refactor: 移除多查询生成方法，简化记忆检索逻辑；在工具接口中添加当前时间信息

src/memory_graph/manager.py

@@ -345,98 +345,6 @@ class MemoryManager:
             return False
 
     # ==================== 记忆检索操作 ====================
-
-    async def generate_multi_queries(
-        self,
-        query: str,
-        context: dict[str, Any] | None = None,
-    ) -> list[tuple[str, float]]:
-        """
-        使用小模型生成多个查询语句（用于多路召回）
-
-        简化版多查询策略：直接让小模型生成3-5个不同角度的查询，
-        避免复杂的查询分解和组合逻辑。
-
-        Args:
-            query: 原始查询
-            context: 上下文信息（聊天历史、发言人、参与者等）
-
-        Returns:
-            List of (query_string, weight) - 查询语句和权重
-        """
-        try:
-            from src.config.config import model_config
-            from src.llm_models.utils_model import LLMRequest
-
-            llm = LLMRequest(
-                model_set=model_config.model_task_config.utils_small,
-                request_type="memory.multi_query_generator"
-            )
-
-            # 构建上下文信息
-            chat_history = context.get("chat_history", "") if context else ""
-
-            prompt = f"""你是记忆检索助手。为提高检索准确率，请为查询生成3-5个不同角度的搜索语句。
-
-**核心原则（重要！）：**
-对于包含多个概念的复杂查询（如"小明如何评价小王"），应该生成：
-1. 完整查询（包含所有要素）- 权重1.0
-2. 每个关键概念的独立查询（如"小明"、"小王"）- 权重0.8，避免被主体淹没！
-3. 主体+动作组合（如"小明 评价"）- 权重0.6
-4. 泛化查询（如"评价"）- 权重0.7
-
-**要求：**
-- 第一个必须是原始查询或同义改写
-- 识别查询中的所有重要概念，为每个概念生成独立查询
-- 查询简洁（5-20字）
-- 直接输出JSON，不要添加说明
-
-**对话上下文：** {chat_history[-300:] if chat_history else "无"}
-
-**输出JSON格式：**
-```json
-{{
-    "queries": [
-        {{"text": "完整查询", "weight": 1.0}},
-        {{"text": "关键概念1", "weight": 0.8}},
-        {{"text": "关键概念2", "weight": 0.8}},
-        {{"text": "组合查询", "weight": 0.6}}
-    ]
-}}
-```"""
-
-            response, _ = await llm.generate_response_async(prompt, temperature=0.3, max_tokens=300)
-
-            # 解析JSON
-            import json
-            import re
-            response = re.sub(r"```json\s*", "", response)
-            response = re.sub(r"```\s*$", "", response).strip()
-
-            try:
-                data = json.loads(response)
-                queries = data.get("queries", [])
-
-                result = []
-                for item in queries:
-                    text = item.get("text", "").strip()
-                    weight = float(item.get("weight", 0.5))
-                    if text:
-                        result.append((text, weight))
-
-                if result:
-                    logger.info(f"生成 {len(result)} 个查询: {[q for q, _ in result]}")
-                    return result
-
-            except json.JSONDecodeError as e:
-                logger.warning(f"解析失败: {e}, response={response[:100]}")
-
-        except Exception as e:
-            logger.warning(f"多查询生成失败: {e}")
-
-        # 回退到原始查询
-        return [(query, 1.0)]
-
     async def search_memories(
         self,
         query: str,

src/memory_graph/tools/memory_tools.py

@@ -649,6 +649,7 @@ class MemoryTools:
 **当前查询：** {query}
 **发送者：** {sender if sender else '未知'}
 **参与者：** {', '.join(participants) if participants else '无'}
+**当前时间：** {__import__('datetime').datetime.now().__str__()}
 
 **最近聊天记录（最近5条）：**
 {recent_chat if recent_chat else '无聊天历史'}
@@ -664,6 +665,7 @@ class MemoryTools:
 2. **关键概念查询**（权重0.8）：查询中的核心概念，特别是聊天中提到的实体
 3. **话题扩展查询**（权重0.7）：基于最近聊天话题的相关查询
 4. **动作/情感查询**（权重0.6）：如果涉及情感或动作，生成相关查询
+5. **精准时间查询**（权重0.5）：针对时间相关的查询，生成更具体的时间范围，如2023年5月1日 12:00
 
 **输出JSON格式：**
 ```json