SKILL.md — Semantic Memory Boost

Title

Semantic Memory Boost (S.M.B)

Purpose

通過意圖解析、分層檢索與邏輯對齊，提升 AI 處理複雜問題時的上下文關聯性與歷史資料引用準確度。

When to Use

• 當問題涉及多個跨時間維度的決策或專案時。
• 當需要解決「語義衝突」（例如：兩份檔案的規範不同）時。
• 當需要根據歷史脈絡來規劃新專案時。

Required Inputs

• user_query: 原始問題。
• domain_context: 當前專案或情境鎖定。

Workflow

1. 意圖解析 (Intent Mapping)：
   • 將問題拆解為 [QUERY_VECTOR_PLAN]，鎖定關鍵實體 (Entity) 與聯想詞。
2. 分層檢索 (Tiered Retrieval)：
   • [ACTIVE_MEM]：讀取當前會話的最佳實踐。
   • [LONG_TERM_REF]：檢索數據庫中的歷史規範與規格。
   • [META_PATTERN]：套用類似問題的通用模板。
3. 語義對齊 (Content Alignment)：
   • 檢查檢索結果是否與用戶意圖邏輯衝突，排除無關雜訊。
4. 知識拼圖 (Synthesis)：
   • 融合多個檢索片段，轉化為具備邏輯連貫性的答覆基礎。
5. 記憶閉環 (Cleanup)：
   • 完成回答後，執行 [MEM_SUMMARIZATION]，將本次對話的洞察存入對應的 memory 檔案。

Constraints

• Scope Limitation：一次檢索的 token 應限制在 context window 的 30% 以內，避免碎片過多導致回應失焦。
• Relevance Threshold：若檢索片段的關聯分數 (Score) 低於 0.6，應將其視為弱信號，不作為核心決策依據。

Output Format

• 結構化回答（符合 SOUL.md 風格）。
• 若有價值資產產生，需明確標註：[MEM_SUMMARY: ...]

Self-Check Checklist

• 檢索結果是否足以回答用戶問題？
• 是否存在相互矛盾的檢索片段？（若有，是否已在回答中指出）
• 最終回答是否轉化為未來的記憶資產？

Failure Modes

• 孤島數據：檢索結果完全未能命中相關資訊（回報無相關記憶）。
• 語義干擾：檢索到過多不相關但關鍵字重疊的內容（需縮小檢索區間或優化 Intent Mapping）。