auto-snapshot 2026-08-12 03:00:49

2026-08-12 03:00:49 +08:00 · 2026-08-12 03:00:49 +08:00 · a6d924bfc0
parent 5aca3f9174
commit a6d924bfc0
20 changed files with 863 additions and 198 deletions
--- a/config.yaml
+++ b/config.yaml
@ -9,10 +9,10 @@ providers:
    cost_factor: 0.0
    default_model: openai/gpt-oss-120b
    models:
-    - nvidia/nemotron-mini-4b-instruct
-    - openai/gpt-oss-120b
-    - nvidia/nvidia-nemotron-nano-9b-v2
-    - meta/llama-3.1-8b-instruct
+      - nvidia/nemotron-mini-4b-instruct
+      - openai/gpt-oss-120b
+      - nvidia/nvidia-nemotron-nano-9b-v2
+      - meta/llama-3.1-8b-instruct
    rate_limit: 1000
    timeout: 30
  omniroute-local:
@ -21,9 +21,9 @@ providers:
    cost_factor: 0.0
    default_model: auto/chat
    models:
-    - auto/chat
-    - auto/best-free
-    - auto/coding
+      - auto/chat
+      - auto/best-free
+      - auto/coding
    rate_limit: 1000
    timeout: 30
  deepseek:
@ -32,14 +32,14 @@ providers:
    cost_factor: 0.0
    default_model: deepseek-v4-flash
    models:
-    - deepseek-v4-flash
-    - deepseek-v4-pro
+      - deepseek-v4-flash
+      - deepseek-v4-pro
    rate_limit: 1000
    timeout: 30
 fallback_providers: '["deepseek"]'
 toolsets:
- hermes-cli
- web
+  - hermes-cli
+  - web
 agent:
  max_turns: 90
  gateway_timeout: 1800
@ -275,9 +275,9 @@ display:
  ephemeral_system_ttl: 0
  runtime_footer:
    fields:
-    - model
-    - context_pct
-    - cwd
+      - model
+      - context_pct
+      - cwd
  copy_shortcut: auto
  tool_progress: all
  tool_progress_style: accumulate
@ -293,7 +293,7 @@ privacy:
 tts:
  provider: edge
  edge:
-    voice: zh-CN-XiaoxiaoNeural
+    voice: zh-CN-XiaoyiNeural
  elevenlabs:
    voice_id: pNInz6obpgDQGcFmaJgB
    model_id: eleven_multilingual_v2
@ -368,12 +368,12 @@ moa:
  presets:
    expert-panel:
      reference_models:
-      - provider: newapi-local
-        model: openai/gpt-oss-120b
-      - provider: newapi-local
-        model: nvidia/llama-3.3-nemotron-super-49b-v1
-      - provider: newapi-local
-        model: mistralai/mistral-large-3-675b-instruct-2512
+        - provider: newapi-local
+          model: openai/gpt-oss-120b
+        - provider: newapi-local
+          model: nvidia/llama-3.3-nemotron-super-49b-v1
+        - provider: newapi-local
+          model: mistralai/mistral-large-3-675b-instruct-2512
      aggregator:
        provider: newapi-local
        model: openai/gpt-oss-120b
@ -431,36 +431,36 @@ approvals:
  mcp_reload_confirm: true
  destructive_slash_confirm: false
 command_allowlist:
- pipe remote content to shell
- script execution via heredoc
- copy/move file into /etc/
- find -delete
- recursive delete
- hermes update (restarts gateway, kills running agents)
- shell command via -c/-lc flag
- force kill processes (killall -KILL)
- script execution via -e/-c flag
- overwrite system file via tee
- kill hermes/gateway process (self-termination)
- delete in root path
- git force push short flag (rewrites remote history)
- sudo with combined-flag privilege escalation
- overwrite system file via redirection
- start gateway outside systemd (use 'systemctl --user restart hermes-gateway')
- disk copy
- overwrite system config
- overwrite project env/config via redirection
- kill process via pgrep expansion (self-termination)
- SQL TRUNCATE
- in-place edit of system config
- world/other-writable permissions
- stop/restart hermes gateway (kills running agents)
- sudo with privilege flag (stdin/askpass/shell/list)
- copy/move file into system config path
- force kill processes
- git force push (rewrites remote history)
- stop/restart system service
- in-place edit of Hermes config/env
+  - pipe remote content to shell
+  - script execution via heredoc
+  - copy/move file into /etc/
+  - find -delete
+  - recursive delete
+  - hermes update (restarts gateway, kills running agents)
+  - shell command via -c/-lc flag
+  - force kill processes (killall -KILL)
+  - script execution via -e/-c flag
+  - overwrite system file via tee
+  - kill hermes/gateway process (self-termination)
+  - delete in root path
+  - git force push short flag (rewrites remote history)
+  - sudo with combined-flag privilege escalation
+  - overwrite system file via redirection
+  - start gateway outside systemd (use 'systemctl --user restart hermes-gateway')
+  - disk copy
+  - overwrite system config
+  - overwrite project env/config via redirection
+  - kill process via pgrep expansion (self-termination)
+  - SQL TRUNCATE
+  - in-place edit of system config
+  - world/other-writable permissions
+  - stop/restart hermes gateway (kills running agents)
+  - sudo with privilege flag (stdin/askpass/shell/list)
+  - copy/move file into system config path
+  - force kill processes
+  - git force push (rewrites remote history)
+  - stop/restart system service
+  - in-place edit of Hermes config/env
 hooks_auto_accept: false
 security:
  allow_private_urls: false
@ -546,16 +546,16 @@ _config_version: 33
 mcp_servers:
  codegraph:
    args:
-    - serve
-    - --mcp
+      - serve
+      - --mcp
    command: codegraph
    connect_timeout: 60
    enabled: true
    timeout: 120
  github:
    args:
-    - -y
-    - '@modelcontextprotocol/server-github'
+      - -y
+      - '@modelcontextprotocol/server-github'
    command: npx
    enabled: true
    env:
@ -564,8 +564,8 @@ mcp_servers:
  openclaw:
    command: openclaw
    args:
-    - mcp
-    - serve
+      - mcp
+      - serve
    connect_timeout: 60
    timeout: 300
  codebase-memory-mcp:
@ -574,30 +574,30 @@ mcp_servers:
  dbx:
    command: npx
    args:
-    - -y
-    - '@dbx-app/mcp-server'
+      - -y
+      - '@dbx-app/mcp-server'
    enabled: true
    timeout: 120
    connect_timeout: 60
 platform_toolsets:
  cli:
-  - browser
-  - clarify
-  - code_execution
-  - computer_use
-  - cronjob
-  - delegation
-  - file
-  - image_gen
-  - memory
-  - session_search
-  - skills
-  - terminal
-  - todo
-  - tts
-  - vision
-  - web
-  - mcp-codegraph
+    - browser
+    - clarify
+    - code_execution
+    - computer_use
+    - cronjob
+    - delegation
+    - file
+    - image_gen
+    - memory
+    - session_search
+    - skills
+    - terminal
+    - todo
+    - tts
+    - vision
+    - web
+    - mcp-codegraph
 platforms:
  webhook:
    enabled: true
@ -611,9 +611,9 @@ platforms:
 plugins:
  disabled: []
  enabled:
-  - agentic-sms-gateway
-  - cronalytics
-  - rtk-rewrite
+    - agentic-sms-gateway
+    - cronalytics
+    - rtk-rewrite
 weixin:
  enabled: true
  extra:
@ -626,4 +626,4 @@ weixin:
 session_reset: {}
 known_plugin_toolsets:
  cli:
-  - spotify
+    - spotify
--- a/scripts/memory-system-self-upgrade.py
+++ b/scripts/memory-system-self-upgrade.py
@ -109,6 +109,23 @@ def upgrade_zhiyi():
    except Exception as e:
        log(f"  metrics API 不存在或失败(非致命): {e}")

+    # P2 离线整合（LightMem UPDATE_PROMPT）：每日自动合并相似记忆
+    # POST /api/v1/consolidate/memory — 找出相似记忆对 → LLM 三选一(update/delete/ignore)
+    try:
+        req = urllib.request.Request(
+            f"{ZHIYI_URL}/api/v1/consolidate/memory",
+            data=json.dumps({"namespace": "hermes-main", "limit": 50}).encode("utf-8"),
+            headers={"X-API-Key": ZHIYI_KEY, "Content-Type": "application/json"},
+            method="POST"
+        )
+        with urllib.request.urlopen(req, timeout=120) as resp:
+            cons = json.loads(resp.read().decode())
+        log(f"  consolidate: processed={cons.get('processed',0)} updated={cons.get('updated',0)} deleted={cons.get('deleted',0)} ignored={cons.get('ignored',0)}")
+        if cons.get("processed", 0) > 0:
+            REPORT.append(f"🧹 P2 记忆整合: 处理 {cons.get('processed')} 对相似记忆 (更新 {cons.get('updated')} / 删除 {cons.get('deleted')} / 忽略 {cons.get('ignored')})")
+    except Exception as e:
+        log(f"  consolidate 失败(非致命): {e}")
+
    return actions

