diff --git a/src/chat/express/expressor_model/model.py b/src/chat/express/expressor_model/model.py
index 15217b26a..3aea17c3c 100644
--- a/src/chat/express/expressor_model/model.py
+++ b/src/chat/express/expressor_model/model.py
@@ -61,6 +61,34 @@ class ExpressorModel:
         if cid not in self.nb.token_counts:
             self.nb.token_counts[cid] = defaultdict(float)
 
+    def remove_candidate(self, cid: str) -> bool:
+        """
+        删除候选文本
+
+        Args:
+            cid: 候选ID
+
+        Returns:
+            是否删除成功
+        """
+        removed = False
+        
+        if cid in self._candidates:
+            del self._candidates[cid]
+            removed = True
+        
+        if cid in self._situations:
+            del self._situations[cid]
+        
+        # 从nb模型中删除
+        if cid in self.nb.cls_counts:
+            del self.nb.cls_counts[cid]
+        
+        if cid in self.nb.token_counts:
+            del self.nb.token_counts[cid]
+        
+        return removed
+
     def predict(self, text: str, k: int | None = None) -> tuple[str | None, dict[str, float]]:
         """
         直接对所有候选进行朴素贝叶斯评分
diff --git a/src/chat/express/style_learner.py b/src/chat/express/style_learner.py
index 63306a649..3880df052 100644
--- a/src/chat/express/style_learner.py
+++ b/src/chat/express/style_learner.py
@@ -36,6 +36,8 @@ class StyleLearner:
 
         # 动态风格管理
         self.max_styles = 2000  # 每个chat_id最多2000个风格
+        self.cleanup_threshold = 0.9  # 达到90%容量时触发清理
+        self.cleanup_ratio = 0.2  # 每次清理20%的风格
         self.style_to_id: dict[str, str] = {}  # style文本 -> style_id
         self.id_to_style: dict[str, str] = {}  # style_id -> style文本
         self.id_to_situation: dict[str, str] = {}  # style_id -> situation文本
@@ -45,6 +47,7 @@ class StyleLearner:
         self.learning_stats = {
             "total_samples": 0,
             "style_counts": {},
+            "style_last_used": {},  # 记录每个风格最后使用时间
             "last_update": time.time(),
         }
 
@@ -66,10 +69,19 @@ class StyleLearner:
             if style in self.style_to_id:
                 return True
 
-            # 检查是否超过最大限制
-            if len(self.style_to_id) >= self.max_styles:
-                logger.warning(f"已达到最大风格数量限制 ({self.max_styles})")
-                return False
+            # 检查是否需要清理
+            current_count = len(self.style_to_id)
+            cleanup_trigger = int(self.max_styles * self.cleanup_threshold)
+            
+            if current_count >= cleanup_trigger:
+                if current_count >= self.max_styles:
+                    # 已经达到最大限制，必须清理
+                    logger.warning(f"已达到最大风格数量限制 ({self.max_styles})，开始清理")
+                    self._cleanup_styles()
+                elif current_count >= cleanup_trigger:
+                    # 接近限制，提前清理
+                    logger.info(f"风格数量达到 {current_count}/{self.max_styles}，触发预防性清理")
+                    self._cleanup_styles()
 
             # 生成新的style_id
             style_id = f"style_{self.next_style_id}"
@@ -94,6 +106,80 @@ class StyleLearner:
             logger.error(f"添加风格失败: {e}")
             return False
 
+    def _cleanup_styles(self):
+        """
+        清理低价值的风格，为新风格腾出空间
+        
+        清理策略：
+        1. 综合考虑使用次数和最后使用时间
+        2. 删除得分最低的风格
+        3. 默认清理 cleanup_ratio (20%) 的风格
+        """
+        try:
+            current_time = time.time()
+            cleanup_count = max(1, int(len(self.style_to_id) * self.cleanup_ratio))
+            
+            # 计算每个风格的价值分数
+            style_scores = []
+            for style_id in self.style_to_id.values():
+                # 使用次数
+                usage_count = self.learning_stats["style_counts"].get(style_id, 0)
+                
+                # 最后使用时间（越近越好）
+                last_used = self.learning_stats["style_last_used"].get(style_id, 0)
+                time_since_used = current_time - last_used if last_used > 0 else float('inf')
+                
+                # 综合分数：使用次数越多越好，距离上次使用时间越短越好
+                # 使用对数来平滑使用次数的影响
+                import math
+                usage_score = math.log1p(usage_count)  # log(1 + count)
+                
+                # 时间分数：转换为天数，使用指数衰减
+                days_unused = time_since_used / 86400  # 转换为天
+                time_score = math.exp(-days_unused / 30)  # 30天衰减因子
+                
+                # 综合分数：80%使用频率 + 20%时间新鲜度
+                total_score = 0.8 * usage_score + 0.2 * time_score
+                
+                style_scores.append((style_id, total_score, usage_count, days_unused))
+            
+            # 按分数排序，分数低的先删除
+            style_scores.sort(key=lambda x: x[1])
+            
+            # 删除分数最低的风格
+            deleted_styles = []
+            for style_id, score, usage, days in style_scores[:cleanup_count]:
+                style_text = self.id_to_style.get(style_id)
+                if style_text:
+                    # 从映射中删除
+                    del self.style_to_id[style_text]
+                    del self.id_to_style[style_id]
+                    if style_id in self.id_to_situation:
+                        del self.id_to_situation[style_id]
+                    
+                    # 从统计中删除
+                    if style_id in self.learning_stats["style_counts"]:
+                        del self.learning_stats["style_counts"][style_id]
+                    if style_id in self.learning_stats["style_last_used"]:
+                        del self.learning_stats["style_last_used"][style_id]
+                    
+                    # 从expressor模型中删除
+                    self.expressor.remove_candidate(style_id)
+                    
+                    deleted_styles.append((style_text[:30], usage, f"{days:.1f}天"))
+            
+            logger.info(
+                f"风格清理完成: 删除了 {len(deleted_styles)}/{len(style_scores)} 个风格，"
+                f"剩余 {len(self.style_to_id)} 个风格"
+            )
+            
+            # 记录前5个被删除的风格（用于调试）
+            if deleted_styles:
+                logger.debug(f"被删除的风格样例(前5): {deleted_styles[:5]}")
+            
+        except Exception as e:
+            logger.error(f"清理风格失败: {e}", exc_info=True)
+
     def learn_mapping(self, up_content: str, style: str) -> bool:
         """
         学习一个up_content到style的映射
@@ -118,9 +204,11 @@ class StyleLearner:
             self.expressor.update_positive(up_content, style_id)
 
