refactor: rename mem_scanner→procmem_scanner, add L4 layer, remove make_prompts.py

.gitignore

@@ -52,9 +52,9 @@ memory/L4_raw_sessions/*
 !memory/ljqCtrl.py
 !memory/ljqCtrl_sop.md
 
-# mem_scanner related tools
+# procmem_scanner related tools
-!memory/mem_scanner.py
+!memory/procmem_scanner.py
-!memory/mem_scanner_sop.md
+!memory/procmem_scanner_sop.md
 
 # TMWebDriver SOP
 !memory/tmwebdriver_sop.md

assets/global_mem_insight_template.txt

@@ -8,7 +8,8 @@
 需要时read L2 或 ls ../memory/ 查L3
 L0(META-SOP): memory_management_sop
 L2: 现空
-L3: web_setup_sop | autonomous_operation_sop | scheduled_task_sop | ljqCtrl_sop+.py | tmwebdriver_sop | subagent_sop | plan_sop | mem_scanner.py | adb_ui.py
+L3: web_setup_sop | autonomous_operation_sop | scheduled_task_sop | ljqCtrl_sop+.py | tmwebdriver_sop | subagent_sop | plan_sop | procmem_scanner.py | adb_ui.py
+L4: ../memory/L4_raw_sessions/
 
 [RULES]
 1. 搜索先行: 信息尽量用google（必须web）, 项目内os.listdir, 禁猜路径

assets/make_prompts.py

@@ -1,142 +0,0 @@
-import sys, os, re
-import pyperclip
-import json, time
-from pathlib import Path
-import subprocess
-import tempfile
-sys.path.append(os.path.abspath(os.path.join(os.path.dirname(__file__), '..')))
-from llmcore import SiderLLMSession, LLMSession, ToolClient
-
-
-ask = SiderLLMSession().ask
-
-
-def generate_tool_schema():
-    """
-    通过代码内省，将 Handler 的逻辑映射为高语义的工具描述。
-    """
-    script_dir = os.path.dirname(os.path.abspath(__file__))
-    with open(os.path.join(script_dir, '../ga.py'), 'r', encoding='utf-8') as f:
-        ga_code = f.read()
-    # 极简且具备高度概括能力的元 Prompt
-    meta_prompt = f"""
-# Role
-你是一个具备深度推理能力的 AI 系统架构师。你将通过阅读 `GenericAgentHandler` 源码，构建其对应的工具能力矩阵。
-
-# Task
-分析下方的源码，并输出 OpenAI Tool Schema。在输出 JSON 之前，你必须进行内部思考（Thinking Process）。
-
-# Thinking Process Requirements
-在 `<thinking>` 标签中，请按顺序分析：
-1. **核心工具链识别**：识别所有 `do_xxx` 方法，并分析它们依赖的底层 Utility 函数。
-2. **内容溯源审计**：重点分析哪些工具是从 `response.content` 提取核心逻辑（如代码块）的。对于这些工具，确认在 Schema 参数中排除掉对应的字段。
-3. **调用策略推导**：分析工具间的协作关系（例如 `file_read` 如何为 `file_patch` 提供定位）。
-4. **兜底逻辑确认**：明确某些特殊万能工具在系统中的保底角色，快速工具无法执行的操作由保底工具执行，但正常应优先使用方便的工具。
-5. **注释审阅**：结合函数注释，理解每个工具的使用限制，其中的重要信息务必反映在工具描述中（如长度限制等）。
-注释中的重要信息务必反映在工具描述中。
-注释中的重要信息务必反映在工具描述中。
-
-# Tool Schema Formatting Rules
-- **参数对齐**：仅包含 `do_xxx` 方法中通过 `args.get()` 显式获取的参数。
-- **高引导性描述**：描述应包含“何时调用”以及“如何根据反馈修正”，需要注意函数的注释事项。
-- **输出格式**：先输出 `<thinking>` 块，然后输出 ```json 块。
-
-# Source Code
-{ga_code}
-
-# Output
-请开始思考并生成：
-"""
-    
-    # 假设 ask 是你已经封装好的 LLM 调用接口
-    raw_response = ask(meta_prompt, model="gemini-3.0-flash")
-    print(raw_response)
-    
-    # --- 健壮的 JSON 解析逻辑 ---
-    try:
-        # 1. 清除 Markdown 围栏
-        clean_json = raw_response.strip()
-        if clean_json.startswith("```"):
-            # 兼容 ```json 和 ``` 
-            clean_json = re.sub(r'^```(?:json)?\s*', '', clean_json)
-            clean_json = re.sub(r'\s*```$', '', clean_json)
-        
-        # 2. 移除可能的非 JSON 前导/后缀文字（如果有的话）
-        start_idx = clean_json.find('[')
-        end_idx = clean_json.rfind(']') + 1
-        if start_idx != -1 and end_idx != -1:
-            clean_json = clean_json[start_idx:end_idx]
-            
-        final_schema = json.loads(clean_json)
-        
-        if final_schema:
-            script_dir = os.path.dirname(os.path.abspath(__file__))
-            with open(os.path.join(script_dir, 'tools_schema.json'), 'w', encoding='utf-8') as f:
-                json.dump(final_schema, f, indent=2, ensure_ascii=False)
-            print("✅ 成功从代码内省生成 Schema 并持久化。")
-        return final_schema
-
-    except Exception as e:
-        print(f"❌ 解析 Schema 失败: {e}\n原始响应: {raw_response}")
-        return None
-
-
-def make_system_prompt(ga_code_path=None):
-    script_dir = os.path.dirname(os.path.abspath(__file__))
-    if ga_code_path is None:
-        ga_code_path = os.path.join(script_dir, '../ga.py')
-    with open(ga_code_path, 'r', encoding='utf-8') as f:
-        ga_code = f.read()
-
-    # 这个元 Prompt 的目标是生成“世界观”而非“说明书”
-    meta_prompt = f"""
-# Role
-你是一个 AI 架构师。请阅读下方的工具库源码，为 Agent 生成一份【系统级认知指令 (System Prompt)】。
-
-# Task
-基于代码逻辑，定义 Agent 的“能力边界”和“行动协议”。
-
-# Requirements (Crucial)
-1. **打破预训练偏见**：针对模型常说的“我只是 AI，不能操作网页/文件”进行修正。明确告诉它：你现在拥有物理操作权限，工具设计保证了所有权限做所有事情。
-2. **避开冗余**：不要重复 Tool Schema 里的参数细节。
-3. **能力边界定义**：
-   - 网页操作：它不是通过“想象”上网，而是通过实时的浏览器读写。
-   - 文件操作：它拥有物理文件读写权限，且遵循“先读后写”的稳健性原则。
-   - 保底逻辑：当专用工具失效时，使用 `code_run` 编写脚本解决一切。
-   - 特殊的update_plan（仅在复杂任务时使用）和ask_user（用户也是有效资源）工具。
-4. **行动协议**：
-   - 必须在行动前进行<thinking>
-
-我后面还会附上具体的工具描述和Schema，所以不要重复。
-主要以世界观为主，不要纠结于具体工具。
-
-# Input Source Code
-{ga_code}
-
-# Output
-仅输出 System Prompt 的正文，语气要果断、指令化。
-"""
-    print("🧠 正在重塑 Agent 世界观 (Generating System Prompt)...")
-    # 调用你的 llmclient.ask
-    system_prompt_content = ask(meta_prompt)
-    print("📝 生成的 System Prompt 内容如下：\n")
-    print(system_prompt_content)
-    clean_content = re.sub(r'<[^>]+>', '', system_prompt_content)
-    with open(os.path.join(script_dir, 'sys_prompt.txt'), 'w', encoding='utf-8') as f:
-        f.write(clean_content)
-    return clean_content
-
-# --- 主逻辑 ---
-if __name__ == "__main__":
-    if len(sys.argv) < 2:
-        print("Usage: python make_prompts.py [schema|prompt]")
-        sys.exit(1)
-    
-    cmd = sys.argv[1].lower()
-    if cmd == "schema":
-        generate_tool_schema()
-    elif cmd == "prompt":
-        make_system_prompt()
-    else:
-        print(f"Unknown command: {cmd}")
-        print("Available commands: schema, prompt")