 # ── 2. Soulful 自我升级 ─────────────────────────────────────────────────────
--- a/scripts/to_opus.py
+++ b/scripts/to_opus.py
@ -0,0 +1,32 @@
+#!/usr/bin/env python3
+"""
+mp3 → opus 转码脚本（飞书语音消息专用）
+飞书可点播放的语音只支持 .ogg/.opus（Ogg Opus 容器），
+text_to_speech 生成的 .mp3 只能发成文件附件。
+用法: python3 to_opus.py input.mp3 [output.ogg]
+"""
+import sys, os, subprocess
+
+def to_opus(src: str, dst: str = None) -> str:
+    if not dst:
+        dst = os.path.splitext(src)[0] + '.opus'
+    cmd = [
+        'ffmpeg', '-y', '-i', src,
+        '-c:a', 'libopus', '-b:a', '24k',
+        '-ar', '24000', '-ac', '1',
+        dst
+    ]
+    r = subprocess.run(cmd, capture_output=True, text=True)
+    if r.returncode != 0:
+        raise RuntimeError(f'转码失败: {r.stderr[-300:]}')
+    return dst
+
+if __name__ == '__main__':
+    if len(sys.argv) < 2:
+        print('用法: python3 to_opus.py input.mp3 [output.opus]')
+        sys.exit(1)
+    src = sys.argv[1]
+    dst = sys.argv[2] if len(sys.argv) > 2 else None
+    out = to_opus(src, dst)
+    print(f'✅ 转码成功: {out}')
+    print(f'   MEDIA:{out}')
--- a/skills/.curator_state
+++ b/skills/.curator_state
@ -1,9 +1,9 @@
 {
-  "last_report_path": "/home/muc/.hermes-prof-b/logs/curator/20260804-135338",
-  "last_run_at": "2026-08-04T13:53:38.565125+00:00",
-  "last_run_duration_seconds": 1.078757,
-  "last_run_summary": "auto: 38 marked stale; llm: skipped (consolidation off)",
+  "last_report_path": "/home/muc/.hermes/profiles/prof-b/logs/curator/20260811-140104",
+  "last_run_at": "2026-08-11T14:01:04.419530+00:00",
+  "last_run_duration_seconds": 1.336497,
+  "last_run_summary": "auto: 6 marked stale, 1 reactivated; llm: skipped (consolidation off)",
  "last_run_summary_shown_at": null,
  "paused": false,
-  "run_count": 13
+  "run_count": 14
 }
--- a/skills/.usage.json
+++ b/skills/.usage.json
@ -68,14 +68,16 @@
    "archived_at": null,
    "created_at": "2026-05-13T06:09:07.701394+00:00",
    "created_by": null,
-    "last_patched_at": "2026-07-08T18:32:46.513752+00:00",
-    "last_used_at": "2026-07-29T13:39:03.010391+00:00",
-    "last_viewed_at": "2026-07-29T13:39:03.006878+00:00",
-    "patch_count": 41,
+    "last_patched_at": "2026-08-11T17:35:11.052888+00:00",
+    "last_reused_patch_generation": 0,
+    "last_used_at": "2026-08-11T17:35:05.111512+00:00",
+    "last_viewed_at": "2026-08-11T17:35:05.107980+00:00",
+    "patch_count": 42,
+    "patch_generation": 1,
    "pinned": false,
    "state": "active",
-    "use_count": 43,
-    "view_count": 43
+    "use_count": 44,
+    "view_count": 44
  },
  "apple-liquid-glass": {
    "archived_at": null,
@ -257,7 +259,7 @@
    "last_viewed_at": "2026-07-09T01:00:29.700198+00:00",
    "patch_count": 0,
    "pinned": false,
-    "state": "active",
+    "state": "stale",
    "use_count": 1,
    "view_count": 1
  },
@ -322,7 +324,7 @@
    "last_viewed_at": "2026-07-12T02:42:23.152090+00:00",
    "patch_count": 5,
    "pinned": false,
-    "state": "active",
+    "state": "stale",
    "use_count": 9,
    "view_count": 9
  },
@ -685,6 +687,36 @@
    "use_count": 6,
    "view_count": 6
  },
+  "document-to-action-items": {
+    "archived_at": null,
+    "created_at": "2026-08-11T14:01:05.489919+00:00",
+    "created_by": null,
+    "last_patched_at": null,
+    "last_reused_patch_generation": 0,
+    "last_used_at": null,
+    "last_viewed_at": null,
+    "patch_count": 0,
+    "patch_generation": 0,
+    "pinned": false,
+    "state": "active",
+    "use_count": 0,
+    "view_count": 0
+  },
+  "docx": {
+    "archived_at": null,
+    "created_at": "2026-08-11T14:01:05.495080+00:00",
+    "created_by": null,
+    "last_patched_at": null,
+    "last_reused_patch_generation": 0,
+    "last_used_at": null,
+    "last_viewed_at": null,
+    "patch_count": 0,
+    "patch_generation": 0,
+    "pinned": false,
+    "state": "active",
+    "use_count": 0,
+    "view_count": 0
+  },
  "dogfood": {
    "archived_at": null,
    "created_at": "2026-06-30T11:24:39.481778+00:00",
@ -728,27 +760,31 @@
    "archived_at": null,
    "created_at": "2026-05-06T00:47:32.389489+00:00",
    "created_by": "agent",
-    "last_patched_at": "2026-07-10T02:10:08.350671+00:00",
-    "last_used_at": "2026-07-29T12:52:03.375233+00:00",
-    "last_viewed_at": "2026-07-29T12:52:03.371929+00:00",
-    "patch_count": 44,
+    "last_patched_at": "2026-08-11T02:20:45.592319+00:00",
+    "last_reused_patch_generation": 1,
+    "last_used_at": "2026-08-11T08:04:08.867971+00:00",
+    "last_viewed_at": "2026-08-11T08:04:08.864102+00:00",
+    "patch_count": 45,
+    "patch_generation": 1,
    "pinned": false,
    "state": "active",
-    "use_count": 74,
-    "view_count": 75
+    "use_count": 78,
+    "view_count": 79
  },
  "feishu-bot": {
    "archived_at": null,
    "created_at": "2026-05-13T12:28:27.306239+00:00",
    "created_by": null,
    "last_patched_at": "2026-06-21T15:40:56.053406+00:00",
-    "last_used_at": "2026-06-21T15:40:48.418853+00:00",
-    "last_viewed_at": "2026-06-21T15:40:48.408618+00:00",
+    "last_reused_patch_generation": 0,
+    "last_used_at": "2026-08-11T14:17:03.638945+00:00",
+    "last_viewed_at": "2026-08-11T14:17:03.626540+00:00",
    "patch_count": 16,
+    "patch_generation": 0,
    "pinned": false,
    "state": "active",
-    "use_count": 18,
-    "view_count": 18
+    "use_count": 20,
+    "view_count": 20
  },
  "findmy": {
    "archived_at": null,
@ -832,16 +868,16 @@
    "archived_at": null,
    "created_at": "2026-08-02T18:24:34.438054+00:00",
    "created_by": "agent",
-    "last_patched_at": "2026-08-10T04:46:04.191252+00:00",
-    "last_reused_patch_generation": 3,
-    "last_used_at": "2026-08-10T04:45:38.330678+00:00",
-    "last_viewed_at": "2026-08-10T04:45:38.326586+00:00",
-    "patch_count": 11,
-    "patch_generation": 8,
+    "last_patched_at": "2026-08-11T15:56:09.944507+00:00",
+    "last_reused_patch_generation": 10,
+    "last_used_at": "2026-08-11T15:55:58.428178+00:00",
+    "last_viewed_at": "2026-08-11T15:55:58.415651+00:00",
+    "patch_count": 14,
+    "patch_generation": 11,
    "pinned": false,
    "state": "active",
-    "use_count": 9,
-    "view_count": 9
+    "use_count": 14,
+    "view_count": 14
  },
  "github-auth": {
    "archived_at": null,
@ -899,31 +935,31 @@
    "archived_at": null,
    "created_at": "2026-08-10T02:35:03.788507+00:00",
    "created_by": "agent",
-    "last_patched_at": "2026-08-10T02:36:11.952237+00:00",
-    "last_reused_patch_generation": 4,
-    "last_used_at": "2026-08-10T04:46:07.027987+00:00",
-    "last_viewed_at": "2026-08-10T04:46:07.016651+00:00",
-    "patch_count": 4,
-    "patch_generation": 4,
+    "last_patched_at": "2026-08-11T15:48:55.169727+00:00",
+    "last_reused_patch_generation": 5,
+    "last_used_at": "2026-08-11T15:48:44.390260+00:00",
+    "last_viewed_at": "2026-08-11T15:48:44.386278+00:00",
+    "patch_count": 6,
+    "patch_generation": 6,
    "pinned": false,
    "state": "active",
-    "use_count": 5,
-    "view_count": 5
+    "use_count": 8,
+    "view_count": 8
  },
  "github-project-research": {
    "archived_at": null,
    "created_at": "2026-08-01T11:50:01.274771+00:00",
    "created_by": "agent",
-    "last_patched_at": "2026-08-10T03:37:47.436239+00:00",
-    "last_reused_patch_generation": 3,
-    "last_used_at": "2026-08-10T03:37:37.196684+00:00",
-    "last_viewed_at": "2026-08-10T03:37:37.185336+00:00",
-    "patch_count": 18,
-    "patch_generation": 4,
+    "last_patched_at": "2026-08-11T07:56:41.339533+00:00",
+    "last_reused_patch_generation": 7,
+    "last_used_at": "2026-08-11T07:56:43.941512+00:00",
+    "last_viewed_at": "2026-08-11T07:56:43.938038+00:00",
+    "patch_count": 21,
+    "patch_generation": 7,
    "pinned": false,
    "state": "active",
-    "use_count": 20,
-    "view_count": 20
+    "use_count": 24,
+    "view_count": 24
  },
  "github-repo-management": {
    "archived_at": null,
@ -977,6 +1013,21 @@
    "use_count": 2,
    "view_count": 2
  },
+  "grounded-citations": {
+    "archived_at": null,
+    "created_at": "2026-08-11T14:01:05.500727+00:00",
+    "created_by": null,
+    "last_patched_at": null,
+    "last_reused_patch_generation": 0,
+    "last_used_at": null,
+    "last_viewed_at": null,
+    "patch_count": 0,
+    "patch_generation": 0,
+    "pinned": false,
+    "state": "active",
+    "use_count": 0,
+    "view_count": 0
+  },
  "heartmula": {
    "archived_at": null,
    "created_at": "2026-06-30T11:24:39.521411+00:00",
@ -1029,7 +1080,7 @@
    "patch_count": 2,
    "patch_generation": 0,
    "pinned": false,
-    "state": "stale",
+    "state": "active",
    "use_count": 3,
    "view_count": 3
  },
@ -1039,14 +1090,14 @@
    "created_by": null,
    "last_patched_at": "2026-08-01T02:18:43.963710+00:00",
    "last_reused_patch_generation": 0,
-    "last_used_at": "2026-08-10T07:52:46.510076+00:00",
-    "last_viewed_at": "2026-08-10T07:52:46.501682+00:00",
+    "last_used_at": "2026-08-11T14:47:08.088523+00:00",
+    "last_viewed_at": "2026-08-11T14:47:08.077261+00:00",
    "patch_count": 123,
    "patch_generation": 0,
    "pinned": false,
    "state": "active",
