Merge branch 'refs/heads/release/v0.2.3' into fix/release_memory_bug

# Conflicts:
#	api/app/core/memory/agent/langgraph_graph/write_graph.py

api/app/core/agent/langchain_agent.py

@@ -148,8 +148,10 @@ class LangChainAgent:
         messages.append(HumanMessage(content=user_content))
         return messages
 
+    # TODO: 移到memory module
     async def term_memory_save(self,long_term_messages,actual_config_id,end_user_id,type):
         db = next(get_db())
+        #TODO: 魔法数字
         scope=6
 
         try:
@@ -159,6 +161,12 @@ class LangChainAgent:
 
             from app.core.memory.agent.utils.redis_tool import write_store
             result = write_store.get_session_by_userid(end_user_id)
+            
+            # Handle case where no session exists in Redis (returns False)
+            if not result or result is False:
+                logger.debug(f"No existing session in Redis for user {end_user_id}, skipping short-term memory update")
+                return
+                
             if type=="chunk" or type=="aggregate":
                 data = await format_parsing(result, "dict")
                 chunk_data = data[:scope]
@@ -166,7 +174,14 @@ class LangChainAgent:
                     repo.upsert(end_user_id, chunk_data)
                     logger.info(f'写入短长期：')
             else:
+                # TODO: This branch handles type="time" strategy, currently unused.
+                # Will be activated when time-based long-term storage is implemented.
+                # TODO: 魔法数字 - extract 5 to a constant
                 long_time_data = write_store.find_user_recent_sessions(end_user_id, 5)
+                # Handle case where no session exists in Redis (returns False or empty)
+                if not long_time_data or long_time_data is False:
+                    logger.debug(f"No recent sessions in Redis for user {end_user_id}")
+                    return
                 long_messages = await messages_parse(long_time_data)
                 repo.upsert(end_user_id, long_messages)
                 logger.info(f'写入短长期：')
@@ -307,9 +322,12 @@ class LangChainAgent:
             elapsed_time = time.time() - start_time
             if memory_flag:
                 long_term_messages=await agent_chat_messages(message_chat,content)
-                # AI 回复写入（用户消息和 AI 回复配对，一次性写入完整对话）
+                # TODO: DUPLICATE WRITE - Remove this immediate write once batched write (term_memory_save) is verified stable.
+                # This writes to Neo4j immediately via Celery task, but term_memory_save also writes to Neo4j
+                # when the window buffer reaches scope (6 messages). This causes duplicate entities in the graph.
+                # Recommended: Keep only term_memory_save for batched efficiency, or only self.write for real-time.
                 await self.write(storage_type, actual_end_user_id, message_chat, content, user_rag_memory_id, actual_end_user_id, actual_config_id)
-                '''长期'''
+                # Batched long-term memory storage (Redis buffer + Neo4j when window full)
                 await self.term_memory_save(long_term_messages,actual_config_id,end_user_id,"chunk")
             response = {
                 "content": content,
@@ -441,9 +459,13 @@ class LangChainAgent:
                         yield total_tokens
                         break
                 if memory_flag:
-                    # AI 回复写入（用户消息和 AI 回复配对，一次性写入完整对话）
+                    # TODO: DUPLICATE WRITE - Remove this immediate write once batched write (term_memory_save) is verified stable.
+                    # This writes to Neo4j immediately via Celery task, but term_memory_save also writes to Neo4j
+                    # when the window buffer reaches scope (6 messages). This causes duplicate entities in the graph.
+                    # Recommended: Keep only term_memory_save for batched efficiency, or only self.write for real-time.
                     long_term_messages = await agent_chat_messages(message_chat, full_content)
                     await self.write(storage_type, end_user_id, message_chat, full_content, user_rag_memory_id, end_user_id, actual_config_id)
+                    # Batched long-term memory storage (Redis buffer + Neo4j when window full)
                     await self.term_memory_save(long_term_messages, actual_config_id, end_user_id, "chunk")
                 
             except Exception as e:

api/app/core/memory/agent/langgraph_graph/routing/write_router.py

@@ -43,6 +43,7 @@ async def write_messages(end_user_id,langchain_messages,memory_config):
                 for node_name, node_data in update_event.items():
                     if 'save_neo4j' == node_name:
                         massages = node_data
+            # TODO：删除
             massagesstatus = massages.get('write_result')['status']
             contents = massages.get('write_result')
             print(contents)
@@ -60,6 +61,7 @@ async def window_dialogue(end_user_id,langchain_messages,memory_config,scope):
         scope：窗口大小
     '''
     scope=scope
+    redis_messages = []
     is_end_user_id = count_store.get_sessions_count(end_user_id)
     if is_end_user_id is not False:
         is_end_user_id = count_store.get_sessions_count(end_user_id)[0]
@@ -91,6 +93,9 @@ async def memory_long_term_storage(end_user_id,memory_config,time):
         memory_config: 内存配置对象
     '''
     long_time_data = write_store.find_user_recent_sessions(end_user_id, time)
+    # Handle case where no session exists in Redis (returns False or empty)
+    if not long_time_data or long_time_data is False:
+        return
     format_messages = await chat_data_format(long_time_data)
     if format_messages!=[]:
         await write_messages(end_user_id, format_messages, memory_config)
@@ -108,8 +113,9 @@ async def aggregate_judgment(end_user_id: str, ori_messages: list, memory_config
     try:
         # 1. 获取历史会话数据（使用新方法）
         result = write_store.get_all_sessions_by_end_user_id(end_user_id)
-        history = await format_parsing(result)
-        if not result:
+        
+        # Handle case where no session exists in Redis (returns False or empty)
+        if not result or result is False:
             history = []
         else:
             history = await format_parsing(result)

api/app/core/workflow/nodes/code/config.py

@@ -44,7 +44,7 @@ class CodeNodeConfig(BaseNodeConfig):
         description="code content"
     )
 
-    language: Literal['python3', 'nodejs'] = Field(
+    language: Literal['python3', 'javascript'] = Field(
         ...,
         description="language"
     )

api/app/core/workflow/nodes/code/node.py

@@ -110,7 +110,7 @@ class CodeNode(BaseNode):
                 code=code,
                 inputs_variable=input_variable_dict,
             )
-        elif self.typed_config.language == 'nodejs':
+        elif self.typed_config.language == 'javascript':
             final_script = NODEJS_SCRIPT_TEMPLATE.substitute(
                 code=code,
                 inputs_variable=input_variable_dict,

api/app/core/workflow/template_loader.py

@@ -4,16 +4,19 @@
 从文件系统加载预定义的工作流模板
 """
 
+import os
 from pathlib import Path
 from typing import Optional
 
 import yaml
 
+TEMPLATE_DIR = os.path.join(os.path.dirname(os.path.abspath(__file__)), 'templates')
+
 
 class TemplateLoader:
     """工作流模板加载器"""
-    
-    def __init__(self, templates_dir: str = "app/templates/workflows"):
+
+    def __init__(self, templates_dir: str = TEMPLATE_DIR):
         """初始化模板加载器
         
         Args:
@@ -22,7 +25,7 @@ class TemplateLoader:
         self.templates_dir = Path(templates_dir)
         if not self.templates_dir.exists():
             raise ValueError(f"模板目录不存在: {templates_dir}")
-    
+
     def list_templates(self) -> list[dict]:
         """列出所有可用的模板
         
@@ -30,22 +33,22 @@ class TemplateLoader:
             模板列表，每个模板包含 id, name, description 等信息
         """
         templates = []
-        
+
         # 遍历模板目录
         for template_dir in self.templates_dir.iterdir():
             if not template_dir.is_dir():
                 continue
-            
+
             # 检查是否有 template.yml 文件
             template_file = template_dir / "template.yml"
             if not template_file.exists():
                 continue
-            
+
             try:
                 # 读取模板配置
                 with open(template_file, 'r', encoding='utf-8') as f:
                     template_data = yaml.safe_load(f)
-                
+
                 # 提取模板信息
                 templates.append({
                     "id": template_dir.name,
@@ -59,9 +62,9 @@ class TemplateLoader:
             except Exception as e:
                 print(f"加载模板 {template_dir.name} 失败: {e}")
                 continue
-        
+
         return templates
-    
+
     def load_template(self, template_id: str) -> Optional[dict]:
         """加载指定的模板
         
@@ -73,14 +76,14 @@ class TemplateLoader:
         """
         template_dir = self.templates_dir / template_id
         template_file = template_dir / "template.yml"
-        
+
         if not template_file.exists():
             return None
-        
+
         try:
             with open(template_file, 'r', encoding='utf-8') as f:
                 template_data = yaml.safe_load(f)
-            
+
             # 返回工作流配置部分
             return {
                 "name": template_data.get("name", template_id),
@@ -94,7 +97,7 @@ class TemplateLoader:
         except Exception as e:
             print(f"加载模板 {template_id} 失败: {e}")
             return None
-    
+
     def get_template_readme(self, template_id: str) -> Optional[str]:
         """获取模板的 README 文档
         
