项目名称： 智能影记 - Memoria
团队名称： Mnemosyne
时间： 2026.05.20 - 2026.05.30
当前阶段： Phase 5 (核心体验深挖与性能调优)

一、 本周工作概述

随着 Memoria 核心的视听渲染管线在前期基本跑通，本周团队进入了对核心业务逻辑的深度打磨期。在实际测试中我们发现两个亟待优化的痛点：一是 AI 助手在多轮交互中容易遗漏工具调用指令，对时间概念缺乏感知；二是本地图库在展示大量高分辨率图片时，存在偶发的滑动掉帧现象。

为此，本周团队重点完成了以下两项开发任务：

1. AI Agent 逻辑重构：优化了 LLM 的 Prompt 注入策略，引入了动态时间上下文感知，并改进了 Tool-use（工具调用）的触发机制。

2. 数字相册与高性能图库上线：实现了基于 JSON 动态解析的数字相册排版引擎，重构了相册标签聚类逻辑，并自研了基于队列控制的图片并发解码调度器，显著优化了长列表滑动性能。

二、 AI Agent 优化：上下文强化与意图约束

在此前的版本中，AI 虽然能处理明确的搜索指令，但在面对如“推荐一些最近适合发朋友圈的照片”这类模糊语义指令时，检索准确率较低。

1. 动态时间感知注入
   为了让大模型理解“最近”或“当前季节”的概念，我们将原本静态的系统提示词（_systemPrompt）重构为动态生成的 Getter 属性。在每次发起请求前，系统会自动计算当前的真实时间与季节，并将其作为前置约束传入：

// 截取自 chat_service.dart：动态生成时间约束
static String get _systemPrompt {
  final now = DateTime.now();
  String season = '冬天';
  if (now.month >= 3 && now.month <= 5) season = '春天';
  // ...省略其它季节判断...
  
  return '''
你叫 Memoria，是一个极具同理心、文艺且专业的“生活记忆导演”。
当前真实世界时间是：${now.year}年${now.month}月${now.day}日，季节是$season。
当用户提到“最近”、“今天”或“这个季节”时，请严格参考上述时间进行情感联想和照片检索。
  ''';
}

2. 结构化 XML 检索与尾部指令强化
   我们规范了 Agent 触发本地搜索的数据格式，要求其必须输出包含 tags, year, location 的结构化 XML 标签。
   同时，为解决大模型在多轮对话中容易产生“注意力偏移”而忘记输出工具指令的问题，我们采用了一种尾部上下文强化注入的策略。在拼接用户的最后一条消息时，静默追加一段系统规则约束：

// 尾部指令强化：强制唤醒大模型的意图判断
final String reinforcedUserText = '''
$userText

[系统强制提醒：请立刻判断上述用户意图！如果是让你查找、推荐照片，你必须在回复末尾携带 <SEARCH>{"tags": [], "year": null, "location": null}</SEARCH> 结构！当前季节的标签也可以直接作为搜索条件！]
''';
messages.add({'role': 'user', 'content': reinforcedUserText});

这种在 User Prompt 尾部追加强约束的做法，有效避免了模型只闲聊不检索的现象，提升了混合检索的触发稳定性。

三、 数字相册引擎：样式令牌化与标签聚类

为了让照片回顾更具层次感，本周我们对本地图库的展示形态进行了全面升级。

1. 标签层次聚类
   在 album_tag_browser_service.dart 中，我们引入了层级化的标签组织策略。系统会将端侧 AI 跑出的离散细粒度标签，向上聚类映射为粗粒度的主题（Coarse Tags，如“户外”、“美食”、“聚会”）。通过 buildCoarseClusters 方法，自动为每个主题计算包含的照片总数，并提取最具代表性的封面照片，从而在 UI 层构建结构化的相册流。

2. 样式令牌化映射
   对于云端 LLM 生成的数字相册排版，我们构建了一套映射模型。在 album_book_models.dart 中，定义了如 AlbumFontPreset 和 colorTokens 等枚举变量。系统接收到云端返回的轻量级 JSON 后，即可将其解析为对应的 Flutter 渲染参数：

// 从 JSON 动态解析排版样式
factory AlbumElementStyle.fromJson(Map<String, dynamic> json) {
  return AlbumElementStyle(
    fontId: json['font_id']?.toString() ?? 'sans_clean',
    fontSize: _asDouble(json['font_size'], fallback: 20),
    colorToken: json['color_token']?.toString() ?? 'ink_soft',
    align: AlbumTextAlignValue.values.firstWhere(
      (value) => value.name == json['align']?.toString(),
      orElse: () => AlbumTextAlignValue.left,
    ),
    // 映射圆角与阴影等 UI 属性...
  );
}

四、 性能调优：图片并发解码调度器

在数字相册及标签瀑布流中，同屏常常需要展示数十张高清图片。如果依赖 Flutter 默认的 Image 组件逻辑，快速滑动时会并发发起海量的 I/O 读取和图片解码请求，瞬间拉高 CPU 占用，造成 UI 线程卡顿。

为解决这一工程痛点，我们在 album_page_deferred_image.dart 中实现了一个自定义的图片并发解码调度器（Deferred Scheduler）。

核心设计思路如下：

• 全局并发锁：设置 _maxConcurrent = 4，严格限制同一时刻处于解码状态的图片数量。

• 基于 Hash 的微秒级错峰：即便多张图片同时进入屏幕，我们也为其分配了离散的延迟时间，打散解码请求，防止主线程发生阻塞。

// 截取自 album_page_deferred_image.dart
void _startDeferredLoad() {
  // 利用图片路径的 hash 值生成随机的延迟时间，错峰发起 I/O 与解码请求
  final delayMs = 30 + (widget.path.hashCode.abs() % 11) * 28;
  
  _timer = Timer(Duration(milliseconds: delayMs), () {
    if (!mounted || _ticket.completed) return;
    
    // 延迟结束后，真正挂载 Widget，交由底层引擎解码
    setState(() {
      _ready = true; 
    });
  });
}

结合首帧渲染完毕的回调（_onFirstFrame）来释放全局并发锁，该调度器成功将原本拥挤在一个 16ms 渲染周期内的任务平滑摊派到了几百毫秒中。实测结果表明，在加载上千张本地照片的极端场景下，列表滑动的掉帧率得到了显著控制。

效果图：

五、 本周小结

本周，团队将研发精力下沉至具体的工程实现细节。通过 Prompt 优化解决了 LLM 的调度稳定性问题，通过构建状态机与并发队列解决了移动端海量图片渲染的性能瓶颈。项目整体的可用性与流畅度有了质的提升。