-    "use_count": 130,
-    "view_count": 129
+    "use_count": 133,
+    "view_count": 132
  },
  "hermes-mcp-setup": {
    "archived_at": null,
@ -1139,7 +1190,7 @@
    "last_viewed_at": "2026-07-09T01:00:29.716983+00:00",
    "patch_count": 0,
    "pinned": false,
-    "state": "active",
+    "state": "stale",
    "use_count": 1,
    "view_count": 1
  },
@ -1221,6 +1272,21 @@
    "use_count": 0,
    "view_count": 0
  },
+  "inspecting-hermes-desktop-dom": {
+    "archived_at": null,
+    "created_at": "2026-08-11T14:01:05.516020+00:00",
+    "created_by": null,
+    "last_patched_at": null,
+    "last_reused_patch_generation": 0,
+    "last_used_at": null,
+    "last_viewed_at": null,
+    "patch_count": 0,
+    "patch_generation": 0,
+    "pinned": false,
+    "state": "active",
+    "use_count": 0,
+    "view_count": 0
+  },
  "jupyter-live-kernel": {
    "archived_at": null,
    "created_at": "2026-06-30T11:24:39.540375+00:00",
@ -1234,6 +1300,21 @@
    "use_count": 0,
    "view_count": 0
  },
+  "lazy-senior-dev": {
+    "archived_at": null,
+    "created_at": "2026-08-11T17:35:03.221614+00:00",
+    "created_by": null,
+    "last_patched_at": null,
+    "last_reused_patch_generation": 0,
+    "last_used_at": null,
+    "last_viewed_at": null,
+    "patch_count": 0,
+    "patch_generation": 0,
+    "pinned": false,
+    "state": "active",
+    "use_count": 0,
+    "view_count": 0
+  },
  "linux-desktop-apps": {
    "archived_at": null,
    "created_at": "2026-06-15T07:39:13.833978+00:00",
@ -1277,16 +1358,16 @@
    "archived_at": null,
    "created_at": "2026-08-01T13:47:26.532313+00:00",
    "created_by": "agent",
-    "last_patched_at": "2026-08-10T07:53:51.858329+00:00",
-    "last_reused_patch_generation": 2,
-    "last_used_at": "2026-08-10T07:53:36.767251+00:00",
-    "last_viewed_at": "2026-08-10T07:53:36.754920+00:00",
-    "patch_count": 9,
-    "patch_generation": 3,
+    "last_patched_at": "2026-08-11T02:21:13.580898+00:00",
+    "last_reused_patch_generation": 3,
+    "last_used_at": "2026-08-11T02:21:03.966315+00:00",
+    "last_viewed_at": "2026-08-11T02:21:03.955039+00:00",
+    "patch_count": 11,
+    "patch_generation": 5,
    "pinned": false,
    "state": "active",
-    "use_count": 9,
-    "view_count": 9
+    "use_count": 10,
+    "view_count": 10
  },
  "llm-wiki": {
    "archived_at": null,
@ -1385,14 +1466,16 @@
    "archived_at": null,
    "created_at": "2026-07-13T05:22:08.504827+00:00",
    "created_by": "agent",
-    "last_patched_at": "2026-07-30T01:24:56.303967+00:00",
-    "last_used_at": "2026-07-30T01:24:29.547939+00:00",
-    "last_viewed_at": "2026-07-30T01:24:29.536797+00:00",
-    "patch_count": 10,
+    "last_patched_at": "2026-08-11T15:56:28.201567+00:00",
+    "last_reused_patch_generation": 4,
+    "last_used_at": "2026-08-11T15:55:41.839536+00:00",
+    "last_viewed_at": "2026-08-11T15:55:41.834604+00:00",
+    "patch_count": 17,
+    "patch_generation": 7,
    "pinned": false,
    "state": "active",
-    "use_count": 4,
-    "view_count": 4
+    "use_count": 8,
+    "view_count": 8
  },
  "memoryfabric": {
    "archived_at": null,
@ -1429,7 +1512,7 @@
    "last_viewed_at": "2026-07-12T01:13:29.692201+00:00",
    "patch_count": 5,
    "pinned": false,
-    "state": "active",
+    "state": "stale",
    "use_count": 13,
    "view_count": 10
  },
@ -1548,7 +1631,7 @@
    "last_viewed_at": "2026-07-08T17:33:15.036685+00:00",
    "patch_count": 1,
    "pinned": false,
-    "state": "active",
+    "state": "stale",
    "use_count": 3,
    "view_count": 3
  },
@ -1634,6 +1717,21 @@
    "use_count": 0,
    "view_count": 0
  },
+  "pdf": {
+    "archived_at": null,
+    "created_at": "2026-08-11T14:01:05.536268+00:00",
+    "created_by": null,
+    "last_patched_at": null,
+    "last_reused_patch_generation": 0,
+    "last_used_at": null,
+    "last_viewed_at": null,
+    "patch_count": 0,
+    "patch_generation": 0,
+    "pinned": false,
+    "state": "active",
+    "use_count": 0,
+    "view_count": 0
+  },
  "petdex": {
    "archived_at": null,
    "created_at": "2026-06-30T11:24:39.586358+00:00",
@ -1733,29 +1831,29 @@
    "created_by": null,
    "last_patched_at": null,
    "last_reused_patch_generation": 0,
-    "last_used_at": null,
-    "last_viewed_at": null,
+    "last_used_at": "2026-08-11T09:56:36.263226+00:00",
+    "last_viewed_at": "2026-08-11T09:56:36.256679+00:00",
    "patch_count": 0,
    "patch_generation": 0,
    "pinned": false,
    "state": "active",
-    "use_count": 0,
-    "view_count": 0
+    "use_count": 2,
+    "view_count": 2
  },
  "provider-tiering": {
    "archived_at": null,
    "created_at": "2026-07-08T17:13:40.791890+00:00",
    "created_by": "agent",
-    "last_patched_at": "2026-08-09T11:51:20.442545+00:00",
+    "last_patched_at": "2026-08-11T14:47:32.634533+00:00",
    "last_reused_patch_generation": 3,
-    "last_used_at": "2026-08-09T12:25:20.836602+00:00",
-    "last_viewed_at": "2026-08-09T12:25:20.824193+00:00",
-    "patch_count": 86,
-    "patch_generation": 3,
+    "last_used_at": "2026-08-11T14:47:23.136481+00:00",
+    "last_viewed_at": "2026-08-11T14:47:23.125236+00:00",
+    "patch_count": 87,
+    "patch_generation": 4,
    "pinned": false,
    "state": "active",
-    "use_count": 80,
-    "view_count": 80
+    "use_count": 81,
+    "view_count": 81
  },
  "python-debugpy": {
    "archived_at": null,
@ -1805,7 +1903,7 @@
    "last_viewed_at": "2026-07-09T19:30:23.327898+00:00",
    "patch_count": 0,
    "pinned": false,
-    "state": "active",
+    "state": "stale",
    "use_count": 1,
    "view_count": 1
  },
@ -1936,14 +2034,14 @@
    "created_by": "agent",
    "last_patched_at": "2026-08-10T07:54:48.137988+00:00",
    "last_reused_patch_generation": 0,
-    "last_used_at": null,
-    "last_viewed_at": null,
+    "last_used_at": "2026-08-11T02:21:17.690989+00:00",
+    "last_viewed_at": "2026-08-11T02:21:17.673740+00:00",
    "patch_count": 1,
    "patch_generation": 1,
    "pinned": false,
    "state": "active",
-    "use_count": 0,
-    "view_count": 0
+    "use_count": 1,
+    "view_count": 1
  },
  "so-team-workflow": {
    "archived_at": null,
@ -2164,13 +2262,15 @@
    "created_at": "2026-05-13T16:02:06.347617+00:00",
    "created_by": null,
    "last_patched_at": "2026-08-02T20:34:42.818272+00:00",
-    "last_used_at": "2026-08-02T20:43:50.640254+00:00",
-    "last_viewed_at": "2026-08-02T20:43:50.633517+00:00",
+    "last_reused_patch_generation": 0,
+    "last_used_at": "2026-08-11T14:46:39.383816+00:00",
+    "last_viewed_at": "2026-08-11T14:46:39.372771+00:00",
    "patch_count": 14,
+    "patch_generation": 0,
    "pinned": false,
    "state": "active",
-    "use_count": 19,
-    "view_count": 19
+    "use_count": 24,
+    "view_count": 24
  },
  "web-content-capture": {
    "archived_at": null,
@ -2189,14 +2289,16 @@
    "archived_at": null,
    "created_at": "2026-05-13T09:05:27.674550+00:00",
    "created_by": null,
-    "last_patched_at": "2026-07-03T10:28:19.836412+00:00",
-    "last_used_at": "2026-07-20T10:26:13.324456+00:00",
-    "last_viewed_at": "2026-07-20T10:26:13.321399+00:00",
-    "patch_count": 23,
+    "last_patched_at": "2026-08-11T17:37:23.001866+00:00",
+    "last_reused_patch_generation": 0,
+    "last_used_at": "2026-08-11T17:37:08.976377+00:00",
+    "last_viewed_at": "2026-08-11T17:37:08.972764+00:00",
+    "patch_count": 24,
+    "patch_generation": 1,
    "pinned": false,
    "state": "active",
-    "use_count": 21,
-    "view_count": 21
+    "use_count": 22,
+    "view_count": 22
  },
  "website-ux-audit": {
    "archived_at": null,
@ -2317,6 +2419,21 @@
    "use_count": 9,
    "view_count": 9
  },
+  "xlsx": {
+    "archived_at": null,
+    "created_at": "2026-08-11T14:01:05.546571+00:00",
+    "created_by": null,
+    "last_patched_at": null,
+    "last_reused_patch_generation": 0,
+    "last_used_at": null,
+    "last_viewed_at": null,
+    "patch_count": 0,
+    "patch_generation": 0,
+    "pinned": false,
+    "state": "active",
+    "use_count": 0,
+    "view_count": 0
+  },
  "xurl": {
    "archived_at": null,
    "created_at": "2026-06-30T11:24:39.663772+00:00",
@ -2360,16 +2477,16 @@
    "archived_at": null,
    "created_at": "2026-05-29T19:39:03.373231+00:00",
    "created_by": null,
-    "last_patched_at": "2026-08-09T17:24:35.461838+00:00",
-    "last_reused_patch_generation": 0,
-    "last_used_at": "2026-08-09T16:44:59.475746+00:00",
-    "last_viewed_at": "2026-08-09T16:44:59.472279+00:00",
-    "patch_count": 733,
-    "patch_generation": 2,
+    "last_patched_at": "2026-08-11T13:49:15.769487+00:00",
+    "last_reused_patch_generation": 2,
+    "last_used_at": "2026-08-11T09:56:06.064254+00:00",
+    "last_viewed_at": "2026-08-11T09:56:05.969498+00:00",
+    "patch_count": 736,
+    "patch_generation": 5,
    "pinned": false,
    "state": "active",
-    "use_count": 400,
-    "view_count": 374
+    "use_count": 402,
+    "view_count": 376
  },
  "zhiyi-dev": {
    "archived_at": null,
--- a/skills/autonomous-ai-agents/ao-orchestrator/SKILL.md
+++ b/skills/autonomous-ai-agents/ao-orchestrator/SKILL.md
@ -144,6 +144,38 @@ steps:

