开发日志 002：引入 v3 Agent 分层记忆与向量策略检索

从单次决策走向上下文决策

早期 AI 可以完成规则动作，却很难解释为什么这一轮投赞成、下一轮又改变判断。为改善这种割裂感，master 分支在本阶段引入 v3 Agent 架构：把角色人设、上下文信息、记忆模块和策略库从单一 AI 调用中拆分出来，让模型在决策前获得更完整的局势材料。

分层记忆与 RAG 尝试

本阶段新增记忆和向量检索相关模块，将对局中的发言、投票与事件组织为可回看的上下文，并建立策略知识库。AI 在生成发言或动作前可以按角色、阶段和局势检索策略素材，再与当前局面一起输入 Prompt；前端的 AI 监控面板也同步扩展，用于查看智能体的推理与状态。

这次改动还沉淀了角色性格、声线、口癖和 Prompt 组织经验。它们后来没有被简单丢弃，而是作为有效资产迁移到 v4 的 persona、rag 和 prompts 模块中。

后续反思

v3 的方向是正确的，但其 Agent 生命周期和反思写入仍不够可靠：部分实例会在行动间重新创建，记忆闭环也没有完全由对局事件驱动。这正是后续 v4 将 AgentRuntime 改为“按对局和座位持久存在”的直接原因。换句话说，v3 完成了能力探索，v4 才把探索收敛成可验证的运行时架构。