Пам'ять

Профілі співробітників

Профілі співробітників — це шар персистентної пам'яті, який збагачує відповіді AI контекстом про конкретного користувача.

Модель

Модель EmployeeProfile зберігає дані, екстраговані про кожного користувача:

Поле	Тип	Опис
summary	String	Bio/опис ролі, згенерований LLM
currentProjects	String[]	Активні проекти, над якими працює співробітник
preferences	JSON	Комунікаційні преференції
frequentIntents	String[]	Часто використовувані наміри
accessLevel	String	Рівень доступу (наприклад, standard, elevated)
metadata	JSON	Довільні key-value дані
profileVersion	Int	Інкрементується при кожній екстракції
lastExtractedAt	DateTime	Час останньої екстракції

Один профіль на користувача (зв'язок one-to-one із User).

Як використовуються профілі

Під час RAG-генерації профіль співробітника вбудовується в контекст LLM:

• Summary: допомагає AI зрозуміти роль співробітника
• Current projects: дає релевантні відповіді по проекту
• Preferences: адаптує стиль відповіді

Цей контекст приєднується до system prompt перед запитом користувача — виходить розмовна пам'ять для AI.

API

Список профілів

GET /api/v1/employee-profiles

Авторизація: користувачі бачать профілі в межах свого ефективного department scope; глобальні користувачі можуть фільтрувати по departmentId.

Отримати профіль

GET /api/v1/employees/:userId/profile

Авторизація: власний профіль або профіль у межах ефективного scope викликача.

Оновити профіль

PATCH /api/v1/employees/:userId/profile

Body: будь-які поля профілю. Авторизація: користувачі можуть оновлювати власний профіль; для оновлення чужих профілів у межах ефективного scope потрібен дозвіл canManageEmployeeProfiles.

Автоматична екстракція

Профілі автоматично оновлюються воркером екстракції пам'яті кожні N повідомлень (задається через MEMORY_EXTRACT_EVERY_N_MESSAGES).

Ручне оновлення

Користувачі з canManageEmployeeProfiles можуть оновлювати профілі співробітників вручну через API. Корисно для задання початкового контексту або виправлення помилок екстракції.

---

Extraction Worker

Воркер екстракції пам'яті автоматично аналізує розмови та оновлює профілі співробітників витягнутими фактами.

Реалізація

src/knowledge/memory-extractor.ts — processMemoryExtractionJob()

Тригер

Екстракція запускається кожні N повідомлень у розмові (задається через MEMORY_EXTRACT_EVERY_N_MESSAGES, дефолт: 10). У чергу memory-extraction додається BullMQ-джоб.

Pipeline

1. Завантажити профіль: взяти існуючий EmployeeProfile (створити, якщо нема)
2. Взяти повідомлення: отримати повідомлення з часу lastExtractedAt
3. Відформатувати розмову: побудувати транскрипт "user: ...\nassistant: ..."
4. LLM-екстракція: викликати gpt-4o-mini (конфігурується через MEMORY_EXTRACTION_MODEL) з промптом:

   Extract JSON with fields: summary, currentProjects, preferences, frequentIntents, metadata.
   Only include fields with new information.
5. Розпарсити відповідь: витягти JSON з output LLM
6. Змерджити: об'єднати з існуючим профілем:
   • Масиви дедуплікуються (union)
   • Об'єкти мерджаться deep-merge
   • Рядки перезаписуються
7. Зберегти: оновити профіль, інкрементувати profileVersion, виставити lastExtractedAt

Конфігурація черги

Параметр	Значення
Queue name	memory-extraction
Concurrency	1
Max retries	3
Backoff	Exponential
Worker shutdown	Graceful (SIGTERM)

Конфігурація

Змінна	За замовчуванням	Опис
MEMORY_EXTRACT_EVERY_N_MESSAGES	10	Повідомлень між екстракціями
MEMORY_EXTRACTION_MODEL	gpt-4o-mini	LLM-модель для екстракції