 ---

+## ECC 编码编排参考（2026-08-11 借鉴 affaan-m/ECC 239k⭐）
+
+ECC 是生产级 AI 编码插件（68 agents / 285 skills / 94 commands），它的**自动编排规则**值得参考：
+
+### 何时用哪个 agent（ECC 规则 → 我的对应）
+
+| 场景 | ECC agent | 我的方案 |
+|------|-----------|---------|
+| 复杂功能/重构 | planner | ao compose 规划 |
+| 写完代码 | code-reviewer | 我验收审查 |
+| 新功能/bug | tdd-guide | opencode + 测试 |
+| 架构决策 | architect | 我 + opencode 架构师角色 |
+| 涉密代码 | security-reviewer | 安全审查 |
+| 自治循环监控 | loop-operator | daemon 深度思考 |
+| 构建/类型错误 | build-error-resolver | opencode 修复 |
+
+### 核心原则（ECC → 我的落地）
+
+1. **Agent-First**：复杂任务主动委派专业 agent，不等用户提示
+2. **TDD 强制**：先写测试（RED→GREEN→REFACTOR），覆盖率 ≥80%
+3. **Security-First**：提交前检查无硬编码密钥、输入校验、SQL 注入/XSS/CSRF 防护
+4. **Immutability**：创建新对象不 mutate
+5. **代码规范**：函数 <50 行、文件 <800 行、嵌套 <4 层
+6. **并行执行**：独立操作并行启动多个 agent
+
+### 我的落地要点
+- 复杂编码任务：规划 → opencode 执行（TDD）→ 我验收（code-reviewer 视角）
+- 涉密/敏感改动：先安全审查再动手
+- 参照 lazy-senior-dev skill 做最小化
+
+---
+
 ## 与相关技能的关系

 | Skill | 说明 |
--- a/skills/devops/gitea-repo-mirroring/SKILL.md
+++ b/skills/devops/gitea-repo-mirroring/SKILL.md
@ -123,6 +123,16 @@ clone_via_mirror() {  # repo=owner/name, dir=本地路径
 8. **URL 拼接重复 `http://`（2026-08-10 实测踩坑）** — `GITEA="http://git.zszs.site"` 后拼 `"$GITEA/api..."` 没问题，但若 remote 写 `"http://$GITEA/xiaoxue_admin/REPO.git"` 会变成 `http://http://git.zszs.site/...`，报 `Could not resolve host: http`，全部 push 假成功（Gitea 仓库建了但代码没推上）。**GITEA 变量只放裸域名 `git.zszs.site`**，remote/API 统一拼 `http://$GITEA/...`。
 9. **tags push 会 `send-pack: unexpected disconnect` 但 main 已成功（2026-08-10 实测）** — 大仓库（orca 600MB/8268 commits）走 frp 公网推 tags 常断开。判断成功以**分支 push 结果 + `git ls-remote ... HEAD` 有输出**为准，tags 可后续补推（`git push ... --tags` 重跑即可）。
 10. **push 脚本要防"假 OK"** — 把 `git push` 输出写日志、用 `ls-remote HEAD` 或 API HTTP 200 验证远端有 HEAD，别只看 `tail -1`（会吞掉 fatal）。
+11. **大仓库（>200MB）下载策略（2026-08-10 cosmos 275MB 实测 4 方案全败）**：
+    - 场景：`NVIDIA/cosmos` 275MB，ghfast 镜像超时 → gh-proxy clone `fetch-pack: unexpected disconnect`（大 pack 传输中断）→ GitHub 直连 443 超时 → codeload tar.gz 下到 53MB/275MB 截断。
+    - **镜像对大仓库不稳**：gh-proxy 对 600MB 的 orca 能成功（慢但通），275MB 的 cosmos 却断——大仓库碰运气，别假定镜像一定行。
+    - **`wget -c` 假续传**：codeload 不支持 range 请求，`-c` 会从头重下，每轮超时前下 ~47MB 然后重来，永远下不完。aria2c 分片续传中断后 control 文件丢失，会产生 `cosmos.tar.1.gz` / `cosmos.tar.1.1.gz` 多个碎片文件且无法合并。
+    - **可行路径**：aria2c 多线程（`-x 16 -s 16`）确实能推进（53MB→130MB），但中断后要保证 control 文件还在（同一 `-o` 文件名续传）；或分多轮 wget 手工续传。
+    - **决策铁律**：大仓库 + 被墙网络 = 先评估价值。价值低（如研究型大仓库）直接**建议放弃**并问用户，别耗 40 分钟 4 种方案。用户认可放弃后清理残留文件（`cosmos.tar*` 多个碎片）收尾。
+12. **杀卡死后台 clone 的坑（2026-08-11 firecrawl 实测）** — `pkill -f "firecrawl"` 会匹配到当前 shell 自身（命令字符串里含 firecrawl），导致 exit -15 自杀。且只杀 git clone 子进程没用——batch 脚本父进程（`bash batch_clone.sh` + `wait`）活着会重新拉起 clone（PID 会变）。正确姿势：`ps aux | grep` 拿全部显式 PID → `kill -9 <PID...>` 一次杀光（含父脚本），再 `ps aux | grep` 验证数量归零。
+13. **研究型大仓库可走 tar.gz 而非放弃（2026-08-11 firecrawl 173MB 实测）** — 若仓库价值是**研究**，aria2c codeload tar.gz 是 pitfall 11 决策铁律的合法替代：gh-proxy 卡死（17min 只下 5.4MB，CPU 3s = 网络死）→ kill 清理 → `aria2c -x 16 -s 16 "https://codeload.github.com/OWNER/REPO/tar.gz/refs/heads/main"` 解压研究。
+    - **tar.gz 快照也能推 Gitea（实测成功）**：`git init -b main . && git add -A && git commit -m "main snapshot (tar.gz, no history)"` 单提交快照，Gitea 接受（虽丢历史，但代码可归档、可 clone 研究）。残留的失败 clone 会留 `.git/`（git init 显示 "Reinitialized existing"）+ stale origin remote——先 `git remote remove origin` 清掉再推。
+    - 完整历史只在需要审计/追 commit 时才必须——研究价值仓库快照足够。

 ## 参考

--- a/skills/devops/llm-gateway-ops/SKILL.md
+++ b/skills/devops/llm-gateway-ops/SKILL.md
@ -215,20 +215,10 @@ systemd-run --user --unit=gw-compression-restart --collect bash /tmp/restart_gw_

 **`ConnectionClosed("initialize request")` 是正常行为，不是错误**——stdio MCP server 启动后等待客户端发 initialize 请求，无客户端就退出。用 `--version` 测 MCP server 会看到这个"错误"，别被骗。

