三层记忆模型

Stello 的记忆系统分三层，每层有明确的消费者和语义。这种分层让信息在 Session 之间高效流动，而不需要共享原始对话。

三层总览

层	内容	消费者	何时生成
L3	原始对话记录	该 Session 自身的 LLM	每轮对话自动追加
L2	SKILL description（外部视角）	Main Session（通过 integration）	Consolidation 时批量生成
L1	全局认知	Main Session 自身 + 应用层	Integration 时生成 synthesis；应用层直接读写键值

L3：SKILL 正文

L3 是 Session 内部的完整对话历史，每条消息包含 role、content、timestamp，以及可选的 toolCalls / toolCallId。

• 存储：通过 SessionStorage.appendRecord() 逐条追加
• 消费：Session 调用 LLM 时，L3 作为上下文的一部分发送
• 生命周期：可通过 trimRecords(keepRecent) 截断旧记录

L3 只对该 Session 可见。Main Session 永远不读子 Session 的 L3——这是核心约束之一。

L2：SKILL Description

L2 是 L3 的提炼摘要，代表该 Session "学到了什么"的外部接口。

• 生成：由 ConsolidateFn 在 Consolidation 时生成
• 存储：通过 SessionStorage.putMemory() 写入
• 消费：Main Session 通过 MainStorage.getAllSessionL2s() 批量收集所有子 Session 的 L2

关键设计：L2 对子 Session 自身不可见。L2 是写给 Main Session 看的外部描述，不是 Session 自用的记忆。但当上下文窗口接近溢出时，L2 会作为压缩后的记忆注入到 Session 自身的上下文中。

ConsolidateFn 签名：
(currentMemory: string | null, messages: Message[]) => Promise<string>

输入：当前 L2（首次为 null）+ 完整 L3 记录
输出：新的 L2 文本

框架对 L2 的内容格式完全无感知——ConsolidateFn 和 IntegrateFn 是配对函数，应用层自行定义 L2 的结构。

L1：SKILL Caller

L1 包含两部分：

Synthesis（涌现层）

Main Session 调用 integrate() 时，IntegrateFn 读取所有子 Session 的 L2，生成：

• synthesis：对所有 L2 的综合提炼，是 Main Session 的"全局视野"
• insights：定向推送给各子 Session 的建议

Synthesis 存储在 Main Session 的 memory 槽位中，在 Main Session 调用 LLM 时作为上下文注入。

全局键值（结构化层）

应用层通过 MainStorage.getGlobal() / putGlobal() 直接读写的键值数据。不经过 LLM，由应用代码管理。

上下文组装

每种 Session 调用 LLM 时，上下文的组装规则是固定的：

子 Session 上下文

system prompt → insight（Main Session 推送的建议）→ L3 记录 → 用户消息

当 token 超过上下文窗口的 80% 且已有 L2 时，自动压缩：

system prompt → insight → L2（作为压缩记忆）→ 近期 L3 → 用户消息

Main Session 上下文

system prompt → synthesis（全局视野）→ L3 记录 → 用户消息

注意：Main Session 没有 insight（它是 insight 的推送方），取而代之的是 synthesis。

零对话开销

L2 在 Consolidation 时批量生成，不在每轮对话中更新。正在进行中的 Session 没有 L2，对 Main Session 暂时不可见——这是有意为之的取舍，确保对话过程中不产生额外的 LLM 调用。