fix: update docs of open_source/MemOS

content/cn/open_source/modules/mem_chat.md

@@ -1,6 +1,6 @@
 ---
 title: MemChat
-desc: "MemChat 是你的 Agent 的‘外交官’，它协调用户输入、记忆检索与 LLM 生成，打造连贯且具备长期记忆的对话体验。"
+desc: "MemChat 是你的“记忆外交官”，它协调用户输入、记忆检索与 LLM 生成，打造连贯且具备长期记忆的对话体验。"
 ---
 
 ## 1. 简介
@@ -17,7 +17,7 @@ desc: "MemChat 是你的 Agent 的‘外交官’，它协调用户输入、记
 在回答用户问题前，MemChat 会自动从 MemCube 中检索相关的 Textual Memory（文本记忆），将其注入到 Prompt 中。这使得 Agent 能够基于过往的交互历史或知识库来回答问题，而不仅仅依赖于 LLM 的预训练知识。
 
 ### 自动记忆沉淀 (Auto-Memorization)
-对话不仅仅是消耗 tokens，MemChat 会利用 Extractor LLM 自动从对话流中提取有价值的信息（如用户偏好、事实知识），并将其存储到 MemCube 中。这个过程是自动化的，无需用户手动干预。
+对话后，MemChat 会利用 Extractor LLM 自动从对话流中提取有价值的信息（如用户偏好、事实知识），并存储到 MemCube 中。无需用户手动干预，整个过程完全自动化。
 
 ### 上下文管理
 自动管理对话历史窗口 (`max_turns_window`)。当对话过长时，它会智能裁剪旧的上下文，同时依赖检索到的长期记忆来保持对话的连贯性，有效解决了 LLM Context Window 的限制问题。
@@ -34,7 +34,6 @@ desc: "MemChat 是你的 Agent 的‘外交官’，它协调用户输入、记
 *   **`simple.py`**: **默认实现 (SimpleMemChat)**。这是一个开箱即用的 REPL（Read-Eval-Print Loop）实现，包含了完整的“检索 -> 生成 -> 存储”闭环逻辑。
 *   **`base.py`**: **接口定义 (BaseMemChat)**。定义了 MemChat 的基本行为，如 `run()` 和 `mem_cube` 属性。
 *   **`factory.py`**: **工厂类**。负责根据配置 (`MemChatConfig`) 实例化具体的 MemChat 对象。
-*   **`llm_chat.py`**: **LLM 交互层**。处理与底层 LLM 的具体通信细节。
 
 ---
 

content/cn/open_source/modules/mem_cube.md

@@ -1,23 +1,25 @@
 ---
-title: MemCube 概述
-desc: "`MemCube` 是 MemOS 中的核心组织单元，专为封装和管理用户或代理的所有类型记忆而设计。它为加载、保存和操作多个记忆模块提供统一接口，使构建、共享和部署记忆增强应用程序变得容易。"
+title: MemCube
+desc: "MemCube 是你的“记忆收纳箱”，统一管理三种类型的记忆：明文记忆、激活记忆和参数化记忆。它提供简洁的接口，方便加载、保存和操作多个记忆模块，让开发者轻松构建、保存和共享记忆增强应用。"
 ---
 ## 什么是 MemCube？
 
-**MemCube** 是一个容器，捆绑了三种主要类型的记忆：
+**MemCube** 是一个容器，包含了三种主要类型的记忆：
 
 - **明文记忆** (例如，`GeneralTextMemory`、`TreeTextMemory`): 用于存储和检索非结构化或结构化文本知识。
 - **激活记忆** (例如，`KVCacheMemory`): 用于存储键值缓存以加速 LLM 推理和上下文重用。
 - **参数化记忆** (例如，`LoRAMemory`): 用于存储模型适应参数（如 LoRA 权重）。
 
-每种记忆类型都是独立可配置的，可以根据需要进行交换或扩展。
+每种记忆都可以独立配置，根据应用需求灵活组合。
 
 ## 结构
 
 MemCube 由配置定义（参见 `GeneralMemCubeConfig`），该配置为每种记忆类型指定后端和配置。典型结构是：
 
 ```
 MemCube
+ ├── user_id
+ ├── cube_id
  ├── text_mem: TextualMemory
  ├── act_mem: ActivationMemory
  └── para_mem: ParametricMemory
@@ -35,7 +37,7 @@ MemCube
 
 ### SingleCubeView
 
-操作单个 MemCube。当你只有一个逻辑记忆空间时使用。
+用于管理单个 MemCube。当系统只需要一个记忆空间时使用。
 