             # 更新统计
+            current_time = time.time()
             self.learning_stats["total_samples"] += 1
             self.learning_stats["style_counts"][style_id] += 1
-            self.learning_stats["last_update"] = time.time()
+            self.learning_stats["style_last_used"][style_id] = current_time  # 更新最后使用时间
+            self.learning_stats["last_update"] = current_time
 
             logger.debug(f"学习映射成功: {up_content[:20]}... -> {style}")
             return True
@@ -171,6 +259,10 @@ class StyleLearner:
                 else:
                     logger.warning(f"跳过无法转换的style_id: {sid}")
 
+            # 更新最后使用时间（仅针对最佳风格）
+            if best_style_id:
+                self.learning_stats["style_last_used"][best_style_id] = time.time()
+
             logger.debug(
                 f"预测成功: up_content={up_content[:30]}..., "
                 f"best_style={best_style}, top3_scores={list(style_scores.items())[:3]}"
@@ -208,6 +300,30 @@ class StyleLearner:
         """
         return list(self.style_to_id.keys())
 
+    def cleanup_old_styles(self, ratio: float | None = None) -> int:
+        """
+        手动清理旧风格
+        
+        Args:
+            ratio: 清理比例，如果为None则使用默认的cleanup_ratio
+            
+        Returns:
+            清理的风格数量
+        """
+        old_count = len(self.style_to_id)
+        if ratio is not None:
+            old_cleanup_ratio = self.cleanup_ratio
+            self.cleanup_ratio = ratio
+            self._cleanup_styles()
+            self.cleanup_ratio = old_cleanup_ratio
+        else:
+            self._cleanup_styles()
+        
+        new_count = len(self.style_to_id)
+        cleaned = old_count - new_count
+        logger.info(f"手动清理完成: chat_id={self.chat_id}, 清理了 {cleaned} 个风格")
+        return cleaned
+
     def apply_decay(self, factor: float | None = None):
         """
         应用知识衰减
@@ -241,6 +357,11 @@ class StyleLearner:
             import pickle
 
             meta_path = os.path.join(save_dir, "meta.pkl")
+            
+            # 确保 learning_stats 包含所有必要字段
+            if "style_last_used" not in self.learning_stats:
+                self.learning_stats["style_last_used"] = {}
+            
             meta_data = {
                 "style_to_id": self.style_to_id,
                 "id_to_style": self.id_to_style,
@@ -295,6 +416,10 @@ class StyleLearner:
                 self.id_to_situation = meta_data["id_to_situation"]
                 self.next_style_id = meta_data["next_style_id"]
                 self.learning_stats = meta_data["learning_stats"]
+                
+                # 确保旧数据兼容：如果没有 style_last_used 字段，添加它
+                if "style_last_used" not in self.learning_stats:
+                    self.learning_stats["style_last_used"] = {}
 
             logger.info(f"StyleLearner加载成功: {save_dir}")
             return True
@@ -398,6 +523,26 @@ class StyleLearnerManager:
         logger.info(f"保存所有StyleLearner {'成功' if success else '部分失败'}")
         return success
 
+    def cleanup_all_old_styles(self, ratio: float | None = None) -> dict[str, int]:
+        """
+        对所有学习器清理旧风格
+        
+        Args:
+            ratio: 清理比例
+            
+        Returns:
+            {chat_id: 清理数量}
+        """
+        cleanup_results = {}
+        for chat_id, learner in self.learners.items():
+            cleaned = learner.cleanup_old_styles(ratio)
+            if cleaned > 0:
+                cleanup_results[chat_id] = cleaned
+        
+        total_cleaned = sum(cleanup_results.values())
+        logger.info(f"清理所有StyleLearner完成: 总共清理了 {total_cleaned} 个风格")
+        return cleanup_results
+
     def apply_decay_all(self, factor: float | None = None):
         """
         对所有学习器应用知识衰减
diff --git a/src/chat/replyer/default_generator.py b/src/chat/replyer/default_generator.py
index 644466b84..83a6bce76 100644
--- a/src/chat/replyer/default_generator.py
+++ b/src/chat/replyer/default_generator.py
@@ -585,17 +585,29 @@ class DefaultReplyer:
                     
                     if memories:
                         logger.info(f"[记忆图] 检索到 {len(memories)} 条相关记忆")
+                        
+                        # 使用新的格式化工具构建完整的记忆描述
+                        from src.memory_graph.utils.memory_formatter import (
+                            format_memory_for_prompt,
+                            get_memory_type_label,
+                        )
+                        
                         for memory in memories:
-                            topic = memory.metadata.get("topic", "")
-                            mem_type = memory.metadata.get("memory_type", "未知")
-                            if topic:
+                            # 使用格式化工具生成完整的主谓宾描述
+                            content = format_memory_for_prompt(memory, include_metadata=False)
+                            
+                            # 获取记忆类型
+                            mem_type = memory.memory_type.value if memory.memory_type else "未知"
+                            
+                            if content:
                                 all_memories.append({
-                                    "content": topic,
+                                    "content": content,
                                     "memory_type": mem_type,
                                     "importance": memory.importance,
                                     "relevance": 0.7,
                                     "source": "memory_graph",
                                 })
+                                logger.debug(f"[记忆构建] 格式化记忆: [{mem_type}] {content[:50]}...")
                     else:
                         logger.debug("[记忆图] 未找到相关记忆")
         except Exception as e:
@@ -629,8 +641,13 @@ class DefaultReplyer:
                     logger.debug(f"[记忆构建] 空记忆详情: {running_memory}")
                     continue
 
-                # 使用全局记忆类型映射表
-                chinese_type = get_memory_type_chinese_label(memory_type)
+                # 使用记忆图的类型映射（优先）或全局映射
+                try:
+                    from src.memory_graph.utils.memory_formatter import get_memory_type_label
+                    chinese_type = get_memory_type_label(memory_type)
+                except ImportError:
+                    # 回退到全局映射
+                    chinese_type = get_memory_type_chinese_label(memory_type)
 