@@ -106,10 +109,10 @@ class TemplateLoader:
         """
         template_dir = self.templates_dir / template_id
         readme_file = template_dir / "README.md"
-        
+
         if not readme_file.exists():
             return None
-        
+
         try:
             with open(readme_file, 'r', encoding='utf-8') as f:
                 return f.read()

api/app/core/workflow/templates/customer_service/template.yml

@@ -0,0 +1,219 @@
+# 智能客服工作流模板
+id: customer_service_v1
+name: 智能客服工作流
+description: 智能客服场景，包含意图识别、知识库查询和回复生成
+category: customer_service
+version: "1.0.0"
+author: RedBear Memory Team
+tags:
+  - 客服
+  - 意图识别
+  - 知识库
+  - 多步骤
+
+# 工作流配置
+nodes:
+  - id: start
+    type: start
+    name: 开始
+    position:
+      x: 100
+      y: 200
+
+  - id: intent_recognition
+    type: llm
+    name: 意图识别
+    config:
+      prompt: |
+        分析用户的问题，识别意图类型。
+        
+        用户问题：{{ var.user_message }}
+        
+        请从以下类型中选择一个：
+        - product_inquiry: 产品咨询
+        - technical_support: 技术支持
+        - complaint: 投诉建议
+        - other: 其他
+        
+        只返回类型名称，不要其他内容。
+      model: gpt-3.5-turbo
+      temperature: 0.3
+      max_tokens: 50
+    position:
+      x: 300
+      y: 200
+
+  - id: intent_router
+    type: condition
+    name: 意图路由
+    position:
+      x: 500
+      y: 200
+
+  - id: product_handler
+    type: llm
+    name: 产品咨询处理
+    config:
+      prompt: |
+        用户咨询产品相关问题。
+        
+        问题：{{ var.user_message }}
+        意图：{{ node.intent_recognition.output }}
+        
+        请提供专业、友好的产品咨询回复。
+      model: gpt-3.5-turbo
+      temperature: 0.7
+      max_tokens: 500
+    position:
+      x: 700
+      y: 100
+
+  - id: support_handler
+    type: llm
+    name: 技术支持处理
+    config:
+      prompt: |
+        用户需要技术支持。
+        
+        问题：{{ var.user_message }}
+        意图：{{ node.intent_recognition.output }}
+        
+        请提供详细的技术支持方案。
+      model: gpt-3.5-turbo
+      temperature: 0.5
+      max_tokens: 800
+    position:
+      x: 700
+      y: 200
+
+  - id: complaint_handler
+    type: llm
+    name: 投诉处理
+    config:
+      prompt: |
+        用户提出投诉或建议。
+        
+        问题：{{ var.user_message }}
+        意图：{{ node.intent_recognition.output }}
+        
+        请以同理心回应，并提供解决方案。
+      model: gpt-3.5-turbo
+      temperature: 0.8
+      max_tokens: 600
+    position:
+      x: 700
+      y: 300
+
+  - id: general_handler
+    type: llm
+    name: 通用处理
+    config:
+      prompt: |
+        用户的问题类型：其他
+        
+        问题：{{ var.user_message }}
+        
+        请提供友好的回复。
+      model: gpt-3.5-turbo
+      temperature: 0.7
+      max_tokens: 400
+    position:
+      x: 700
+      y: 400
+
+  - id: end
+    type: end
+    name: 结束
+    position:
+      x: 900
+      y: 200
+
+edges:
+  - source: start
+    target: intent_recognition
+    label: 开始分析
+
+  - source: intent_recognition
+    target: intent_router
+    label: 识别完成
+
+  - source: intent_router
+    target: product_handler
+    condition: "'product_inquiry' in node['intent_recognition']['output']"
+    label: 产品咨询
+
+  - source: intent_router
+    target: support_handler
+    condition: "'technical_support' in node['intent_recognition']['output']"
+    label: 技术支持
+
+  - source: intent_router
+    target: complaint_handler
+    condition: "'complaint' in node['intent_recognition']['output']"
+    label: 投诉建议
+
+  - source: intent_router
+    target: general_handler
+    condition: "True"  # 默认路径
+    label: 其他
+
+  - source: product_handler
+    target: end
+    label: 完成
+
+  - source: support_handler
+    target: end
+    label: 完成
+
+  - source: complaint_handler
+    target: end
+    label: 完成
+
+  - source: general_handler
+    target: end
+    label: 完成
+
+# 变量定义
+variables:
+  - name: user_message
+    type: string
+    required: true
+    description: 用户的消息
+    default: ""
+
+  - name: user_name
+    type: string
+    required: false
+    description: 用户姓名（可选）
+    default: "客户"
+
+# 执行配置
+execution_config:
+  max_execution_time: 120
+  max_iterations: 10
+
+# 触发器
+triggers: []
+
+# 使用示例
+examples:
+  - name: 产品咨询
+    description: 用户咨询产品功能
+    input:
+      user_message: "你们的产品支持多语言吗？"
+      user_name: "张三"
+    expected_output: "产品功能介绍"
+
+  - name: 技术支持
+    description: 用户遇到技术问题
+    input:
+      user_message: "我无法登录系统，一直显示密码错误"
+      user_name: "李四"
+    expected_output: "技术支持方案"
+
+  - name: 投诉处理
+    description: 用户提出投诉
+    input:
+      user_message: "你们的服务态度太差了，我要投诉"
+      user_name: "王五"
+    expected_output: "同理心回应和解决方案"