 ```python
 from memos.multi_mem_cube.single_cube import SingleCubeView
@@ -59,7 +61,7 @@ view.search_memories(search_request)
 
 ### CompositeCubeView
 
-操作多个 MemCube。将操作 fan-out 到多个 SingleCubeView 并聚合结果。
+用于管理多个 MemCube。当需要跨多个记忆空间进行统一操作时使用。
 
 ```python
 from memos.multi_mem_cube.composite_cube import CompositeCubeView
@@ -78,13 +80,23 @@ results = composite.search_memories(search_request)
 
 ### API 请求字段
 
+#### 添加记忆（add模式）
+
 | 字段                  | 描述                                                             |
 | --------------------- | ---------------------------------------------------------------- |
 | `writable_cube_ids` | add 操作的目标 cube                                              |
+| `async_mode`        | `"async"`（启用 scheduler 后台处理）或 `"sync"`（禁用 scheduler 同步处理） |
+
+#### 搜索记忆（search模式）
+
+| 字段                  | 描述                                                             |
+| --------------------- | ---------------------------------------------------------------- |
 | `readable_cube_ids` | search 操作的目标 cube                                           |
-| `async_mode`        | `"async"`（scheduler 启用时）或 `"sync"`（scheduler 禁用时） |
+| `async_mode`        | `"async"`（启用 scheduler 后台处理）或 `"sync"`（禁用 scheduler 同步处理） |
+
+## 核心方法（GeneralMemCube）
 
-## API 总结 (`GeneralMemCube`)
+GeneralMemCube 是 MemCube 的标准实现，通过统一的接口管理系统的所有记忆。GeneralMemCube 提供以下核心方法来管理记忆数据的生命周期。
 
 ### 初始化
 
@@ -104,7 +116,7 @@ mem_cube = GeneralMemCube(config)
 
 ## 文件存储
 
-MemCube 目录包含：
+MemCube 保存后的目录包含以下文件，每个文件对应一种记忆类型：
 
 - `config.json` (MemCube 配置)
 - `textual_memory.json` (明文记忆)
@@ -273,6 +285,6 @@ for i, mem in enumerate(memories[:2], 1):  # 显示前2条
 
 ## 开发者说明
 
-* MemCube 强制执行模式一致性以确保安全的加载/转储
-* 每种记忆类型都是可插拔的且独立测试
+* MemCube 强制执行模式一致性，确保安全的加载/转储
+* 每种记忆类型都是可插拔的，支持独立测试
 * 参见 `/tests/mem_cube/` 了解集成测试和使用模式

content/cn/open_source/modules/mem_feedback.md

@@ -1,6 +1,6 @@
 ---
 title: MemFeedback
-desc: "MemFeedback 让你的 Agent 能够听懂“你记错了”，并自动修正记忆库。它是实现记忆自进化的关键组件。"
+desc: "MemFeedback 是你的“记忆错题本”，让你的 Agent 能够听懂“你记错了”，并自动修正记忆库。它是实现记忆自进化的关键组件。"
 ---
 
 ## 1. 简介

content/cn/open_source/modules/mem_reader.md

@@ -1,6 +1,6 @@
 ---
 title: "MemReader"
-desc: "MemReader 是 MemOS 的“记忆翻译官”。它负责把用户杂乱的输入（聊天、文档、图片）翻译成系统能理解的、结构化的记忆片段。"
+desc: “MemReader 是你的“记忆翻译官”。它负责把杂乱的输入（聊天、文档、图片）翻译成系统能理解的、结构化的记忆片段。"
 ---
 
 ## 1. 简介
@@ -23,15 +23,15 @@ MemReader 设计了两种工作模式，分别对应“快”和“准”两种
 *   **适用场景**：
     *   用户发消息飞快，系统需要毫秒级响应。
     *   只需保留对话的“快照”，不需要深度理解。
-*   **产物**：原始文本片段 + 向量索引。
+*   **产物**：原始文本片段 + 向量索引 + 来源追踪 (Sources)。
 
 ### 🧠 Fine 模式（精雕细琢）
 *   **特点**：**调用 LLM** 进行深度分析。
 *   **适用场景**：
     *   长时记忆写入（需要提取关键事实）。
     *   文档分析（需要总结核心观点）。
     *   多模态理解（需要看懂图片里的内容）。
-*   **产物**：结构化的事实 + 摘要 (Background) + 来源追踪 (Provenance)。