                 # 提取纯净内容（如果包含旧格式的元数据）
                 clean_content = content
diff --git a/src/config/config.py b/src/config/config.py
index 2ad7cc651..a5dafedde 100644
--- a/src/config/config.py
+++ b/src/config/config.py
@@ -381,7 +381,7 @@ class Config(ValidatedConfigBase):
     notice: NoticeConfig = Field(..., description="Notice消息配置")
     emoji: EmojiConfig = Field(..., description="表情配置")
     expression: ExpressionConfig = Field(..., description="表达配置")
-    memory: Optional[MemoryConfig] = Field(default=None, description="记忆配置（旧版，已废弃）")
+    memory: Optional[MemoryConfig] = Field(default=None, description="记忆配置")
     mood: MoodConfig = Field(..., description="情绪配置")
     reaction: ReactionConfig = Field(default_factory=ReactionConfig, description="反应规则配置")
     chinese_typo: ChineseTypoConfig = Field(..., description="中文错别字配置")
diff --git a/src/main.py b/src/main.py
index 1847239b0..a3116ff99 100644
--- a/src/main.py
+++ b/src/main.py
@@ -251,7 +251,7 @@ class MainSystem:
 
         # 停止增强记忆系统
         try:
-            if global_config.memory.enable_memory:
+            if global_config.memory and getattr(global_config.memory, 'enable', False):
                 cleanup_tasks.append(("增强记忆系统", self.memory_manager.shutdown()))
         except Exception as e:
             logger.error(f"准备停止增强记忆系统时出错: {e}")
@@ -469,7 +469,7 @@ MoFox_Bot(第三方修改版)
         task.add_done_callback(_background_tasks.discard)
 
         # 初始化增强记忆系统
-        if global_config.memory.enable_memory:
+        if global_config.memory and getattr(global_config.memory, 'enable', False):
             from src.chat.memory_system.memory_system import initialize_memory_system
             await self._safe_init("增强记忆系统", initialize_memory_system)()
             await self._safe_init("记忆管理器", self.memory_manager.initialize)()
diff --git a/src/memory_graph/config.py b/src/memory_graph/config.py
index 5a17cdf72..c7c531bd5 100644
--- a/src/memory_graph/config.py
+++ b/src/memory_graph/config.py
@@ -133,8 +133,10 @@ class MemoryGraphConfig:
     def from_bot_config(cls, bot_config) -> MemoryGraphConfig:
         """从bot_config加载配置"""
         try:
-            # 尝试获取新配置
-            if hasattr(bot_config, 'memory_graph'):
+            # 尝试获取配置（优先使用memory，兼容memory_graph）
+            if hasattr(bot_config, 'memory') and bot_config.memory is not None:
+                mg_config = bot_config.memory
+            elif hasattr(bot_config, 'memory_graph'):
                 mg_config = bot_config.memory_graph
                 
                 config = cls(
diff --git a/src/memory_graph/manager.py b/src/memory_graph/manager.py
index b88a9da19..b1e0aabf1 100644
--- a/src/memory_graph/manager.py
+++ b/src/memory_graph/manager.py
@@ -14,7 +14,7 @@ from datetime import datetime, timedelta
 from pathlib import Path
 from typing import Any, Dict, List, Optional, Set, Tuple
 
-from src.memory_graph.config import MemoryGraphConfig
+from src.config.config import global_config
 from src.memory_graph.core.builder import MemoryBuilder
 from src.memory_graph.core.extractor import MemoryExtractor
 from src.memory_graph.models import Memory, MemoryEdge, MemoryNode, MemoryType, NodeType, EdgeType
@@ -41,18 +41,20 @@ class MemoryManager:
 
     def __init__(
         self,
-        config: Optional[MemoryGraphConfig] = None,
         data_dir: Optional[Path] = None,
     ):
         """
         初始化记忆管理器
         
         Args:
-            config: 记忆图配置
-            data_dir: 数据目录
+            data_dir: 数据目录（可选，默认从global_config读取）
         """
-        self.config = config or MemoryGraphConfig()
-        self.data_dir = data_dir or Path("data/memory_graph")
+        # 直接使用 global_config.memory
+        if not global_config.memory or not getattr(global_config.memory, 'enable', False):
+            raise ValueError("记忆系统未启用，请在配置文件中启用 [memory] enable = true")
+        
+        self.config = global_config.memory
+        self.data_dir = data_dir or Path(getattr(self.config, 'data_dir', 'data/memory_graph'))
         
         # 存储组件
         self.vector_store: Optional[VectorStore] = None
@@ -69,10 +71,10 @@ class MemoryManager:
         self._initialized = False
         self._last_maintenance = datetime.now()
         self._maintenance_task: Optional[asyncio.Task] = None
-        self._maintenance_interval_hours = self.config.consolidation_interval_hours  # 从配置读取
+        self._maintenance_interval_hours = getattr(self.config, 'consolidation_interval_hours', 1.0)
         self._maintenance_schedule_id: Optional[str] = None  # 调度任务ID
         
-        logger.info(f"记忆管理器已创建 (data_dir={data_dir}, enable={self.config.enable})")
+        logger.info(f"记忆管理器已创建 (data_dir={self.data_dir}, enable={getattr(self.config, 'enable', False)})")
 
     async def initialize(self) -> None:
         """
@@ -93,8 +95,12 @@ class MemoryManager:
             # 1. 初始化存储层
             self.data_dir.mkdir(parents=True, exist_ok=True)
             
+            # 获取存储配置
+            storage_config = getattr(self.config, 'storage', None)
+            vector_collection_name = getattr(storage_config, 'vector_collection_name', 'memory_graph') if storage_config else 'memory_graph'
+            
             self.vector_store = VectorStore(
-                collection_name=self.config.storage.vector_collection_name,
+                collection_name=vector_collection_name,
                 data_dir=self.data_dir,
             )
             await self.vector_store.initialize()
@@ -557,7 +563,8 @@ class MemoryManager:
                 # 计算时间衰减
                 last_access_dt = datetime.fromisoformat(last_access)
                 hours_passed = (now - last_access_dt).total_seconds() / 3600
-                decay_factor = self.config.activation_decay_rate ** (hours_passed / 24)
+                decay_rate = getattr(self.config, 'activation_decay_rate', 0.95)
+                decay_factor = decay_rate ** (hours_passed / 24)
                 current_activation = activation_info.get("level", 0.0) * decay_factor
             else:
                 current_activation = 0.0
@@ -576,13 +583,16 @@ class MemoryManager:
             
