实现了感知缓存淘汰机制通过综合评分模型（话题活跃度TP、依赖重要性TSI、访问频率衰减）解决了StoryEcho游戏系统中多会话管理的内存压力问题。代码实现了双向依赖图维护、定期TTL清理和淘汰回调机制，相比传统LRU/LFU能更好地区分热点会话与僵尸会话，并保护被多存档依赖的核心数据。

迁移完成后，数据库锁定错误彻底消失，并发写入能力大幅提升。asyncpg 连接池的复用机制减少了连接建立开销，JSONB 类型对游戏属性等动态数据的存取更加高效。这次迁移验证了一个重要经验：数据库选型需要与业务并发模型匹配，SQLite 适合单机低并发场景，而需要处理并发写入的网络服务则应该从一开始就考虑使用 PostgreSQL 这样的专业数据库。

StoryEcho采用三层记忆架构解决LLM无状态问题：短期对话历史保证连贯性，ChromaDB向量数据库存储剧情摘要实现长期召回，RAG知识库固化NPC、任务等静态设定。系统优先使用ChromaDB（余弦相似度+HNSW索引），降级至FAISS+SQLite确保鲁棒性。每5回合生成摘要并双写存储，检索时结合最近历史与语义匹配，通过GPU加速和去重机制优化性能。

原有架构采用静态提示词拼接，导致AI需同时承担叙事创作与规则执行双重职责，常出现节点错误、任务触发失误等问题。重构后采用分层Prompt加动态注入架构：game_data集中定义所有静态规则；PromptManager按需查询当前节点的NPC、好感度阈值和可触发任务并注入提示词；QuestManager独立检测任务触发、进度和奖励应用，将任务控制权从AI手中夺回；DynamicContentPro

StoryEcho的核心搭建过程，是一次从需求抽象到技术落地的完整实践：从互动叙事的核心需求出发，选择适配的技术栈，通过分层设计解耦核心逻辑，同时兼顾开发效率与可扩展性。目前项目已实现基础的互动叙事闭环，验证了FastAPI+Vue.js技术栈在轻量级互动应用中的适配性，也为后续AI增强、多分支叙事扩展打下了坚实的技术基础。互动叙事的魅力正是在于用户既是读者，也是作者，后续我们将持续迭代Story

我针对角色属性模块进行了扩展，不再局限于基础的身份、数值类属性，而是新增了性格特质、成长轨迹、隐藏天赋等动态属性维度。这些属性数据被结构化存储在后端的角色数据模型中，通过 run.py 启动的服务接口与前端联动，前端可实时调取并展示角色属性的动态变化 —— 比如角色在经历特定事件后，性格特质中的 “力量” 会随选择发生波动，而这些属性变化又会反向影响后续的命运分支走向。startGameWithC

StoryEcho的核心搭建过程，是一次从需求抽象到技术落地的完整实践：从互动叙事的核心需求出发，选择适配的技术栈，通过分层设计解耦核心逻辑，同时兼顾开发效率与可扩展性。目前项目已实现基础的互动叙事闭环，验证了FastAPI+Vue.js技术栈在轻量级互动应用中的适配性，也为后续AI增强、多分支叙事扩展打下了坚实的技术基础。互动叙事的魅力正是在于用户既是读者，也是作者，后续我们将持续迭代Story

在推荐与预测领域，研究了传统协同过滤的局限及大模型在序列推荐中的应用，同时了解了LSTM在时间序列预测中的基本方法。受启发于经典文字冒险游戏和近年来AI叙事实验项目，我们认为，构建一个基于大模型的沉浸式互动叙事平台，既能够充分发挥LLM在创意生成上的优势，又需要解决状态管理、长程记忆、逻辑一致性等硬核技术问题，非常适合作为本项目的核心方向。我们团队于3月16日进行了开题答辩，但遗憾的是在答辩后，老