api/app/core/workflow/templates/data_processing/template.yml

@@ -0,0 +1,131 @@
+# 数据处理工作流模板
+id: data_processing_v1
+name: 数据处理工作流
+description: 数据提取、转换和分析的完整流程
+category: data_processing
+version: "1.0.0"
+author: RedBear Memory Team
+tags:
+  - 数据处理
+  - ETL
+  - 分析
+  - Transform
+
+# 工作流配置
+nodes:
+  - id: start
+    type: start
+    name: 开始
+    position:
+      x: 100
+      y: 200
+
+  - id: extract_data
+    type: transform
+    name: 数据提取
+    config:
+      expression: |
+        {
+          "raw_text": var['input_text'],
+          "length": len(var['input_text']),
+          "timestamp": sys['execution_id']
+        }
+    position:
+      x: 300
+      y: 200
+
+  - id: analyze_data
+    type: llm
+    name: 数据分析
+    config:
+      prompt: |
+        请分析以下数据：
+        
+        原始文本：{{ node.extract_data.raw_text }}
+        文本长度：{{ node.extract_data.length }}
+        
+        请提供：
+        1. 主题分类
+        2. 情感分析
+        3. 关键信息提取
+        
+        以 JSON 格式返回结果。
+      model: gpt-3.5-turbo
+      temperature: 0.3
+      max_tokens: 500
+    position:
+      x: 500
+      y: 200
+
+  - id: transform_result
+    type: transform
+    name: 结果转换
+    config:
+      expression: |
+        {
+          "original_length": node['extract_data']['length'],
+          "analysis": node['analyze_data']['output'],
+          "processed_at": sys['execution_id'],
+          "status": "completed"
+        }
+    position:
+      x: 700
+      y: 200
+
+  - id: end
+    type: end
+    name: 结束
+    position:
+      x: 900
+      y: 200
+
+edges:
+  - source: start
+    target: extract_data
+    label: 开始提取
+
+  - source: extract_data
+    target: analyze_data
+    label: 开始分析
+
+  - source: analyze_data
+    target: transform_result
+    label: 转换结果
+
+  - source: transform_result
+    target: end
+    label: 完成
+
+# 变量定义
+variables:
+  - name: input_text
+    type: string
+    required: true
+    description: 待处理的文本数据
+    default: ""
+
+# 执行配置
+execution_config:
+  max_execution_time: 180
+  max_iterations: 5
+
+# 触发器
+triggers: []
+
+# 使用示例
+examples:
+  - name: 文本分析
+    description: 分析一段文本
+    input:
+      input_text: "今天天气真好，心情也很愉快。我们公司推出了新产品，市场反响热烈。"
+    expected_output:
+      original_length: 35
+      analysis: "主题：天气和产品，情感：积极"
+      status: "completed"
+
+  - name: 长文本处理
+    description: 处理较长的文本
+    input:
+      input_text: "这是一段很长的文本..." 
+    expected_output:
+      status: "completed"

