从以下内容中提取结构化的记忆片段，以JSON格式返回。
+	// LightMem 式逐条事实提取 prompt（2026-08-11 移植）
+	// 精华：逐条判断含事实 → 轻量补全独立句 → 保留全部实体细节 → 推断隐含信息 → 时间区分
+	prompt := fmt.Sprintf(`你是一个个人信息提取器。从以下对话内容中提取所有可能的用户事实信息，以JSON格式返回。
 
-重点提取：
-1. **decisions**：明确的决策结论（做了什么决定、选了什么方案、拒绝了什么）
-2. **conclusions**：最终结论或答案（问题如何解决、最终结论是什么）
-3. **actions_taken**：采取的具体行动（执行了什么命令、创建了什么文件、修改了什么配置）
-4. **open_questions**：悬而未决的问题（需要进一步确认的事项）
-5. **entities**：提到的关键实体（系统名、工具名、人名、技术名词）
+输入格式:
+[时间戳, 星期] 说话者: 消息
+...
 
-注意：
-- 对话类内容（用户: xxx / 助手: yyy）：提取对话的核心结论和决定，不要逐条总结
-- 决策类内容：重点记录"做了什么决定、为什么、选择了哪个方案"
-- 纯对话无结论：提取"讨论了X话题，未得出结论"
-- 每个decisions/conclusions最多3条，简洁一句话
+重要指令:
+1. 必须按顺序逐条处理每条消息。对每条消息，判断是否包含事实信息。
+   - 如果包含 → 提取并改写为独立的完整句子
+   - 如果不包含（纯问候、填充语、无关评论）→ 跳过
+   - 不要因为信息看起来微小、琐碎或不重要就跳过。即使是小细节（如"用户今早喝了咖啡"）也必须保留。只有完全无意义的（如"你好"、"哈哈"、"谢谢"）才跳过。
+2. 进行轻量上下文补全，使每个事实成为清晰的独立陈述：
+   - "user: 昨天买了苹果" → "用户昨天买了苹果。"
+   - "user: 我的朋友John在学医" → "用户的朋友John在学医。"
+3. 保留所有具体实体和细节：
+   - 完整名称: "The Name of the Wind by Patrick Rothfuss"（不是"一本书"）
+   - 完整地点: Galway, Ireland; 北京海淀区
+   - 具体事件名: 慈善篮球赛、留学项目
+   - 数字和数量: 4年前、下个月、上周
+   - 公司/组织名: 某饮料公司
+4. 推断隐含信息：如果多个相关条目提到 → 可以推断一般模式（保留具体事实和推断结论为独立条目）
+5. 时间处理：区分提及时间（何时说的）和事件时间（何时发生的）
+   - 相对时间（昨天、上周、X前、下个月）→ 保留相对时间并引用消息时间戳
+   - 持续/永久事实 → 无需时间标注
+6. 额外提取：
+   - decisions: 明确的决策结论（做了什么决定、选了什么方案、拒绝了什么）
+   - conclusions: 最终结论或答案
+   - actions_taken: 采取的具体行动
+   - open_questions: 悬而未决的问题
+   - entities: 提到的关键实体（系统名、工具名、人名、技术名词）
+
+输出格式（严格JSON）:
+{"facts": ["独立事实1", "独立事实2"], "decisions": ["决定1"], "conclusions": ["结论1"], "actions_taken": ["行动1"], "open_questions": ["问题1"], "entities": ["entity1", "entity2"], "is": 0.8, "su": 0.7, "pa": 0.6, "vd": 0.9, "ru": 0.7}
+
+评分说明：is/su/pa/vd/ru 是 0.0 到 1.0 之间的浮点数（越高越好），不要用 0-10 整数。
+要求：除非消息完全无意义，否则提取并输出为事实。facts 要详尽，不要只给1条摘要。
 
 内容:
 %s
-
-只返回JSON: {"decisions": ["决定1", "决定2"], "conclusions": ["结论1"], "actions_taken": ["行动1"], "open_questions": ["问题1"], "entities": ["entity1", "entity2"], "is": 0.8, "su": 0.7, "pa": 0.6, "vd": 0.9, "ru": 0.7}
-评分说明：is/su/pa/vd/ru 是 0.0 到 1.0 之间的浮点数（越高越好），不要用 0-10 整数。`, truncate(content, 1000))
+`, truncate(content, 1000))
 
 	body := map[string]interface{}{
 		"model": e.LLMModel,