             # 激活传播：激活相关记忆
             if strength > 0.1:  # 只有足够强的激活才传播
+                propagation_depth = getattr(self.config, 'activation_propagation_depth', 2)
                 related_memories = self._get_related_memories(
                     memory_id,
-                    max_depth=self.config.activation_propagation_depth
+                    max_depth=propagation_depth
                 )
-                propagation_strength = strength * self.config.activation_propagation_strength
+                propagation_strength_factor = getattr(self.config, 'activation_propagation_strength', 0.5)
+                propagation_strength = strength * propagation_strength_factor
                 
-                for related_id in related_memories[:self.config.max_related_memories]:
+                max_related = getattr(self.config, 'max_related_memories', 5)
+                for related_id in related_memories[:max_related]:
                     await self.activate_memory(related_id, propagation_strength)
             
             # 保存更新
@@ -681,7 +691,8 @@ class MemoryManager:
                     continue
                 
                 # 跳过高重要性记忆
-                if memory.importance >= self.config.forgetting_min_importance:
+                min_importance = getattr(self.config, 'forgetting_min_importance', 7.0)
+                if memory.importance >= min_importance:
                     continue
                 
                 # 计算当前激活度
@@ -876,8 +887,8 @@ class MemoryManager:
 
         # 使用配置值或参数覆盖
         time_window_hours = time_window_hours if time_window_hours is not None else 24
-        max_candidates = max_candidates if max_candidates is not None else self.config.auto_link_max_candidates
-        min_confidence = min_confidence if min_confidence is not None else self.config.auto_link_min_confidence
+        max_candidates = max_candidates if max_candidates is not None else getattr(self.config, 'auto_link_max_candidates', 10)
+        min_confidence = min_confidence if min_confidence is not None else getattr(self.config, 'auto_link_min_confidence', 0.7)
 
         try:
             logger.info(f"开始自动关联记忆 (时间窗口={time_window_hours}h)...")
@@ -1249,22 +1260,22 @@ class MemoryManager:
             }
             
             # 1. 记忆整理（合并相似记忆）
-            if self.config.consolidation_enabled:
+            if getattr(self.config, 'consolidation_enabled', False):
                 consolidate_result = await self.consolidate_memories(
-                    similarity_threshold=self.config.consolidation_similarity_threshold,
-                    time_window_hours=self.config.consolidation_time_window_hours
+                    similarity_threshold=getattr(self.config, 'consolidation_similarity_threshold', 0.9),
+                    time_window_hours=getattr(self.config, 'consolidation_time_window_hours', 24.0)
                 )
                 result["consolidated"] = consolidate_result.get("merged_count", 0)
             
             # 2. 自动关联记忆（发现和建立关系）
-            if self.config.auto_link_enabled:
+            if getattr(self.config, 'auto_link_enabled', True):
                 link_result = await self.auto_link_memories()
                 result["linked"] = link_result.get("linked_count", 0)
             
             # 3. 自动遗忘
-            if self.config.forgetting_enabled:
+            if getattr(self.config, 'forgetting_enabled', True):
                 forgotten_count = await self.auto_forget_memories(
-                    threshold=self.config.forgetting_activation_threshold
+                    threshold=getattr(self.config, 'forgetting_activation_threshold', 0.1)
                 )
                 result["forgotten"] = forgotten_count
             
diff --git a/src/memory_graph/manager_singleton.py b/src/memory_graph/manager_singleton.py
index 55e1c026f..b8422192e 100644
--- a/src/memory_graph/manager_singleton.py
+++ b/src/memory_graph/manager_singleton.py
@@ -21,17 +21,17 @@ _initialized: bool = False
 
 async def initialize_memory_manager(
     data_dir: Optional[Path | str] = None,
-    config = None,
 ) -> Optional[MemoryManager]:
     """
     初始化全局 MemoryManager
     
+    直接从 global_config.memory 读取配置
+    
     Args:
-        data_dir: 数据目录，默认使用 data/memory_graph
-        config: MemoryGraphConfig 或 bot_config 实例
+        data_dir: 数据目录（可选，默认从配置读取）
         
     Returns:
-        MemoryManager 实例
+        MemoryManager 实例，如果禁用则返回 None
     """
     global _memory_manager, _initialized
     
@@ -40,26 +40,10 @@ async def initialize_memory_manager(
         return _memory_manager
     
     try:
-        from src.memory_graph.config import MemoryGraphConfig
-        
-        # 处理配置
-        if config is None:
-            # 尝试从全局配置加载
-            try:
-                from src.config.config import global_config
-                memory_config = MemoryGraphConfig.from_bot_config(global_config)
-                logger.info("从 bot_config 加载 memory_graph 配置")
-            except Exception as e:
-                logger.warning(f"无法从 bot_config 加载配置，使用默认配置: {e}")
-                memory_config = MemoryGraphConfig()
-        elif isinstance(config, MemoryGraphConfig):
-            memory_config = config
-        else:
-            # 假设是 bot_config
-            memory_config = MemoryGraphConfig.from_bot_config(config)
+        from src.config.config import global_config
         
         # 检查是否启用
-        if not memory_config.enable:
+        if not global_config.memory or not getattr(global_config.memory, 'enable', False):
             logger.info("记忆图系统已在配置中禁用")
             _initialized = False
             _memory_manager = None
@@ -67,13 +51,13 @@ async def initialize_memory_manager(
         
         # 处理数据目录
         if data_dir is None:
-            data_dir = memory_config.data_dir
-        elif isinstance(data_dir, str):
+            data_dir = getattr(global_config.memory, 'data_dir', 'data/memory_graph')
+        if isinstance(data_dir, str):
             data_dir = Path(data_dir)
         
         logger.info(f"正在初始化全局 MemoryManager (data_dir={data_dir})...")
         