api/app/core/workflow/templates/multi_step_qa/template.yml

@@ -0,0 +1,99 @@
+# 多步骤问答工作流
+# 演示节点输出参数的使用
+
+id: multi_step_qa_v1
+name: 多步骤问答工作流
+description: 先分析问题，再生成答案，展示节点间的数据传递
+category: advanced
+version: "1.0.0"
+author: RedBear Memory Team
+tags:
+  - 问答
+  - 多步骤
+  - LLM
+
+# 工作流配置
+nodes:
+  - id: start
+    type: start
+    name: 开始
+    position:
+      x: 100
+      y: 100
+
+  - id: analyze_question
+    type: llm
+    name: 分析问题
+    description: 分析用户问题的类型和意图
+    config:
+      model_id: gpt-3.5-turbo
+      temperature: 0.3
+      max_tokens: 500
+      messages:
+        - role: system
+          content: |
+            你是一个问题分析专家。请分析用户的问题，提取以下信息：
+            1. 问题类型（事实性、观点性、操作性等）
+            2. 问题领域（科技、历史、文化等）
+            3. 关键词
+        - role: user
+          content: "{{ sys.message }}"
+    position:
+      x: 300
+      y: 100
+
+  - id: generate_answer
+    type: llm
+    name: 生成答案
+    description: 根据问题分析结果生成详细答案
+    config:
+      model_id: gpt-3.5-turbo
+      temperature: 0.7
+      max_tokens: 1000
+      messages:
+        - role: system
+          content: |
+            你是一个专业的AI助手。根据问题分析结果，生成准确、详细的答案。
+            
+            问题分析结果：
+            {{ analyze_question.output }}
+        - role: user
+          content: "{{ sys.message }}"
+    position:
+      x: 500
+      y: 100
+
+  - id: end
+    type: end
+    name: 结束
+    config:
+      output: "{{ generate_answer.output }}"
+    position:
+      x: 700
+      y: 100
+
+edges:
+  - source: start
+    target: analyze_question
+    label: 开始分析
+
+  - source: analyze_question
+    target: generate_answer
+    label: 生成答案
+
+  - source: generate_answer
+    target: end
+    label: 完成
+
+# 变量定义
+variables:
+  - name: user_question
+    type: string
+    required: true
+    description: 用户的问题
+    default: ""
+
+# 执行配置
+execution_config:
+  max_execution_time: 120
+  max_iterations: 1

api/app/core/workflow/templates/simple_qa/template.yml

@@ -0,0 +1,93 @@
+# 简单问答工作流模板
+id: simple_qa_v1
+name: 简单问答工作流
+description: 最基础的问答工作流，适合快速开始
+category: basic
+version: "1.0.0"
+author: RedBear Memory Team
+tags:
+  - 问答
+  - 基础
+  - LLM
+
+# 工作流配置
+nodes:
+  - id: start
+    type: start
+    name: 开始
+    position:
+      x: 100
+      y: 100
+
+  - id: llm_qa
+    type: llm
+    name: LLM 问答
+    config:
+      # 使用 LangChain 标准的消息格式
+      messages:
+        - role: system
+          content: |
+            你是一个专业、友好且乐于助人的 AI 助手。
+            
+            你的职责：
+            - 准确理解用户的问题并提供有价值的回答
+            - 保持回答的专业性和准确性
+            - 如果不确定答案，诚实地告知用户
+            - 使用清晰、易懂的语言进行交流
+            
+            回答风格：
+            - 简洁明了，直击要点
+            - 必要时提供详细解释和示例
+            - 使用友好、礼貌的语气
+            - 适当使用格式化（如列表、段落）提高可读性
+        
+      
+      model_id: null
+      temperature: 0.7
+      max_tokens: 1000
+    position:
+      x: 500
+      y: 100
+
+  - id: end
+    type: end
+    name: 结束
+    config:
+      output: "{{llm_qa.output}}"
+    position:
+      x: 900
+      y: 100
+
+edges:
+  - source: start
+    target: llm_qa
+    label: 开始处理
+
+  - source: llm_qa
+    target: end
+    label: 完成
+
+# 变量定义
+variables: []
+
+# 执行配置
+execution_config:
+  max_execution_time: 60
+  max_iterations: 1
+
+# 触发器（可选）
+triggers: []
+
+# 使用示例
+examples:
+  - name: 基础问答
+    description: 询问一个简单的问题
+    input:
+      user_question: "什么是人工智能？"
+    expected_output: "关于人工智能的解释"
+
+  - name: 技术咨询
+    description: 询问技术问题
+    input:
+      user_question: "如何学习 Python 编程？"
+    expected_output: "Python 学习建议"