本文档对齐「基于 EverMemOS 提升 Creator、沉淀技术、冲比赛与后续规划」的整体方向，并与 EVERMEMOS_INTEGRATION.md、VIDEO_DEMO.md（参赛与视频指南）配合使用。
-
基于 EverMemOS 提升 Creator 的综合创作能力，争取比赛获奖
- 记忆写入：大纲、章节摘要、本章实体、润色、对话。
- 记忆检索：在规划前 / 续写前 / 润色 / 对话时注入云端记忆；有计划地开展跨章、长跨度检索验证，积累可展示的案例与素材。
-
以问题驱动改进，在打磨 Creator 的同时把可复用记忆架构沉淀到 UniMem
- 将使用中的卡点与问题视为改进方向，结合 EverMemOS API 与论文理解其设计，反哺 query 与参数。
- 维护「改进方向 / 问题清单」（见下），记录具体 query、返回质量与问题，用于优化 query 设计。
- 将 EverMemOS 的检索策略、写入粒度、去重与融合、跨会话/跨章设计抽象为可复用记忆架构，在 UniMem 侧做文档或模块级对应（如 recall/retain 与 search/add 的映射）。
-
若比赛获奖，申请面试加入 EverMind 团队，专注记忆方向的科研与落地
- 把比赛作品做成「记忆增强创作」的完整案例（数据流、检索如何影响创作、遇到的问题与改进），作为面试与作品集材料。
在真实多章创作与检索测试中，把优点 / 缺点和具体 query、返回质量记下来，用于优化 Creator 的 query 设计，并当比赛展示素材（长跨度记忆、一致性）。
| 时间 | 场景 | query / 参数 | 返回条数 | 优点 | 缺点 | 备注（可贴 1–2 条摘录） |
|---|---|---|---|---|---|---|
| 例：2/6 续写第3章前 | 续写前检索 | 前文 情节 人物 大纲 本章摘要 角色, top_k=5 | 5 | 能带到林渊、玄灵大陆 | — | 摘录略 |
| （可填） | 跨章人物 | 主角 人物 角色 成长 变化 | ||||
| （可填） | 伏笔 | 伏笔 铺垫 悬念 回收 | ||||
| （可填） | 长线设定 | 世界观 设定 规则 体系 |
- 记录方式：
- 用脚本跑几类检索并自动落日志（见下一节），再在本文档或
retrieval_notes.md中补「优点/缺点」与典型摘录。 - 或直接在「检索测试与记录」跑完后，把当次结果贴到上表对应行。
- 用脚本跑几类检索并自动落日志（见下一节），再在本文档或
为验证跨章人物、伏笔、长线设定等长跨度记忆，并积累比赛展示素材，建议在写完多章后定期跑一轮「几类检索」并记录结果。
| 类型 | 建议 query | 用途 |
|---|---|---|
| 跨章人物 | 主角 人物 角色 成长 变化 关系 | 检验人物设定与弧光是否被召回 |
| 伏笔 | 伏笔 铺垫 悬念 回收 线索 | 检验伏笔/悬念类记忆是否可被检索 |
| 长线设定 | 世界观 设定 规则 体系 玄灵 大陆 | 检验设定类记忆的跨章召回 |
- 前端：打开记忆列表 → 在「云端记忆（EverMemOS）」标题右侧点击 「跑检索测试」，即对当前项目跑三类 query、结果追加到同一 JSONL 日志，并在本页展示本次三条的条数与摘录预览。
- 脚本：在项目
src目录下执行python -m scripts.evermemos_retrieval_demo 玄灵科学家 --top-k 8，与前端共用同一套逻辑和默认日志路径，适合命令行或 CI。 - 日志路径：默认
src/scripts/evermemos_retrieval_log.jsonl（JSON Lines：每行一次 run 的一条 query 结果）。 - 日志字段：
timestamp、project_id、query_type、query、top_k、result_count、excerpts。可事后在表格或retrieval_notes.md中为当次 run 补「优点/缺点」和典型摘录。 - 比赛展示：从日志中挑选「跨章人物 / 伏笔 / 长线设定」各 1–2 条高质量召回样例，用于视频或 README，体现长跨度记忆与一致性。
- 创作流程内：规划前 / 续写前 / 润色 / 对话仍用现有 query（见 EVERMEMOS_INTEGRATION.md），不依赖本脚本。
- 本脚本：专门用于「刻意测试几类检索 + 记录」，用于调优和展示，不改变现有 API 或前端逻辑。
- EverMemOS 侧：add / get / search / delete；search 的 RetrieveMemRequest（query、user_id/group_id、memory_types、retrieve_method、top_k、时间范围等）；返回 memories、scores、total_count、has_more。
- 对应到 UniMem：
- 概念映射：EverMemOS 的「事件/情节/前瞻/原子事实」与 UniMem 的 memory/context 可做一层抽象对应（谁负责长期、谁负责作品内、如何混合）。
- 检索策略：keyword / vector / hybrid / rrf / agentic 与 UniMem 的 recall 策略可对比记录（何时用语义、何时用关键词、何时融合）。
- 写入粒度：大纲 / 章节摘要 / 本章实体 / 润色/对话 的划分，可作为「记忆写入粒度」的参考，在 UniMem 侧文档或配置中保留同一套划分思路。
- 具体沉淀形式：在 UniMem 的 README 或
docs/下增加「与 EverMemOS 的对应关系」「记忆层设计说明」等小节，随 Creator 与比赛推进逐步补全。
- 多章创作：用 Creator 正常写 3–5 章以上，保证云端有摘要 + 实体。
- 跑检索 demo：执行
python -m scripts.evermemos_retrieval_demo <project_id> --top-k 8，查看三类 query 的返回。 - 填改进清单：把当次「优点/缺点」、典型摘录填进第二节表格或
retrieval_notes.md。 - 调 query / 参数：根据缺点或有问题 case 调整 Creator 内 query 或 memory_types/retrieve_method（必要时在 memory_handlers 或 api_EverMemOS 层加可选参数）。
- 比赛材料：从日志与表格中选出跨章人物、伏笔、长线设定的好例子，用于视频与 README。
主文档已统一放在 docs/，本 playbook 与 EVERMEMOS_INTEGRATION、VIDEO_DEMO 同目录。