-        _memory_manager = MemoryManager(config=memory_config, data_dir=data_dir)
+        _memory_manager = MemoryManager(data_dir=data_dir)
         await _memory_manager.initialize()
         
         _initialized = True
diff --git a/src/memory_graph/plugin_tools/memory_plugin_tools.py b/src/memory_graph/plugin_tools/memory_plugin_tools.py
index b3fb4a9e0..da5b5c93f 100644
--- a/src/memory_graph/plugin_tools/memory_plugin_tools.py
+++ b/src/memory_graph/plugin_tools/memory_plugin_tools.py
@@ -19,15 +19,47 @@ class CreateMemoryTool(BaseTool):
     """创建记忆工具"""
 
     name = "create_memory"
-    description = "创建一个新的记忆。记忆由主体、类型、主题、客体（可选）和属性组成。用于记录重要的信息、事件、想法等。"
+    description = """记录对话中有价值的信息，构建长期记忆。
+
+## 应该记录的内容类型：
+
+### 高优先级记录（importance 0.7-1.0）
+- 个人核心信息：姓名、年龄、职业、学历、联系方式
+- 重要关系：家人、亲密朋友、恋人关系
+- 核心目标：人生规划、职业目标、重要决定
+- 关键事件：毕业、入职、搬家、重要成就
+
+### 中等优先级（importance 0.5-0.7）
+- 生活状态：工作内容、学习情况、日常习惯
+- 兴趣偏好：喜欢/不喜欢的事物、消费偏好
+- 观点态度：价值观、对事物的看法
+- 技能知识：掌握的技能、专业领域
+- 一般事件：日常活动、例行任务
+
+### 低优先级（importance 0.3-0.5）
+- 临时状态：今天心情、当前活动
+- 一般评价：对产品/服务的简单评价
+- 琐碎事件：买东西、看电影等常规活动
+
+### ❌ 不应记录
+- 单纯招呼语："你好"、"再见"、"谢谢"
+- 无意义语气词："哦"、"嗯"、"好的"
+- 纯粹回复确认：没有信息量的回应
+
+## 记忆拆分原则
+一句话多个信息点 → 多次调用创建多条记忆
+
+示例："我最近在学Python，想找数据分析的工作"
+→ 调用1：{{subject:"[从历史提取真实名字]", memory_type:"事实", topic:"学习", object:"Python", attributes:{{时间:"最近", 状态:"进行中"}}, importance:0.7}}
+→ 调用2：{{subject:"[从历史提取真实名字]", memory_type:"目标", topic:"求职", object:"数据分析岗位", attributes:{{状态:"计划中"}}, importance:0.8}}"""
     
     parameters: ClassVar[list[tuple[str, ToolParamType, str, bool, list[str] | None]]] = [
-        ("subject", ToolParamType.STRING, "记忆的主体，通常是'我'、'用户'或具体的人名", True, None),
-        ("memory_type", ToolParamType.STRING, "记忆类型", True, ["事件", "事实", "关系", "观点"]),
-        ("topic", ToolParamType.STRING, "记忆的主题，即发生的事情或状态", True, None),
-        ("object", ToolParamType.STRING, "记忆的客体，即主题作用的对象（可选）", False, None),
-        ("attributes", ToolParamType.STRING, "记忆的属性（JSON格式字符串），如 {\"时间\":\"今天\",\"地点\":\"家里\"}", False, None),
-        ("importance", ToolParamType.FLOAT, "记忆的重要性（0.0-1.0），默认0.5", False, None),
+        ("subject", ToolParamType.STRING, "记忆主体（重要！）。从对话历史中提取真实发送人名字。示例：如果看到'Prou(12345678): 我喜欢...'，subject应填'Prou'；如果看到'张三: 我在...'，subject应填'张三'。❌禁止使用'用户'这种泛指，必须用具体名字！", True, None),
+        ("memory_type", ToolParamType.STRING, "记忆类型。【事件】=有明确时间点的动作（昨天吃饭、明天开会）【事实】=稳定状态（职业是程序员、住在北京）【观点】=主观看法（喜欢/讨厌/认为）【关系】=人际关系（朋友、同事）", True, ["事件", "事实", "关系", "观点"]),
+        ("topic", ToolParamType.STRING, "记忆的核心内容（做什么/是什么状态/什么关系）。必须明确、具体，包含关键动词或状态词", True, None),
+        ("object", ToolParamType.STRING, "记忆涉及的对象或目标。如果topic已经很完整可以不填，如果有明确对象建议填写", False, None),
+        ("attributes", ToolParamType.STRING, "详细属性，JSON格式字符串。强烈建议包含：时间（具体到日期）、地点、状态、原因等上下文信息。例：{\"时间\":\"2025-11-06\",\"地点\":\"公司\",\"状态\":\"进行中\",\"原因\":\"项目需要\"}", False, None),
+        ("importance", ToolParamType.FLOAT, "重要性评分 0.0-1.0。参考：日常琐事0.3-0.4，一般对话0.5-0.6，重要信息0.7-0.8，核心记忆0.9-1.0。不确定时用0.5", False, None),
     ]
     
     available_for_llm = True
diff --git a/src/memory_graph/tools/memory_tools.py b/src/memory_graph/tools/memory_tools.py
index 0152c62bd..4d568e4eb 100644
--- a/src/memory_graph/tools/memory_tools.py
+++ b/src/memory_graph/tools/memory_tools.py
@@ -73,83 +73,92 @@ class MemoryTools:
         """
         return {
             "name": "create_memory",
-            "description": """创建一个新的记忆节点。
+            "description": """创建一个新的记忆节点，记录对话中有价值的信息。
 
-⚠️ 记忆创建原则（必须遵守）：
-1. **价值判断**：只创建具有长期价值的关键信息，避免记录日常闲聊、礼貌用语、重复信息
-2. **细粒度原则**：每条记忆只包含一个明确的事实/事件/观点，避免泛化
-3. **原子性**：如果一句话包含多个重要信息点，拆分成多条独立记忆
-4. **具体性**：记录具体的人、事、物、时间、地点，避免模糊描述
+🎯 **核心原则**：主动记录、积极构建、丰富细节
 
