分章浏览。完整说明见 首页。
run_chat_memory_layer_async带橙黄边条的是在后台任务链中发起的独立 LLM 摘要/评价。文末「挂载主对话」两条为终稿拼装消费说明，不是本节独立提示词常量本身。
summarize_chat_session_topic — system 见 llm_client（会话级 topic）。
system（与源码一致）： 你是对话主题提炼助手。输入是用户与 AI「飞鸽」的一次会话原文（用户与助手交替）。 任务：用**不超过 50 个汉字**输出**一行**概括，只写**用户本人**可用于婚恋/社交匹配的个人信息与特质（择偶、性格、职业、城市、兴趣、价值观等用户自述）。 若整段仅有飞鸽产品/功能交互（传话、匹配、设置、商家咨询等）而无用户个人信息，只输出：（无个人信息） 禁止编造；禁止 Markdown、编号、引号包裹。 user：「请提炼用户个人信息（≤50 汉字，单行；若无则输出：（无个人信息））：」+ history_text
后台 run_chat_memory_layer_async 现行链路：chat_summaries（20 条有效话题，占位「（略）/（无个人信息）」不计数） → extract_recurring_topics_from_chat_summaries_for_l1 → L1；L1（20 条） → extract_recurring_topics_from_l1_summaries_for_l2 → L2；L1 批次后还有 evaluate_user_from_l1、extract_frequent_topics_from_l1 → 重要记忆。L0（messages） 不直接写 L1，只供主对话「最近原文」与切分会话原料。下列 summarize_l0_to_l1 / summarize_l1_to_l2 为遗留未调用。
以下为 app/llm_client.py 各函数 **system** 正文（user 侧多为 JSON 任务或列表；仍以源码为准）。
【现行 · chat_helpers 会调用】
── extract_recurring_topics_from_chat_summaries_for_l1 · system ──
你是话题聚类助手：在多行相近短语中找出重复出现的语义簇并命名。
（输入：20 条有效 chat_summaries 短话题，占位不计入批次；输出：JSON 数组，≥2 条相近才成簇）
── extract_recurring_topics_from_l1_summaries_for_l2 · system ──
你是跨多条中层摘要的聚类助手。
（输入：20 条 L1 短话题；输出：JSON 数组）
── extract_frequent_topics_from_l1 · system ──
你是对话分析助手，从摘要中提取用户反复提及的话题。
（L1 ≥3 条时抽 1–3 条 → important_memories）
【遗留 · llm_client 仍有定义，当前 app/ 未调用】
── summarize_l0_to_l1 · system ──
你是一个对话摘要助手。根据用户与 AI 飞鸽的对话原文，提取对后续对话有帮助的要点，生成一段简洁的摘要。若每行前带有时间戳 [YYYY-MM-DD HH:MM]，可在摘要中体现对话先后与大致间隔，便于后续评价守约、食言、真诚度变化。
（旧方案：40 条 L0 原文 → 1 段 L1 长摘要；已由 chat_summaries 层替代）
── summarize_l1_to_l2 · system ──
你是一个对话摘要与记忆管理助手，需要判断多条摘要是否围绕同一件事情。
（旧方案：10 条 L1 合并为 1 段 L2 + same_topic；已由 extract_recurring_topics_from_l1_summaries_for_l2 替代）
由 L1 摘要多维品行/匹配评价；system 为短心理学分析说明，长规则在 user 消息（见 L6728+）。
你是具备心理学训练的用户分析师与婚恋顾问。你必须在「上一次分数」基础上做连续、可解释的小步调整，各维度独立打分、禁止敷衍同分；信息不足则保持该维度上次分数基本不变。输出评价 JSON 时键名须与用户说明完全一致：dimensions、summary、suitable_buddy_summary。
user 侧长 prompt 含「上一次分数」与维度说明，修改时请同步 llm_client.py。
build_context_for_model在组装主对话「用户记忆上下文」时使用：产出摘要段（记忆摘要：... 等）；原文裁切段另见同页「最近原始对话摘录」条目。
摘要段由app/memory.py·build_memory_summaries_text/build_context_for_model生成，按顺序拼接（仅在有内容时插入对应标题）： 【用户重要长期记忆】 1. … 【高层摘要（L2）】 1. … 【中层摘要（L1，最近几条）】 1. … 【单次对话话题（最近若干次）】 1. … （条数上限：重要记忆 10、L2 最近 2、L1 最近 5、单次会话话题RECENT_CHAT_SUMMARIES_DISPLAY。启用FEIGE_LLM_CONTEXT_CACHE_ENABLED时摘要可能走缓存读。）
build_context_for_model → _assemble_chat_system_final 末尾拼接主对话 system 尾部挂上「最近 N 条」对话原文裁切块；超长时组装循环会下调 recent_messages_limit（仅削减此段）。
最近原文块格式（build_context_for_model）： 【最近 {N} 条原始对话】 （生成回复时请与此处用户/助手原文连贯承接。） [{可选时间戳}] 用户: … [{可选时间戳}] 助手: … [{可选时间戳}] 助手（你主动向用户发起的话题）: … ← mes_type 为运营话题时 条数 N =recent_messages_limit（默认RECENT_MESSAGES_LIMIT，超长 system 时在_assemble_chat_system_final循环中下调）。时间戳由format_message_ts_for_history按APP_TIMEZONE格式化。