-真正验证（MCP SDK 握手 + 列工具）：
-```python
-# /tmp/test_mcp_sdk.py
-import asyncio, sys
-async def main():
-    from mcp import ClientSession, StdioServerParameters
-    from mcp.client.stdio import stdio_client
-    server = StdioServerParameters(command="npx", args=["-y", "@dbx-app/mcp-server"])
-    async with stdio_client(server) as (read, write):
-        async with ClientSession(read, write) as session:
-            await asyncio.wait_for(session.initialize(), timeout=60)
-            tools = await session.list_tools()
-            print(f"✅ 发现 {len(tools.tools)} 个工具:", [t.name for t in tools.tools])
-asyncio.run(main())
+真正验证（MCP SDK 握手 + 列工具）——用固化脚本 `scripts/verify_mcp_stdio.py`（本 skill 自带，可复用）：
+```bash
+python3 ~/.hermes/skills/devops/llm-gateway-ops/scripts/verify_mcp_stdio.py "npx" "-y" "@dbx-app/mcp-server"
+# 输出: ✅ MCP 连接成功，发现 N 个工具: dbx_list_connections, ...
 ```

 ### config.yaml 是安全保护文件（patch 工具拒绝写）
--- a/skills/devops/llm-gateway-ops/scripts/verify_mcp_stdio.py
+++ b/skills/devops/llm-gateway-ops/scripts/verify_mcp_stdio.py
@ -0,0 +1,39 @@
+#!/usr/bin/env python3
+"""
+stdio MCP server 验证脚本 — 不配置 Hermes 就能先测 MCP server 是否可用。
+
+背景（2026-08-10 dbx 实测）：
+- 裸跑 `npx @dbx-app/mcp-server` 报 `ConnectionClosed("initialize request")` 是正常 MCP 行为
+  （server 等客户端发 initialize，没客户端就退出），不代表 server 坏。
+- 用本脚本做真实协议握手：initialize → list_tools，确认工具发现。
+
+用法:
+    python3 verify_mcp_stdio.py "npx" "-y" "@dbx-app/mcp-server"
+    python3 verify_mcp_stdio.py "/absolute/path/to/dbx-mcp"
+
+前置: pip install mcp（Hermes venv 已装 1.26.0）
+"""
+import asyncio, sys
+
+async def main(command: str, *args: str):
+    from mcp import ClientSession, StdioServerParameters
+    from mcp.client.stdio import stdio_client
+
+    server = StdioServerParameters(command=command, args=list(args), env=None)
+    try:
+        async with stdio_client(server) as (read, write):
+            async with ClientSession(read, write) as session:
+                await asyncio.wait_for(session.initialize(), timeout=60)
+                tools = await session.list_tools()
+                print(f"✅ MCP 连接成功，发现 {len(tools.tools)} 个工具:")
+                for t in tools.tools:
+                    print(f"  - {t.name}: {t.description[:60]}")
+    except Exception as e:
+        print(f"❌ 连接失败: {type(e).__name__}: {e}")
+        sys.exit(1)
+
+if __name__ == "__main__":
+    if len(sys.argv) < 2:
+        print("用法: verify_mcp_stdio.py <command> [args...]")
+        sys.exit(1)
+    asyncio.run(main(sys.argv[1], *sys.argv[2:]))
--- a/skills/devops/provider-tiering/SKILL.md
+++ b/skills/devops/provider-tiering/SKILL.md
@ -28,7 +28,7 @@ pitfalls:
  - model-health.json 的稳定模型列表需要定期更新（EOL 后替换为当前可用模型）
  - 当 model-health.json 显示 stable=0 或发现大量 410，执行全量 sweep：见 references/nvidia-nim-eol-sweep.md
  - ⚠️ EOL 后不仅要更新 catalog，还要检查脚本中的硬编码模型名（daemon.py 的 FAST/DEEP/COMPACTION_MODEL、wiki_curator.py 的 LLM_MODEL、cangjie_distill.py 的默认参数等），见 sweep 第5步
-  - config.yaml 的 patch 被安全墙阻挡时，用 hermes config set 替代
+  - config.yaml 的 patch 被安全墙阻挡时，用 hermes config set 替代（2026-08-11 实例：改 TTS 音色 `hermes config set tts.edge.voice zh-CN-XiaoyiNeural` 成功，patch 被拒 `Refusing to write to Hermes config file`；改完无需重启 gateway，下次调用即生效）
  - fallback_providers 必须是 provider+model dict 列表，不是裸 provider 名字。`["deepseek"]` 字符串格式被 Hermes 忽略——用 hermes fallback add 重新添加
  - 加 fallback 前必须先用 curl 测模型是否可用，否则无声失败。例如 `nvidia/nemotron-3-ultra-550b-a55b` 在 NewAPI 列表里有但实际报 "No available channel"
  - ⚠️ 测试模型可用性不等于测试认证：即使模型在列表中且能连通，也必须验证 API Key 是否有效且有额度/权限。建议在加入 fallback 前，用目标模型发送一个简单的测试请求（如 `max_tokens: 1`）确认能获得正常响应。
--- a/skills/productivity/web-content-extraction/SKILL.md
+++ b/skills/productivity/web-content-extraction/SKILL.md
@ -343,6 +343,39 @@ if content_match:

 ---

+## Firecrawl 对比参考（2026-08-11 研究 165k⭐）
+
+> 已镜像：`~/projects/ai-collection/firecrawl/`（main 快照）。**不替代本工具链**，仅作架构参考。
+
+### firecrawl 的架构（产品级抓取平台）
+
+```
+apps/api（Fastify API + worker 队列）
+  ├─ /v1/scrape — 单页抓取（返回 markdown/json）
+  ├─ /v1/crawl — 整站爬取（异步 job）
+  ├─ /v1/search — 搜索+抓取
+  └─ /v1/map — 站点地图发现
+apps/*-sdk（Python/Node/Rust 官方 SDK）
+firecrawl-cli + firecrawl-skills（把 CLI 封装成 agent skill，教编码 agent 会话内用）
+SELF_HOST.md（自托管 docker-compose）
+```
+
+### 可借鉴点（对我们）
+
+| firecrawl | 我们 | 借鉴 |
+|-----------|------|------|
+| `/v1/crawl` 异步 job 队列 | crawl4ai 单页 | 批量爬取时可参考 job 队列设计 |
+| firecrawl-skills（独立仓库教 agent 用 CLI）| web-content-extraction skill | ✅ 已类似：把工具封装成 skill |
+| 多 SDK 官方支持 | hermes-web-extract CLI 封装 | 需要 Python SDK 时参考 |
+| 自托管 docker-compose | 本地二进制 | 需要分布式抓取时参考 |
+
+### 结论
+- 单页抓取/markdown 提取 → 继续用 crawl4ai（已验证 1.6s）
+- 批量/整站爬取 → scrapy 或参考 firecrawl crawl job 设计
+- **暂不引入 firecrawl 依赖**（我们已有完整工具链，firecrawl 是 API 服务需部署，且核心价值与我们重叠）
+
+---
+
 ## 完整工具链架构

 ```
--- a/skills/research/github-project-discovery/SKILL.md
+++ b/skills/research/github-project-discovery/SKILL.md
@ -45,6 +45,23 @@ description: 主动发现并推荐GitHub开源项目时使用。收集→LLM筛
 7. **seen 只存"最近推荐的"（最多 20 个）**：存"所有见过的"会导致测试/积累后无新候选 → 永久哑火。只存本次 picks → 下周只滤掉 3-5 个，其余仍新鲜。
 8. **周期性交付任务不能静默**：no_agent 空输出=什么都不推=用户以为坏了。无新候选时输出"本周无新候选"提示。

+## 手动即时推荐（牧尘随时问"有什么推荐"时用，2026-08-11 实测）
+
+不用等每周一 cron，牧尘随口问推荐时直接手动抓——**用 GitHub Search API 比跑周报脚本快得多**：
+
+- **不要跑 `github-weekly-digest.py --dry-run`**：实测 180s 超时（RSSHub 抓取慢 + 多主题串行），等不起。
+- **直接调 Search API**（25s 超时内返回）：
+  ```bash
+  # 按 topic 抓热榜（ai-agents / llm+memory 等组合主题）
+  curl -s "https://api.github.com/search/repositories?q=topic:ai-agents&sort=stars&order=desc&per_page=8" | python3 -c "
+  import json,sys; d=json.load(sys.stdin)
+  for it in d.get('items',[]): print(f\"{it['full_name']} ⭐{it['stargazers_count']} | {(it.get('description') or '')[:70]}\")"
+  ```
+- **给用户前先对照 `seen` 文件**（`~/.hermes/data/github_digest_seen.json`）和上期周报输出，跳过已推荐过的（supabase/agno/graphify 等）。
+- **推荐语按用户画像组织**：记忆系统同赛道（mempalace/EverOS）→ 建议研究借鉴织忆；Agent 框架 → 建议借鉴 skill 管理；明确给出"最值得研究哪个"的建议，不要平铺。
+- **推荐输出格式（2026-08-11 实测牧尘认可）**：🥇🥈🥉 分级 + 每个给「为什么值得研究」（关联现有系统：织忆/skill 管理/爬虫）+ 链接；备选放 🎁 组。收尾问句：要不要拉下来深研究（像 LightMem 那样）/ 先推 Gitea 存档。
+- 用户说"都下载研究"→ 走 gitea-repo-mirroring 批量流程（查重→clone→推 Gitea→研究），firecrawl 173MB 大仓库注意镜像不稳。
+
 ## 模型选型经验（免费模型做自动化的通用参考）