-❌ 不应创建记忆的情况：
-- 普通问候、感谢、确认等礼貌性对话
-- 已存在的重复信息
-- 临时性、一次性的琐碎信息
-- 纯粹的功能操作指令（如"帮我查一下"）
-- 缺乏上下文的碎片化信息
+✅ **优先创建记忆的场景**（鼓励记录）：
+1. **个人信息**：姓名、昵称、年龄、职业、身份、所在地、联系方式等
+2. **兴趣爱好**：喜欢/不喜欢的事物、娱乐偏好、运动爱好、饮食口味等
+3. **生活状态**：工作学习状态、生活习惯、作息时间、日常安排等
+4. **经历事件**：正在做的事、完成的任务、参与的活动、遇到的问题等
+5. **观点态度**：对事物的看法、价值观、情绪表达、评价意见等
+6. **计划目标**：未来打算、学习计划、工作目标、待办事项等
+7. **人际关系**：提到的朋友、家人、同事、认识的人等
+8. **技能知识**：掌握的技能、学习的知识、专业领域、使用的工具等
+9. **物品资源**：拥有的物品、使用的设备、喜欢的品牌等
+10. **时间地点**：重要时间节点、常去的地点、活动场所等
 
-✅ 应该创建记忆的情况：
-- 用户的个人信息（姓名、职业、兴趣、联系方式等）
-- 重要事件（项目进展、重大决定、关键行动等）
-- 长期偏好/观点（喜好、价值观、习惯等）
-- 人际关系变化（新朋友、合作关系等）
-- 具体计划/目标（明确的待办事项、长期目标等）
+⚠️ **暂不创建的情况**（仅限以下）：
+- 纯粹的招呼语（单纯的"你好"、"再见"）
+- 完全无意义的语气词（单纯的"哦"、"嗯"）
+- 明确的系统指令（如"切换模式"、"重启"）
 
-📝 拆分示例：
-- ❌ "用户喜欢编程，最近在学Python和机器学习" → 过于泛化
-- ✅ 拆分为3条：
-  1. "用户喜欢编程"（观点）
-  2. "用户正在学习Python"（事件）
-  3. "用户正在学习机器学习"（事件）
+� **记忆拆分建议**：
+- 一句话包含多个信息点 → 拆成多条记忆（更利于后续检索）
+- 例如："我最近在学Python和机器学习，想找工作"
+  → 拆成3条：
+  1. "用户正在学习Python"（事件）
+  2. "用户正在学习机器学习"（事件）
+  3. "用户想找工作"（事件/目标）
 