+*   **产物**：结构化的事实 + 关键信息提取 (Key) + 背景 (Background) + 向量索引 + 来源追踪 (Sources) + 多模态细节。
 
 ---
 
@@ -86,8 +86,10 @@ memories = reader.get_memory(
 
 **返回结果**：`list[list[TextualMemoryItem]]`
 
+::note{icon="ri:bnb-fill"}
 为什么是双层列表？  
 因为一个长对话可能会被切成多个窗口（Window），外层列表代表窗口，内层列表代表该窗口提取出的记忆项。
+::
 
 ---
 
@@ -174,9 +176,9 @@ refined_memories = reader.fine_transfer_simple_mem(
 
 在 `.env` 或配置文件中，你可以调整以下关键参数：
 
-*   **`chat_window_max_tokens`**: **滑窗大小**。默认 1024。决定了多少上下文会被打包在一起处理。设得太小容易丢失语境，设得太大容易爆 LLM 的 Token 限制。
-*   **`remove_prompt_example`**: **是否移除 Prompt 里的示例**。如果你想节省 Token，可以设为 True；如果你发现提取效果不好，建议设为 False（保留 Few-shot 示例）。
-*   **`direct_markdown_hostnames`** (仅多模态): **域名白名单**。如果文件 URL 的域名在这个名单里（比如 `raw.githubusercontent.com`），Reader 会直接把它当 Markdown 文本处理，而不是去尝试 OCR 或转换，效率更高。
+*   **`chat_window_max_tokens`**: **滑窗大小**。默认 1024。决定了多少上下文会被打包在一起处理。设得太小容易丢失语境，设得太大容易超出 LLM 的 Token 限制。
+*   **`remove_prompt_example`**: **是否移除 Prompt 里的示例**。True = 省 Token 但可能降低提取质量；False = 保留示例提高准确度但消耗更多 Token（保留 Few-shot 示例）。
+*   **`direct_markdown_hostnames`** (仅多模态): **域名白名单**。列表中的域名（如 `raw.githubusercontent.com`）会被直接当作 Markdown 文本处理，跳过 OCR/格式转换步骤，加速处理。
 
 
 

content/cn/open_source/modules/mem_scheduler.md

@@ -1,6 +1,6 @@
 ---
-title: "MemScheduler: 记忆组织调度器"
-desc: "`MemScheduler` 是一个与 MemOS 系统并行运行的并发记忆管理系统，它协调 AI 系统中工作记忆、长时记忆和激活记忆之间的记忆操作。它通过事件驱动调度处理记忆检索、更新和压缩。<br/> 该系统特别适合需要动态记忆管理的对话代理和推理系统。"
+title: "MemScheduler"
+desc: "MemScheduler 是你的“记忆组织调度器”，它在后台异步管理记忆的流转和更新，协调工作记忆、长时记忆和激活记忆之间的交互，让对话系统能够动态地组织和利用记忆。"
 ---
 
 ## 主要特性
@@ -12,19 +12,24 @@ desc: "`MemScheduler` 是一个与 MemOS 系统并行运行的并发记忆管理
 - 📊 **全面监控**：实时监控记忆使用率、任务队列状态和调度延迟。
 - 📝 **详细日志记录**：全链路追踪记忆操作，便于调试和系统分析。
 
-## 记忆调度器架构
+##  MemScheduler 架构
 
-`MemScheduler` 系统采用模块化架构，核心组件如下：
+`MemScheduler` 采用模块化架构，分为三层：
 
-1. **消息处理**：核心调度引擎，通过带有特定标签（Label）的消息来驱动业务逻辑。
-2. **任务队列**：支持 Redis Stream (生产环境推荐) 和 Local Queue (开发测试) 两种模式，用于缓冲和持久化任务。
-3. **记忆管理**：负责不同层级记忆（Working/Long-term/User）的读写、压缩和遗忘策略，以及同类型记忆的组织和不同类型记忆间的转换。
-4. **检索系统**：结合用户意图、历史记忆场景管理与关键词匹配的混合检索模块。
-5. **监控**：跟踪任务积压情况、处理耗时以及记忆库的健康状态。
-6. **调度器 (路由器)**：智能路由器，根据消息类型（如 `QUERY`, `ANSWER`, `MEM_UPDATE`）和预设的触发埋点将任务分发给对应的处理任务。
-7. **日志记录**：维护记忆操作日志用于调试和分析。
+### 调度层（核心）
+1. **调度器（路由器）**：智能消息路由器，根据消息类型（`QUERY`, `ANSWER`, `MEM_UPDATE` 等）将任务分发给对应的处理器。
+2. **消息处理**：通过带有特定标签（Label）的消息驱动业务逻辑，定义消息格式和处理规则。
 
-## 记忆调度组件 MemScheduler 的初始化方法
+### 执行层（保障）
+3. **任务队列**：支持 Redis Stream（生产环境）和 Local Queue（开发测试）两种模式，提供异步任务缓冲和持久化。
+4. **记忆管理**：执行三层记忆（Working/Long-term/User）的读写、压缩、遗忘和类型转换。
+5. **检索系统**：混合检索模块，结合用户意图、场景管理与关键词匹配，快速定位相关记忆。
+
+### 支撑层（辅助）
+6. **监控**：跟踪任务积压、处理耗时和记忆库健康状态。
+7. **日志记录**：维护全链路记忆操作日志，便于调试和分析。
+
+##  MemScheduler 初始化
 
 在 MemOS 的架构中，`MemScheduler` 是作为服务器组件的一部分在启动时被初始化的。
 
@@ -62,12 +67,14 @@ redis_client = components["redis_client"]
 ```
 