 | 场景 | 模型 | 原因 |
--- a/skills/research/github-project-research/SKILL.md
+++ b/skills/research/github-project-research/SKILL.md
@ -163,3 +163,4 @@ content = base64.b64decode(d2['content']).decode('utf-8', 'ignore')
 - `references/2026-08-01-research-cases-batch2.md` — strix（AI 渗透）、grok-build（编码 Agent，含搜索跑偏案例 + 源码深读模式）、Vibe-Trading（量化交易）
 - `references/2026-08-02-research-cases-batch3.md` — ai-agent-book（李博杰 Agent 书，ch3/ch8 对标织忆）、ui-skills（UI 质量技能集）、croc（安全文件传输）+ MCP 工具全流程方法论
 - `references/2026-08-10-research-mapcn.md` — mapcn（React 地图组件库，11.3k stars，CARTO 底图许可注意）+ tarball 整仓下载法实测
+- `references/2026-08-10-research-lightmem.md` — LightMem（浙大 zjunlp 记忆增强生成框架，ICLR 2026，1.1k stars）+ 与织忆对照结论（不替代、借鉴 llmlingua-2 预压缩）
--- a/skills/research/github-project-research/references/2026-08-10-research-lightmem.md
+++ b/skills/research/github-project-research/references/2026-08-10-research-lightmem.md
@ -0,0 +1,109 @@
+# 2026-08-10 调研：zjunlp/LightMem（浙大 NLP 记忆框架）
+
+> 触发：牧尘丢来 GitHub 链接要求研究。走标准调研流程（API 元数据 → README 深读 → 本地兼容检查 → 与织忆对照）。
+
+## 元数据（api.github.com 实测）
+
+| 项 | 值 |
+|---|---|
+| 全名 | zjunlp/LightMem: Lightweight and Efficient Memory-Augmented Generation |
+| ⭐ | 1,078（实测） |
+| 论文 | ICLR 2026（arXiv:2510.18866） |
+| 协议 | MIT ✅ |
+| 语言 | Python 3.11 |
+| 状态 | 活跃（2026-08-10 还在提交；入选 CCF ODTC 开源激励计划） |
+| Topics | agent / memory / long-term-memory / rag / memory-management / personalization |
+
+## 它解决什么
+
+长运行 LLM/Agent 的 **Context bloat（上下文膨胀）+ Token 浪费 + 缓存利用率低** 三痛点。
+管线：对话进来 → 预压缩 → 主题分段 → 元数据/摘要提取 → 向量+BM25 混合检索 → 只喂相关记忆给模型。
+
+## 核心模块与后端（README 实测）
+
+| 模块 | 功能 | 后端 |
+|---|---|---|
+| PreCompressor | 存前压缩（省 token 省存储） | `llmlingua-2` / `entropy_compress` |
+| TopicSegmenter | 长对话按主题切段独立索引 | `llmlingua-2` |
+| MemoryManager | 摘要+元数据生成 | OpenAI / **DeepSeek**（含 deepseek-v4-flash/pro，支持 reasoning_effort）/ Ollama / vLLM |
+| TextEmbedder | 向量嵌入 | huggingface（默认 all-MiniLM-L6-v2, 384 维） |
+| Retriever | 语义/关键词检索 | Qdrant / FAISS / BM25 |
+| graph_mem | 图记忆（可选） | 需额外图处理/存储 |
+| MCP Server | 直接接 MCP 客户端 | `fastmcp run mcp/server.py:mcp --transport http --port 8000` |
+
+**关键配置项**（BaseMemoryConfigs）：
+- `pre_compress` / `topic_segment` / `metadata_generate` / `text_summary` 开关
+- `index_strategy`: `embedding` / `context` / `hybrid`
+- `update`: **`offline`（完整支持）** / `online`（占位 no-op，不持久化）
+- `extraction_mode`: `flat`（事实独立单元）/ `event`（事件级，保时间绑定与因果）
+- BoundMem 可选插件：`boundmem_tags` 给记忆打标签、检索按标签过滤（opt-in）
+
+## 实验数据（LoCoMo 基准，README 原文）
+
+| 方法 | ACC(%) gpt-4o-mini | 总 Token(k) | 耗时(s) |
+|---|---|---|---|
+| FullText | 73.83 | 54,884 | 6,971 |
+| NaiveRAG | 63.64 | 3,870 | 1,884 |
+| A-MEM | 64.16 | 21,665 | 67,084 |
+| MemoryOS(eval) | 58.25 | 10,519 | 26,129 |
+| Mem0 | 36.49 | 25,793 | 120,175 |
+| Mem0(api) | 61.69 | 72,518 | 10,445 |
+
+亮点：比 A-MEM/Mem0 runtime 快 5-10 倍、token 少 50%+，精度不低于 MemoryOS。注意 README 里 LightMem 自己那行主结果不在表格（论文为准），表格列的是对比基线。
+
+## 安装（2026-08-10 现状）
+
+- `pip install lightmem` 标 **"Coming soon"**——目前只能源码装：`git clone` + `conda create -n lightmem python=3.11` + `pip install -e .`
+- Quick Start 需下 2 个 HF 模型：llmlingua-2（~400MB）+ all-MiniLM-L6-v2（~90MB）+ 数据集 longmemeval-cleaned
+- 本地 Python 3.11.15 ✅；qdrant/faiss 未装（首次跑需 pip 装）
+
+## 源码深读产出（2026-08-10 二次研究，tarball 拉取）
+
+> 源码：`~/projects/zjunlp/LightMem/`（8.8MB tarball 完整）。主模块 11929 行，核心 `memory/lightmem.py`（879 行）+ `memory/prompts.py`（415 行）。
+
+### add_memory 全管线
+```
+输入 → 1. MessageNormalizer（统一时间戳/会话）
+     → 2. PreCompressor（可选，llmlingua-2 压缩每条 content）
+     → 3. TopicSegmenter（可选，主题分段，双缓冲触发）
+     → 4. ShortMemBuffer（2000 token 积累，阈值触发提取）
+     → 5. 提取 LLM（逐条消息判断事实 → 补全独立句 → 输出 JSON facts）
+     → 6. MemoryEntry（带 time_stamp / weekday / speaker / topic_id）
+     → 7. offline_update（存时同时记录相似候选 update_queue）
+```
+
+### 三个可移植织忆的设计（优先级 1>2>3）
+| # | 设计 | LightMem 精髓 | 织忆借鉴 |
+|---|------|--------------|---------|
+| 1 | **逐条事实提取 prompt** | 逐消息按序判断是否含事实（"Unless purely meaningless, extract it"）→ 轻量补全独立句 → 保留全部实体细节（全名/地点/数字/公司名）→ 推断隐含 → 时间区分（mention time vs event time）→ 输出 `{"data":[{"source_id":N,"fact":"..."}]}` | 织忆 distill 升级：整段压缩 → 原子事实，正好喂知识图谱节点 |
+| 2 | **离线整合 UPDATE_PROMPT** | 找 update_queue 相似候选（score≥阈值）→ LLM 三选一：update（合并细节）/ delete（冲突且候选新则删目标）/ ignore；只改目标不动候选，输出 `{"action":...,"new_memory":{...}}` | 织忆加记忆合并/冲突消解，图谱去重 |
+| 3 | **双缓冲触发** | Sensory 512 token（满则分段，超长单条单独成段不阻塞）→ Short-term 2000 token（满则一次 LLM 提取，批量省 API）；force_extract/force_segment 手动触发 | 织忆 distill 时机：token 积累再批量调用 |
+
+### 检索设计
+query → embed → 向量检索（Qdrant/FAISS）→ 返回 `"{time_stamp} {weekday} {memory}"` 格式化字符串；可选 BM25 混合 + BoundMem tag 过滤（按重叠 tag 保留）。
+
+### 模型需求（部署成本）
+| 组件 | 模型 | 大小 |
+|---|---|---|
+| 预压缩 | microsoft/llmlingua-2-bert-base-multilingual-cased-meetingbank | ~400MB 可 CPU |
+| 嵌入 | sentence-transformers/all-MiniLM-L6-v2 | ~90MB（384 维） |
+| 记忆管理 | OpenAI/DeepSeek/Ollama API | 免费可用 NewAPI |
+| 向量库 | Qdrant（本地）/ FAISS | 可选 |
+
+## 与织忆（MemoryWeave）对照 → 结论：不替代，借鉴预压缩
+
+| 维度 | 织忆 | LightMem |
+|---|---|---|
+| 形态 | Go daemon + Rust sidecar + 图谱（5766 节点） | Python 库 + MCP server |
+| 记忆组织 | 语义 + 知识图谱 | 主题分段 + 摘要 + 向量 |
+| 检索 | bge-m3 嵌入 + 图谱导航 | Qdrant/FAISS + BM25 混合 |
+| 压缩 | ❌ 无预压缩 | ✅ llmlingua-2 预压缩（独有亮点） |
+| 更新 | distill 管道 | offline 批量更新 |
+| 部署 | 已生产运行 | 研究框架 |
+
+**建议**：选 B（只研究架构）——织忆已生产、图谱更强，不值得换；但 **llmlingua-2 预压缩思想值得移植**：织忆若加"存前压缩"，长对话 token 成本可降。落地选项 A 试跑（下 2 模型）/ B 只研究（免费）/ C 接 MCP / D 归档。
+
+## 系列生态
+
+LightMem 系列：LightMem（本仓）/ LightMem2（模块化长运行 agent 记忆）/ LightMem-Ego（流式多模态日常助手）。
+对比基线框架：zjunlp/MemBase（LoCoMo/LongMemEval 多记忆层基准）。
--- a/skills/research/memory-system-landscape/SKILL.md
+++ b/skills/research/memory-system-landscape/SKILL.md
@ -130,6 +130,9 @@ git clone http://SERVER/repo5.git repo5 2>&1 &
 | multica | Go+Next.js | agent 生命周期管理，Squad 路由，skill 复用 |
 | agent-second-brain | Python | Telegram 语音优先，vault 健康评分，每日报告 |
 | Foretold | ❌ SSH 认证不可达 | — |
+| LightMem | Python | **zjunlp 浙大，1078⭐，ICLR 2026**：逐条事实提取 prompt + 离线整合 UPDATE_PROMPT + 双缓冲（Sensory 512→Short-term 2000）+ llmlingua-2 预压缩。织忆 distill 改造的直接参考（2026-08-11 已移植 P1） |
+| mempalace | Python | **MemPalace，58k⭐，本地优先**：逐字存储（绝不总结/蒸馏）+ 宫殿结构（WING→ROOM→DRAWER）+ AAAK 压缩索引（结构化符号摘要，LLM 原生可读）+ BM25+向量混合检索 + 实体优先消歧 + 可插拔后端（ChromaDB 默认）。LongMemEval 96.6% R@5 零 API 调用。**与织忆哲学相反：织忆蒸馏、它保真**。详见 references/2026-08-11-mempalace-everos-notes.md |
+| EverOS | Python | **EverMind-AI，11.9k⭐，md-first 记忆**：Markdown 真相 + SQLite 状态 + LanceDB（向量+BM25+标量）三件套 + DDD 5 层单向依赖 + everalgo 独立算法库。存储分层可借鉴。详见 references/2026-08-11-mempalace-everos-notes.md |

 ## 关键设计模式（可迁移到织忆）

@ -200,6 +203,8 @@ git clone http://SERVER/repo5.git repo5 2>&1 &
 | `2026-07-13-memory-systems-notes.md` | 9 个参考记忆系统对比分析 | 2026-07-13 |
 | `2026-07-19-jarvis-agent-landscape-notes.md` | MyJarvis L1-L6 架构调研 | 2026-07-19 |
 | `2026-07-30-codebase-memory-mcp.md` | **codebase-memory-mcp** — C 实现的代码知识图谱 MCP 服务器（158语言，15 MCP 工具，arXiv 论文），织忆互补系统 | 2026-07-30 |
+| `2026-08-11-lightmem-notes.md` | **LightMem** — zjunlp 逐条事实提取 prompt / 离线整合 UPDATE_PROMPT / 双缓冲触发，已移植织忆 distill P1 | 2026-08-11 |
+| `2026-08-11-mempalace-everos-notes.md` | **mempalace**（逐字存储/AAAK 压缩索引/BM25+向量混合/实体优先，LongMemEval 96.6%）+ **EverOS**（md-first 三件套存储/DDD 分层/everalgo 算法库）— 织忆借鉴参考 | 2026-08-11 |