-记忆结构：主体 + 类型 + 主题 + 客体（可选）+ 属性""",
+📌 **记忆质量建议**：
+- 记录时尽量补充时间（"今天"、"最近"、"昨天"等）
+- 包含具体细节（越具体越好）
+- 主体明确（优先使用"用户"或具体人名，避免"我"）
+
+记忆结构：主体 + 类型 + 主题 + 客体（可选）+ 属性（越详细越好）""",
             "parameters": {
                 "type": "object",
                 "properties": {
                     "subject": {
                         "type": "string",
-                        "description": "记忆的主体，通常是'用户'或具体的人名（避免使用'我'）",
+                        "description": "记忆的主体（谁的信息）：\n- 对话中的用户统一使用'用户'\n- 提到的具体人物使用其名字（如'小明'、'张三'）\n- 避免使用'我'、'他'等代词",
                     },
                     "memory_type": {
                         "type": "string",
                         "enum": ["事件", "事实", "关系", "观点"],
-                        "description": "记忆类型：\n- 事件：时间绑定的具体动作（如'完成项目'、'学习课程'）\n- 事实：稳定的客观状态（如'职业是工程师'、'住在北京'）\n- 关系：人际关系（如'认识了朋友'、'同事关系'）\n- 观点：主观评价/偏好（如'喜欢Python'、'认为AI很重要'）",
+                        "description": "选择最合适的记忆类型：\n\n【事件】时间相关的动作或发生的事（用'正在'、'完成了'、'参加'等动词）\n  例：正在学习Python、完成了项目、参加会议、去旅行\n\n【事实】相对稳定的客观信息（用'是'、'有'、'在'等描述状态）\n  例：职业是工程师、住在北京、有一只猫、会说英语\n\n【观点】主观看法、喜好、态度（用'喜欢'、'认为'、'觉得'等）\n  例：喜欢Python、认为AI很重要、觉得累、讨厌加班\n\n【关系】人与人之间的关系\n  例：认识了朋友、是同事、家人关系",
                     },
                     "topic": {
                         "type": "string",
-                        "description": "记忆的核心主题，必须具体且明确（如'学习PyTorch框架'而非'学习编程'）",
+                        "description": "记忆的核心内容（做什么/是什么/关于什么）：\n- 尽量具体明确（'学习Python编程' 优于 '学习'）\n- 包含关键动词或核心概念\n- 可以包含时间状态（'正在学习'、'已完成'、'计划做'）",
                     },
                     "object": {
                         "type": "string",
-                        "description": "记忆的客体/对象，作为主题的补充说明（如主题是'学习'，客体可以是'PyTorch框架'）",
+                        "description": "可选：记忆涉及的对象或目标：\n- 事件的对象（学习的是什么、购买的是什么）\n- 观点的对象（喜欢的是什么、讨厌的是什么）\n- 可以留空（如果topic已经足够完整）",
                     },
                     "attributes": {
                         "type": "object",
-                        "description": "记忆的具体属性（尽量填写以增加记忆的信息密度）",
+                        "description": "记忆的详细属性（建议尽量填写，越详细越好）：",
                         "properties": {
                             "时间": {
                                 "type": "string",
-                                "description": "具体时间表达式，如'2025-11-05'、'今天下午'、'最近一周'、'3天前'",
+                                "description": "时间信息（强烈建议填写）：\n- 具体日期：'2025-11-05'、'2025年11月'\n- 相对时间：'今天'、'昨天'、'上周'、'最近'、'3天前'\n- 时间段：'今天下午'、'上个月'、'这学期'",
                             },
                             "地点": {
                                 "type": "string", 
-                                "description": "具体地点（如果相关）"
+                                "description": "地点信息（如涉及）：\n- 具体地址、城市名、国家\n- 场所类型：'在家'、'公司'、'学校'、'咖啡店'"
                             },
                             "原因": {
                                 "type": "string", 
-                                "description": "事件发生的原因或动机（如果明确）"
+                                "description": "为什么这样做/这样想（如明确提到）"
                             },
                             "方式": {
                                 "type": "string", 
-                                "description": "完成的方式或途径（如果相关）"
+                                "description": "怎么做的/通过什么方式（如明确提到）"
                             },
                             "结果": {
                                 "type": "string",
-                                "description": "事件的结果或影响（如果已知）"
+                                "description": "结果如何/产生什么影响（如明确提到）"
                             },
                             "状态": {
                                 "type": "string",
-                                "description": "当前状态（如'进行中'、'已完成'、'计划中'）"
+                                "description": "当前进展：'进行中'、'已完成'、'计划中'、'暂停'等"
+                            },
+                            "程度": {
+                                "type": "string",
+                                "description": "程度描述（如'非常'、'比较'、'有点'、'不太'）"
                             },
                         },
                         "additionalProperties": True,
@@ -158,7 +167,7 @@ class MemoryTools:
                         "type": "number",
                         "minimum": 0.0,
                         "maximum": 1.0,
-                        "description": "记忆的重要性评分（0.0-1.0）：\n- 0.3-0.4: 次要信息\n- 0.5-0.6: 一般信息\n- 0.7-0.8: 重要信息（用户明确表达的偏好、重要事件）\n- 0.9-1.0: 关键信息（核心个人信息、重大决定、强烈偏好）\n默认0.5",
+                        "description": "重要性评分（默认0.5，日常对话建议0.5-0.7）：\n\n0.3-0.4: 次要细节（偶然提及的琐事）\n0.5-0.6: 日常信息（一般性的分享、普通爱好）← 推荐默认值\n0.7-0.8: 重要信息（明确的偏好、重要计划、核心爱好）\n0.9-1.0: 关键信息（身份信息、重大决定、强烈情感）\n\n💡 建议：日常对话中大部分记忆使用0.5-0.6，除非用户特别强调",
                     },
                 },
                 "required": ["subject", "memory_type", "topic"],
diff --git a/src/memory_graph/utils/memory_formatter.py b/src/memory_graph/utils/memory_formatter.py
new file mode 100644
index 000000000..b19266af5
--- /dev/null
+++ b/src/memory_graph/utils/memory_formatter.py
@@ -0,0 +1,323 @@
+"""
+记忆格式化工具
+
+用于将记忆图系统的Memory对象转换为适合提示词的自然语言描述
+"""
+
+import logging
+from typing import Optional, List, Dict, Any
+from datetime import datetime
+
+from src.memory_graph.models import Memory, MemoryNode, NodeType, EdgeType, MemoryType
+
+logger = logging.getLogger(__name__)
+
+
+def format_memory_for_prompt(memory: Memory, include_metadata: bool = False) -> str:
+    """
+    将记忆对象格式化为适合提示词的自然语言描述
+    
+    根据记忆的图结构，构建完整的主谓宾描述，包含：
+    - 主语（subject node）
+    - 谓语/动作（topic node）
+    - 宾语/对象（object node，如果存在）
+    - 属性信息（attributes，如时间、地点等）
+    - 关系信息（记忆之间的关系）
+    
+    Args:
+        memory: 记忆对象
+        include_metadata: 是否包含元数据（时间、重要性等）
+        
+    Returns:
+        格式化后的自然语言描述
+    """
+    try:
+        # 1. 获取主体节点（主语）
+        subject_node = memory.get_subject_node()
+        if not subject_node:
+            logger.warning(f"记忆 {memory.id} 缺少主体节点")
+            return "（记忆格式错误：缺少主体）"
+        
+        subject_text = subject_node.content
+        
+        # 2. 查找主题节点（谓语/动作）
+        topic_node = None
+        memory_type_relation = None
+        for edge in memory.edges:
+            if edge.edge_type == EdgeType.MEMORY_TYPE and edge.source_id == memory.subject_id:
+                topic_node = memory.get_node_by_id(edge.target_id)
+                memory_type_relation = edge.relation
+                break
+        
+        if not topic_node:
+            logger.warning(f"记忆 {memory.id} 缺少主题节点")
+            return f"{subject_text}（记忆格式错误：缺少主题）"
+        
+        topic_text = topic_node.content
+        
+        # 3. 查找客体节点（宾语）和核心关系
+        object_node = None
+        core_relation = None
+        for edge in memory.edges:
+            if edge.edge_type == EdgeType.CORE_RELATION and edge.source_id == topic_node.id:
+                object_node = memory.get_node_by_id(edge.target_id)
+                core_relation = edge.relation if edge.relation else ""
+                break
+        
+        # 4. 收集属性节点
+        attributes: Dict[str, str] = {}
+        for edge in memory.edges:
+            if edge.edge_type == EdgeType.ATTRIBUTE:
+                # 查找属性节点和值节点
+                attr_node = memory.get_node_by_id(edge.target_id)
+                if attr_node and attr_node.node_type == NodeType.ATTRIBUTE:
+                    # 查找这个属性的值
+                    for value_edge in memory.edges:
+                        if (value_edge.edge_type == EdgeType.ATTRIBUTE 