 
-## 当前版本记忆调度默认设置的调度任务以及任务触发消息
+## 调度任务与数据模型
 
-调度器通过注册特定的任务标签（Label）与处理器（Handler）来分发和执行任务。以下是当前版本（基于 `GeneralScheduler` 和 `OptimizedScheduler`）默认支持的调度任务：
+调度器通过消息驱动的方式分发和执行任务。本节介绍支持的任务类型、消息结构和执行日志。
 
 ### 消息类型与处理器
 
+调度器通过注册特定的任务标签（Label）与处理器（Handler）来分发和执行任务。以下是当前版本（基于 `GeneralScheduler` 和 `OptimizedScheduler`）默认支持的调度任务：
+
 | 消息标签 (Label) | 对应常量 | 处理器方法 | 描述 |
 | :--- | :--- | :--- | :--- |
 | `query` | `QUERY_TASK_LABEL` | `_query_message_consumer` | 处理用户查询，触发意图识别、记忆检索，并将其转换为记忆更新任务。 |
@@ -80,7 +87,7 @@ redis_client = components["redis_client"]
 | `mem_feedback` | `MEM_FEEDBACK_TASK_LABEL` | `_mem_feedback_message_consumer` | 处理用户反馈，用于修正记忆或强化偏好。 |
 | `api_mix_search` | `API_MIX_SEARCH_TASK_LABEL` | `_api_mix_search_message_consumer` | (OptimizedScheduler 特有) 执行异步混合搜索任务，结合快速检索与精细检索。 |
 
-### 调度消息结构 (ScheduleMessageItem)
+### 消息数据结构 (ScheduleMessageItem)
 
 调度器使用统一的 `ScheduleMessageItem` 结构在队列中传递消息。
 
@@ -101,7 +108,7 @@ redis_client = components["redis_client"]
 | `info` | `dict` | 额外的自定义上下文信息 | `None` |
 | `stream_key` | `str` | (内部使用) Redis Stream 的键名 | `""` |
 
-### Web 日志结构 (ScheduleLogForWebItem)
+### 执行日志结构 (ScheduleLogForWebItem)
 
 调度器会生成用于前端展示或持久化存储的结构化日志消息。