 每次调研后，将原始 notes 保存到：

--- a/skills/research/memory-system-landscape/references/2026-08-11-lightmem-notes.md
+++ b/skills/research/memory-system-landscape/references/2026-08-11-lightmem-notes.md
@ -0,0 +1,79 @@
+# LightMem 源码研究笔记（2026-08-11）
+
+> zjunlp/LightMem — 浙大 NLP 实验室，1078⭐，ICLR 2026，MIT，Python
+> 定位：轻量高效的大模型/Agent 长期记忆管理框架
+> 源码：`~/projects/zjunlp/LightMem`（tarball 法下载，8.8MB 完整）
+> 报告：`~/小唯/07-Wiki/concepts/LightMem-源码研究-织忆可移植设计.md`
+
+## 一句话结论
+
+不替代织忆，但三个设计直接可移植：①逐条事实提取 prompt ②离线整合 UPDATE_PROMPT ③双缓冲触发。已移植 P1（逐条事实提取）到织忆 distill 引擎。
+
+## 核心管线（add_memory 全流程）
+
+```
+输入消息 → MessageNormalizer（统一时间戳/会话）
+        → PreCompressor（可选，llmlingua-2 压缩每条 content）
+        → TopicSegmenter（可选，主题分段，双缓冲触发）
+        → ShortMemBuffer（2000 token 积累，阈值触发提取）
+        → 提取 LLM（逐条消息判断事实 → 补全独立句 → 输出 JSON facts）
+        → MemoryEntry（带 time_stamp / weekday / speaker / topic_id）
+        → offline_update（存时同时记录相似候选 update_queue）
+```
+
+## 四个可移植设计
+
+### 1. 🥇 提取 Prompt（prompts.py METADATA_GENERATE_PROMPT）
+- 逐条消息**按序**判断是否含事实（不是整段摘要）
+- **不跳过小细节**（"User drank coffee this morning" 也要保留）
+- **轻量上下文补全**：`"My friend John is studying medicine"` → `"User's friend John is studying medicine."`
+- **保留全部实体细节**：全名/地点/事件/数字/公司名
+- **推断隐含信息**：多个相关条目 → 推断一般模式
+- **时间区分**：mention time vs event time
+- 输出严格 JSON：`{"data": [{"source_id": N, "fact": "..."}]}`
+
+### 2. 🥈 离线整合 Update Prompt（UPDATE_PROMPT）
+对每条记忆，找 update_queue 里相似度 ≥ 阈值的候选，LLM 三选一：
+- **update**：同事实但候选更细 → 合并细节
+- **delete**：直接冲突且候选更新 → 删目标
+- **ignore**：不相关 → 跳过
+- 只改目标记忆，不动候选
+
+### 3. 🥉 双缓冲触发
+- Sensory buffer：512 token，积累 user 消息，**满则触发分段**
+- 超长单条消息：单独成段（oversize_segment）不阻塞
+- Short-term buffer：2000 token，**满则触发一次 LLM 提取**（批量省 API）
+- force_extract / force_segment 手动触发
+
+### 4. 主题分段 + 全局 topic_id
+llmlingua-2 切主题 → 每段独立索引 → **全局递增 topic_id**（GLOBAL_TOPIC_IDX）→ 记忆带 topic 归属，检索跨主题关联。
+
+## 检索设计
+
+- query → embed → embedding_retriever.search（Qdrant/FAISS）
+- 返回 `"{time_stamp} {weekday} {memory}"` 格式化字符串
+- 可选：BM25 + 向量 hybrid；BoundMem tag 过滤
+
+## 模型需求
+
+| 组件 | 模型 | 大小 |
+|------|------|------|
+| 预压缩 | microsoft/llmlingua-2-bert-base-multilingual-cased-meetingbank | ~400MB |
+| 嵌入 | sentence-transformers/all-MiniLM-L6-v2 | ~90MB |
+| 记忆管理 | OpenAI/DeepSeek/Ollama API | — |
+| 向量库 | Qdrant/FAISS | — |
+
+## 织忆 P1 移植（2026-08-11 ✅ 已部署验证）
+
+- 文件：`/tmp/memoryweave/go/internal/distill/engine.go` `callLLM5D` prompt 重写
+- 要点：LightMem 式逐条事实提取（不跳过小细节、补全独立句、保留实体细节、时间区分、推断隐含）
+- 计划：`/tmp/memoryweave/docs/lightmem-p1-fact-extraction-plan.md`
+- 提交：`0734ffa`（2 files, 113 insertions）
+- **验证结果（实测）**：提交含 4 条事实的测试内容 → 日志 `LLM facts: 4` + `LLM entities: 6`（旧版整段摘要只有 1 条）；recall 命中 `"小唯安装了ffmpeg用于语音转码"` score=0.879
+- 注意：Gitea push 因审批拦截未完成（remote 需 token，涉及 token 的复合命令被拦）——本地 commit 已就绪，下次可单独 push
+
+## 系列生态
+
+- LightMem2（模块化）、LightMem-Ego（多模态流式）、StructMem（层次记忆, ACL 2026）
+- 评估框架：zjunlp/MemBase（LoCoMo / LongMemEval 基准）
+- 论文：arXiv:2510.18866
--- a/skills/research/memory-system-landscape/references/2026-08-11-mempalace-everos-notes.md
+++ b/skills/research/memory-system-landscape/references/2026-08-11-mempalace-everos-notes.md
@ -0,0 +1,52 @@
+# mempalace + EverOS 研究笔记（2026-08-11）
+
+> 来源：批量 AI 项目研究（GitHub 热榜推荐），与织忆同赛道/互补的两个记忆系统。
+> 完整研究报告：`~/小唯/07-Wiki/concepts/ai-projects-batch-research-2026-08-11.md`
+> 本地源码：`~/projects/ai-collection/mempalace/`、`~/projects/ai-collection/EverOS/`（已镜像 Gitea）
+
+## mempalace（MemPalace，58k⭐，Python）
+
+### 核心哲学：逐字存储（与织忆的 LLM 蒸馏相反）
+
+- **Verbatim 铁律**：不总结、不提取、不转述，原样存用户的话。"Memory is identity."
+- **宫殿结构**：WING（人/项目）→ ROOM（时间/主题）→ DRAWER（逐字文本块），源自记忆宫殿法 + Zettelkasten
+- **AAAK 压缩索引**（`dialect.py`）：结构化符号摘要格式（Header: FILE_NUM|PRIMARY_ENTITY|DATE|TITLE + Zettel: ZID:ENTITIES|topic_keywords|"key_quote"|WEIGHT|EMOTIONS|FLAGS + Tunnel + Arc），**LLM 原生可读、无需解码器**。注意 AAAK 是 lossy（原文本不可重建），但索引层让 LLM 扫数千条即刻定位目标 drawer
+- **混合检索**（`searcher.py`）：Okapi-BM25 关键词 + 向量语义双路 + min-max 归一化 + rerank
+- **实体优先**（`entity_detector.py`）：两遍法（候选扫描→评分分类 person/project），一切按真实姓名 + 消歧键（DOB/ID/上下文）
+- **可插拔后端**：`backends/base.py` 抽象接口，ChromaDB 默认
+- **性能预算**：hook <500ms、启动注入 <100ms
+- **本地优先**：默认零外部 API（Ollama/LM Studio/llama.cpp/vLLM），BYOK 需显式配置
+- **Benchmark**：LongMemEval 96.6% R@5（raw mode，零 API 调用）
+
+### 对织忆的启示（优先级高）
+
+1. **AAAK 压缩索引** → 织忆图谱节点/边可借鉴"压缩摘要+指针"设计，降低蒸馏 LLM 调用成本
+2. **BM25+向量混合** → 织忆当前仅向量检索，加 BM25 路提升关键词命中（LightMem P2 相似度升级的参考方向）
+3. **实体优先** → 织忆 P1 已做实体提取，可加强"人/项目"维度消歧
+4. **逐字 vs 蒸馏哲学对比** → 织忆选蒸馏（省空间/高密度），mempalace 选逐字（100% 保真）。互补：织忆可加"原文抽屉"层保底
+
+## EverOS（EverMind-AI，11.9k⭐，Python）
+
+### 核心：md-first 记忆提取框架
+
+- **存储三件套**：Markdown（真相/唯一真相源）+ SQLite（状态/audit/queue）+ LanceDB（向量+BM25+标量），索引可从 md 重建
+- **DDD 5 层单向依赖**：entrypoints → service → memory → infra，import-linter 强制，违反即 CI 失败
+- **记忆根目录**：`~/.everos/{agents,users,knowledge}/`（md 文件 = 单源真值）
+- **算法独立库**：everalgo（prompts/extractors 独立 PyPI 发布），算法与框架解耦
+- **工程纪律**：datetime 统一工具（禁直接 now()）、CJK 语言策略、CI 门禁（make ci）
+
+### 对织忆的启示
+
+1. **Markdown 真相层 + SQLite 状态 + LanceDB 索引** → 织忆已有 LanceDB，可加 md 导出层（可读、可迁移、防锁死）
+2. **everalgo 独立算法库** → 织忆的蒸馏/整合 prompt 可独立成库，方便迭代版本对比
+3. **DDD 分层 + import-linter** → 织忆 Go 代码分层纪律参考（当前 internal/ 结构已接近）
+
+## 同批研究的非记忆系统（ECC / ponytail / firecrawl）简述
+
+- **ECC**（239k⭐，JS）：68 专业 agent + 285 skills + 94 commands 编码编排体系。TDD 强制（RED→GREEN→REFACTOR，80%+ 覆盖）+ 安全铁律 + 自动编排规则（写完代码自动→code-reviewer）
+- **ponytail**（100k⭐，JS）：「懒惰资深开发」7 阶梯决策框架（YAGNI→复用→标准库→平台→依赖→一行→最小代码），实测 ~54% 少代码、~20% 便宜、~27% 快。Bug 修根因不修症状、`ponytail:` 注释标注简化天花板
+- **firecrawl**（165k⭐，TS）：产品级 Web 抓取平台（apps/cli/skills/workflows/自托管），与 web-content-extraction 工具链可对比
+
+## 批量下载教训（大仓库）
+
+firecrawl 173MB：gh-proxy clone 卡死（17min 下 5.4MB，CPU 3s = 网络死）→ kill（用 PID 不用 pkill -f，防自杀）→ aria2c -x 16 -s 16 codeload tar.gz（274KiB/s 成功）→ git init 单提交快照推 Gitea（丢历史但可归档）。详见 gitea-repo-mirroring skill pitfall 12-13。
--- a/skills/social-media/feishu/SKILL.md
+++ b/skills/social-media/feishu/SKILL.md
@ -379,6 +379,22 @@ grep "shutdown notification" ~/.hermes/logs/gateway.log