memory/memory_management_sop.md

@@ -20,6 +20,7 @@ L1: global_mem_insight.txt (极简索引层 - 严格控制 ≤30 行)
 L2: global_mem.txt (事实库层 - 现短但会膨胀)  
     ↓ 详细引用 (Reference)  
 L3: ../memory/ (记录库层 - 包含 .md/.py 等各类文件)  
+L4: ../memory/L4_raw_sessions/ (历史会话层 - scheduler反射自动收集，可定位过往上下文)  
 ```
 ---
 ## 各层职责与原则

memory/procmem_scanner_sop.md

@@ -7,7 +7,7 @@
 ```python
 import sys
 sys.path.append('../memory') # 直接挂载工具目录
-from mem_scanner import scan_memory
+from procmem_scanner import scan_memory
 
 # 示例：搜索特定 Hex 特征码，开启 llm_mode 以获取上下文
 results = scan_memory(pid, "48 8b ?? ?? 00", mode="hex", llm_mode=True)
@@ -16,10 +16,10 @@ results = scan_memory(pid, "48 8b ?? ?? 00", mode="hex", llm_mode=True)
 **CLI:**
 ```powershell
 # 基础搜索
-python ../memory/mem_scanner.py <PID> "pattern" --mode string
+python ../memory/procmem_scanner.py <PID> "pattern" --mode string
 
 # LLM 增强模式（输出包含上下文的 JSON，推荐）
-python ../memory/mem_scanner.py <PID> "pattern" --llm
+python ../memory/procmem_scanner.py <PID> "pattern" --llm
 ```
 
 ## 2. 典型场景：结构体或关键数据定位

memory/subagent.md

@@ -9,7 +9,7 @@
 - 流程：启动 → 轮询 output.txt（`[ROUND END]`=该轮完成）→ 写 reply.txt 继续 → 不写则10min退出
 - 干预文件：`_stop`(当轮结束退出) | `_keyinfo`(写入即注入下轮prompt的key_info) | `_intervene`(写入内容作为下轮追加指令)
 - output1/2/3.txt：reply后各轮输出（递增编号），同样append+`[ROUND END]`
-- input.txt：目标+约束，可指定SOP名。禁写具体步骤（除非已读SOP确认）。大量数据给路径禁塞入
+- input.txt：目标+约束，可指定SOP名。**禁写具体步骤**。大量数据给路径禁塞入
 - ⚠ `--input`走命令行，长文本/含引号会超时。超过一句话时：先写input.txt，启动时不带`--input`
 - --bg启动瞬间返回，可同一code_run内sleep后poll；非--bg方式禁止合并启动+轮询