Prompt Safe

核心定位

prompt-assemble 是一套标准化的token安全提示组装框架，核心目标是绝对避免API因内存相关token溢出而失败。它采用两阶段上下文构建和内存安全阀机制，在保证系统稳定性的同时最大化相关上下文利用率。

核心用法

框架强制遵循六阶段工作流：
1. 基础配置：设定模型上下文窗口（默认MiniMax-M2.1 204K tokens）和85%安全阈值（173,400 tokens）
2. 最小上下文构建：系统提示 + 最近3条消息 + 当前输入，默认零内存
3. 内存需求判定：通过关键词触发器（如"previously"、"earlier we discussed"等）智能识别是否需要历史检索
4. 内存检索与摘要：最多检索3条记忆，每条压缩至3行以内
5. Token估算与安全阀：超标时仅丢弃内存层，保留系统提示和用户输入完整
6. 最终组装输出

关键安全原则：系统提示和用户输入绝对不可降级或截断，仅有内存层可丢弃。

显著优势

• 零溢出保障：硬性85%安全阈值，彻底杜绝API失败风险
• 层级化降级策略：内存始终作为"可丢弃增强"，非刚性依赖
• Token决策集中化：所有预算判断统一在组装层完成，避免分散失控
• 轻量触发机制：关键词驱动而非盲目检索，节省token开销
• 生产级标准：明确定义允许/禁止的记忆内容类型（禁存原始对话日志、推理痕迹）

潜在局限

• 保守设计：85%阈值可能浪费15%可用容量，极端长上下文场景效率略降
• 触发词依赖：非关键词形式的隐式上下文引用可能漏检
• 摘要信息损失：3行限制可能丢失关键细节
• 实现复杂度：六阶段流程对简单Agent可能过重
• 模型特化：默认配置针对MiniMax-M2.1，其他模型需手动调整

适合人群

• 构建高可用性生产级Agent的开发者
• 需要处理长对话历史的客服/助理类应用
• 对API稳定性有零容忍要求的企业场景
• 设计多轮复杂交互工作流的AI系统架构师
• 已有内存系统但需要安全防护层的存量项目

常规风险

• 误判触发：过于严格的触发词列表可能漏掉真正需要上下文的查询，导致回答脱节
• 阈值僵化：固定85%未考虑不同模型token计算差异（如中文字符）
• 内存污染：若上游检索质量差，安全阀前的摘要过程可能引入噪声
• 调试盲区：丢弃内存时仅返回系统通知，缺乏详细日志追溯
• 跨模型迁移：未封装为通用库时，切换模型需同步修改多处硬编码参数

核心用法

Prompt Assemble 是一款专为 Agent 系统设计的 Token 安全提示组装框架，核心解决 LLM 调用中的「内存检索导致 Token 溢出」这一隐性故障。

其工作流程采用六阶段架构：
1. Base 配置：设定模型上下文窗口（如 MiniMax-M2.1 的 204K tokens）与 85% 安全阈值
2. 最小上下文构建：仅加载系统提示 + 最近 3 轮对话 + 当前输入，默认零内存
3. 内存需求判定：通过关键词触发器（如 "previously"、"last time"）智能识别是否需要历史记忆
4. 内存检索与摘要：按需检索 Top-3 记忆，每份压缩至 3 行以内
5. Token 估算与安全阀：超标时仅丢弃内存层，保留系统提示与用户输入完整性
6. 最终组装输出

关键设计原则：内存永远是可丢弃的增强项，绝非刚性依赖。硬性规则包括：禁止降级系统提示、禁止截断用户输入、禁止「侥幸拼接」。

显著优点

• 零故障保证：通过 85% Token 阈值的安全阀，从根本上消除 API 调用失败的内存类故障
• 架构清晰：两阶段构建（最小上下文 → 条件式内存追加）使 Token 预算决策完全集中于组装层
• 智能按需加载：关键词触发机制避免无意义内存检索，降低延迟与成本
• 数据标准严格：明确区分「允许存入长期记忆」（用户偏好、确认结论）与「禁止存入」（原始对话日志、推理轨迹），防止记忆污染
• 纯标准库实现：仅依赖 typing，零第三方依赖攻击面

潜在局限

• T3 来源可信度：维护者为个人开发者 alexunitario，无组织背书，长期维护可持续性待观察
• 关键词触发局限：内存需求判定依赖固定关键词列表，可能漏检语义隐含的历史引用（如 "that issue"）
• 静态 Token 估算：采用估算而非精确分词，极端情况下可能存在 5-10% 误差余量
• 无多模态支持：当前设计针对文本 Token，图像/音频的 Token 换算需外部扩展
• 单语言实现：仅提供 Python 版本，其他语言生态需自行移植

适合人群

• 构建生产级 Agent 系统的开发者，尤其是对话记忆复杂的长会话场景
• 需要硬约束保障 API 稳定性的金融、医疗等高可用领域
• 正在从「快速原型」迁移至「稳定生产」的 LLM 应用团队
• 对 Token 成本敏感、需精细控制上下文窗口的 SaaS 服务商

常规风险

• 供应链风险：T3 来源建议 fork 后内部维护，防范作者账号异常
• 估算误差风险：建议预留 10% 缓冲阈值应对估算偏差
• 关键词覆盖不足：关键业务场景建议扩展自定义触发词库
• 内存摘要信息损失：3 行压缩可能导致关键细节丢失，需配合记忆内容标准优化
• 版本锁定建议：当前 v1.0.1 已通过 S+ 认证，升级新版本需重新安全审计