 **验证**：重启 gateway 后，观察另一台机器的飞书是否收到通知。

+## 语音消息（msg_type=audio）— 必须真 .ogg/.opus（2026-08-10 实测）
+
+**飞书「可点播放的语音气泡」只接受 `.ogg` / `.opus` 扩展名**（Hermes 飞书 adapter `_FEISHU_OPUS_UPLOAD_EXTENSIONS = {".ogg", ".opus"}`，按扩展名路由 `("opus", "audio")`）。`.mp3`/`.wav` 等只能发成文件附件（要下载才能听）。
+
+**⚠️ 陷阱**：`edge-tts --write-media xxx.ogg` 只是改扩展名，内容仍是 `MPEG ADTS`（mp3）——飞书服务器验内容会失败。必须真正转码成 Ogg Opus。
+
+**正确做法**（ffmpeg 已装）：
+
+```bash
+edge-tts -t "文本" -v "zh-CN-XiaoxiaoNeural" --write-media out.mp3
+python3 ~/.hermes/scripts/to_opus.py out.mp3 out.opus   # ffmpeg -c:a libopus -b:a 24k -ar 24000 -ac 1
+# 回复里用 MEDIA:<out.opus> → 飞书显示为语音气泡
+```
+
+验证：`file out.opus` 应显示 `Ogg data, Opus audio`。判断用户收到的是语音气泡还是文件：飞书端能否直接点播放。
+
 ## 群聊（Group）故障排查（2026-05-12）

 **症状**：DM 正常，群聊 0 条消息（Gateway 日志 `oc_81f6df` 从无 inbound）
--- a/skills/software-development/lazy-senior-dev/SKILL.md
+++ b/skills/software-development/lazy-senior-dev/SKILL.md
@ -0,0 +1,75 @@
+---
+name: lazy-senior-dev
+description: 写代码/实现功能时用 7 阶梯最小化决策。触发词"少写代码""别过度设计""最小实现"。
+version: 1.0.0
+author: 小唯 A06
+tags: [code-minimalism, ponytail, yagni, code-style]
+trigger: "写代码/实现功能时希望最小化；或用户说：少写点代码、别过度设计、只要最小实现、别加没用的东西"
+created: 2026-08-11
+updated: 2026-08-11
+---
+
+# 最小化编码（Lazy Senior Dev — 源自 ponytail 100k⭐）
+
+> 来源：DietrichGebert/ponytail（实测 ~54% 少代码 / ~20% 便宜 / ~27% 快，基准 vs 同一 agent 无 skill）
+> 核心信条：**最好的代码是从未写过的代码**。Lazy = 高效，不是粗心。
+
+## 7 阶梯决策框架（写任何代码前，逐级停）
+
+写代码前**先完整理解问题**（读任务 + 涉及的代码 + 从头到尾追踪真实流程），然后从第 1 级开始爬，停在第一个成立的台阶：
+
+1. **需要建吗？**（YAGNI）— 这个功能真的需要吗？还是可以不做/推迟？
+2. **代码库已有？** — 复用现成的 helper/util/pattern，不重写
+3. **标准库能做？** — 用它，不引第三方
+4. **原生平台功能覆盖？** — 平台自带的能力，不自己造
+5. **已装依赖能解决？** — 用它，不新增依赖
+6. **能一行吗？** — 写一行
+7. **最后：写最少可用代码**
+
+## 硬性规则
+
+- ❌ 无未明确请求的抽象
+- ❌ 无可以避免的新依赖
+- ❌ 无没人要的样板代码
+- ✅ **删 > 加**；**无聊 > 聪明**；**最少文件**
+- ✅ 最短可用 diff 胜出——**但必须先理解问题**。最小改动放在错误的地方不是懒，是第二个 bug
+- ✅ 质疑复杂请求："你确定需要 X，还是 Y 就够了？"
+- ✅ 两个标准库方案同样大小时，选边界情况正确的那个（懒 = 代码更少，不是算法更弱）
+- ✅ 有意简化（全局锁/O(n²)扫描/朴素启发式）→ 必须 `ponytail:` 注释标注天花板和升级路径
+
+## 绝不偷懒的地方
+
+- ❌ **理解问题**（读完整 + 追踪真实流程后再爬梯子；看不懂就改小 = 懒但假装高效）
+- ❌ 信任边界的输入校验
+- ❌ 防止数据丢失的错误处理
+- ❌ 安全、无障碍
+- ❌ 真实硬件的校准（平台永远不是规范理想：时钟会漂移、传感器有偏差）
+- ❌ 任何用户明确要求的事
+
+## 验证纪律
+
+- 非平凡逻辑**必须留 1 个可运行检查**——能失败的最小验证（assert 演示/自检或 1 个小测试文件，无框架无 fixture）
+- 平凡的一行代码无需测试
+
+## Bug 修复 = 修根因，不修症状
+
+- 报告命名的是症状。grep 你改的函数的**每个调用者**，修共享函数一次——一个守卫是比每个调用者都改更小的 diff
+- 只修 ticket 指名路径 = 兄弟调用者仍然坏着
+
+## 落地示例（我的场景）
+
+| 场景 | 之前 | 之后（7阶梯） |
+|------|------|--------------|
+| 写脚本 | 先装 pandas 再处理 | 标准库 csv/json 能搞定就不装 |
+| 加功能 | 建抽象类/接口 | 先问：真需要抽象吗？函数够不够？ |
+| 修 bug | 在调用处加 if | grep 所有调用者，修源头函数一次 |
+| 加依赖 | 直接 pip install | 已装依赖/标准库/平台能力有没有覆盖？ |
+
+## 检查清单（动手前过一遍）
+
+- [ ] 我理解问题吗？（读代码、追流程）
+- [ ] 这需要建吗？YAGNI？
+- [ ] 已有代码/标准库/平台/已装依赖能覆盖？
+- [ ] 能更短吗？能一行吗？
+- [ ] 我的简化有 `ponytail:` 注释和升级路径吗？
+- [ ] 非平凡逻辑有 1 个可运行检查吗？
--- a/skills/zhiyi/zhiyi/SKILL.md
+++ b/skills/zhiyi/zhiyi/SKILL.md
@ -7,6 +7,47 @@ updated: 2026-07-13（画像可执行化 v2 + 参考项目对比分析）

 ---

+## P2+P3 完成：离线整合 + 双缓冲触发（2026-08-11）
+
+**改动**（commit `82c3d25`，已部署 + 推 Gitea）：
+- **P2 离线整合**：`go/internal/distill/consolidate.go` 新增 `ConsolidateMemory`（LLM 三选一 update/delete/ignore，移植 LightMem UPDATE_PROMPT）+ `TextSimilarity`（词重叠相似度，中文2-gram/英文单词）；`server.go` 新增 `POST /api/v1/consolidate/memory {"namespace":"hermes-main","limit":50}` 手动触发端点
+- **P3 双缓冲**：`engine.go` Enqueue 按 token 积累触发 flush（阈值 2000，`estimateTokens` = rune/2），batchTimeout 5min 兜底
+- **fix JSON 剥离**：LLM 响应剥离增强（找首个 `{` 和最后 `}` 截取），修复模型返回 markdown/注释导致 parse error
+
+**验证结果**：
+- P2：`processed:1 ignored:1`（能找到相似对并调 LLM 决策，无错误）
+- P3：小内容积累 `queue_len:2` 不立即 flush，达阈值 `batch=4` 批量蒸馏
+- JSON 修复：`LLM facts: 4` 无 parse error
+- 全链路健康：memories 6822→6836，recall 正常
+
+**P2 端点**：`POST /api/v1/consolidate/memory`（namespace 必填，默认 hermes-main；limit 默认 50；相似度阈值 0.5）
+
+**待做**：~~P2 每日 cron 自动触发~~ ✅ **已并入** `memory-system-self-upgrade.py`（cron `691709a8b4cf` 每日 4:00）——在 `upgrade_zhiyi()` 里加 consolidate API 调用，输出报告到飞书；P2 用词重叠近似相似度，可升级为向量相似度
+
+## LightMem 逐条事实提取改造（2026-08-11 上线）
+
+**目标**：织忆 distill 从「整段摘要式提取」升级为「逐条事实提取」（借鉴 zjunlp/LightMem，ICLR 2026）。
+
+**改动**：`go/internal/distill/engine.go` `callLLM5D` prompt 重写（commit `0734ffa`，已部署 + 推 Gitea）。
+
+**新 prompt 精华**：
+- 逐条判断：除非纯问候/填充，否则每条消息都提取为独立事实
+- 轻量上下文补全：`"user: 昨天买了苹果"` → `"用户昨天买了苹果。"`
+- 保留全部实体细节：完整名称/地点/事件/数字/公司名
+- 推断隐含信息：多个相关条目 → 推断一般模式
+- 时间区分：mention time（何时说）vs event time（何时发生）
+- 输出 JSON：`{"facts": [...], "entities": [...], "decisions": [...], "conclusions": [...], "is/su/pa/vd/ru": 0-1}`
+
+**验证结果（端到端实测）**：
+- `LLM facts for content: 4 facts`（旧版只有 1 条整段摘要）
+- `LLM entities: 6 entities`
+- recall 命中独立事实：`"小唯安装了ffmpeg用于语音转码"`（score=0.879）
+- 真 LLM 调用（model=meta/llama-3.1-8b-instruct），非 fallback
+
+**⚠️ 部署注意**：`systemctl --user stop zhiyid` → cp 新 binary → start；验证 `journalctl --user -u zhiyid` 出现 `LLM facts: N`（N≥3 为成功）。测试内容提交后 recall 需等异步蒸馏（5-10s）。
+
+**参考**：`docs/lightmem-p1-fact-extraction-plan.md`（实施计划）
+
 ## RSSHub → 织忆 信息源接入（2026-08-03 上线）

 **用途**：把外部信息源（GitHub AI 内容等）定时抓取写入织忆，形成"信息触角"。管线已跑通并上线。