+                            and value_edge.source_id == attr_node.id):
+                            value_node = memory.get_node_by_id(value_edge.target_id)
+                            if value_node and value_node.node_type == NodeType.VALUE:
+                                attributes[attr_node.content] = value_node.content
+                                break
+        
+        # 5. 构建自然语言描述
+        parts = []
+        
+        # 主谓宾结构
+        if object_node is not None:
+            # 有完整的主谓宾
+            if core_relation:
+                parts.append(f"{subject_text}{topic_text}{core_relation}{object_node.content}")
+            else:
+                parts.append(f"{subject_text}{topic_text}{object_node.content}")
+        else:
+            # 只有主谓
+            parts.append(f"{subject_text}{topic_text}")
+        
+        # 添加属性信息
+        if attributes:
+            attr_parts = []
+            # 优先显示时间和地点
+            if "时间" in attributes:
+                attr_parts.append(f"于{attributes['时间']}")
+            if "地点" in attributes:
+                attr_parts.append(f"在{attributes['地点']}")
+            # 其他属性
+            for key, value in attributes.items():
+                if key not in ["时间", "地点"]:
+                    attr_parts.append(f"{key}：{value}")
+            
+            if attr_parts:
+                parts.append(f"（{' '.join(attr_parts)}）")
+        
+        description = "".join(parts)
+        
+        # 6. 添加元数据（可选）
+        if include_metadata:
+            metadata_parts = []
+            
+            # 记忆类型
+            if memory.memory_type:
+                metadata_parts.append(f"类型：{memory.memory_type.value}")
+            
+            # 重要性
+            if memory.importance >= 0.8:
+                metadata_parts.append("重要")
+            elif memory.importance >= 0.6:
+                metadata_parts.append("一般")
+            
+            # 时间（如果没有在属性中）
+            if "时间" not in attributes:
+                time_str = _format_relative_time(memory.created_at)
+                if time_str:
+                    metadata_parts.append(time_str)
+            
+            if metadata_parts:
+                description += f" [{', '.join(metadata_parts)}]"
+        
+        return description
+        
+    except Exception as e:
+        logger.error(f"格式化记忆失败: {e}", exc_info=True)
+        return f"（记忆格式化错误: {str(e)[:50]}）"
+
+
+def format_memories_for_prompt(
+    memories: List[Memory],
+    max_count: Optional[int] = None,
+    include_metadata: bool = False,
+    group_by_type: bool = False
+) -> str:
+    """
+    批量格式化多条记忆为提示词文本
+    
+    Args:
+        memories: 记忆列表
+        max_count: 最大记忆数量（可选）
+        include_metadata: 是否包含元数据
+        group_by_type: 是否按类型分组
+        
+    Returns:
+        格式化后的文本，包含标题和列表
+    """
+    if not memories:
+        return ""
+    
+    # 限制数量
+    if max_count:
+        memories = memories[:max_count]
+    
+    # 按类型分组
+    if group_by_type:
+        type_groups: Dict[MemoryType, List[Memory]] = {}
+        for memory in memories:
+            if memory.memory_type not in type_groups:
+                type_groups[memory.memory_type] = []
+            type_groups[memory.memory_type].append(memory)
+        
+        # 构建分组文本
+        parts = ["### 🧠 相关记忆 (Relevant Memories)", ""]
+        
+        type_order = [MemoryType.FACT, MemoryType.EVENT, MemoryType.RELATION, MemoryType.OPINION]
+        for mem_type in type_order:
+            if mem_type in type_groups:
+                parts.append(f"#### {mem_type.value}")
+                for memory in type_groups[mem_type]:
+                    desc = format_memory_for_prompt(memory, include_metadata)
+                    parts.append(f"- {desc}")
+                parts.append("")
+        
+        return "\n".join(parts)
+    
+    else:
+        # 不分组，直接列出
+        parts = ["### 🧠 相关记忆 (Relevant Memories)", ""]
+        
+        for memory in memories:
+            # 获取类型标签
+            type_label = memory.memory_type.value if memory.memory_type else "未知"
+            
+            # 格式化记忆内容
+            desc = format_memory_for_prompt(memory, include_metadata)
+            
+            # 添加类型标签
+            parts.append(f"- **[{type_label}]** {desc}")
+        
+        return "\n".join(parts)
+
+
+def get_memory_type_label(memory_type: str) -> str:
+    """
+    获取记忆类型的中文标签
+    
+    Args:
+        memory_type: 记忆类型（可能是英文或中文）
+        
+    Returns:
+        中文标签
+    """
+    # 映射表
+    type_mapping = {
+        # 英文到中文
+        "event": "事件",
+        "fact": "事实",
+        "relation": "关系",
+        "opinion": "观点",
+        "preference": "偏好",
+        "emotion": "情绪",
+        "knowledge": "知识",
+        "skill": "技能",
+        "goal": "目标",
+        "experience": "经历",
+        "contextual": "情境",
+        # 中文（保持不变）
+        "事件": "事件",
+        "事实": "事实",
+        "关系": "关系",
+        "观点": "观点",
+        "偏好": "偏好",
+        "情绪": "情绪",
+        "知识": "知识",
+        "技能": "技能",
+        "目标": "目标",
+        "经历": "经历",
+        "情境": "情境",
+    }
+    
+    # 转换为小写进行匹配
+    memory_type_lower = memory_type.lower() if memory_type else ""
+    
+    return type_mapping.get(memory_type_lower, "未知")
+
+
+def _format_relative_time(timestamp: datetime) -> Optional[str]:
+    """
+    格式化相对时间（如"2天前"、"刚才"）
+    
+    Args:
+        timestamp: 时间戳
+        
+    Returns:
+        相对时间描述，如果太久远则返回None
+    """
+    try:
+        now = datetime.now()
+        delta = now - timestamp
+        
+        if delta.total_seconds() < 60:
+            return "刚才"
+        elif delta.total_seconds() < 3600:
+            minutes = int(delta.total_seconds() / 60)
+            return f"{minutes}分钟前"
+        elif delta.total_seconds() < 86400:
+            hours = int(delta.total_seconds() / 3600)
+            return f"{hours}小时前"
+        elif delta.days < 7:
+            return f"{delta.days}天前"
+        elif delta.days < 30:
+            weeks = delta.days // 7
+            return f"{weeks}周前"
+        elif delta.days < 365:
+            months = delta.days // 30
+            return f"{months}个月前"
+        else:
+            # 超过一年不显示相对时间
+            return None
+    except Exception:
+        return None
+
+
+def format_memory_summary(memory: Memory) -> str:
+    """
+    生成记忆的简短摘要（用于日志和调试）
+    
+    Args:
+        memory: 记忆对象
+        
+    Returns:
+        简短摘要
+    """
+    try:
+        subject_node = memory.get_subject_node()
+        subject_text = subject_node.content if subject_node else "?"
+        
+        topic_text = "?"
+        for edge in memory.edges:
+            if edge.edge_type == EdgeType.MEMORY_TYPE and edge.source_id == memory.subject_id:
+                topic_node = memory.get_node_by_id(edge.target_id)
+                if topic_node:
+                    topic_text = topic_node.content
+                    break
+        
+        return f"{subject_text} - {memory.memory_type.value if memory.memory_type else '?'}: {topic_text}"
+    except Exception:
+        return f"记忆 {memory.id[:8]}"
+
+
+# 导出主要函数
+__all__ = [
+    'format_memory_for_prompt',
+    'format_memories_for_prompt',
+    'get_memory_type_label',
+    'format_memory_summary',
+]
diff --git a/src/plugin_system/core/tool_use.py b/src/plugin_system/core/tool_use.py
index 0e97fa593..11832ff51 100644
--- a/src/plugin_system/core/tool_use.py
+++ b/src/plugin_system/core/tool_use.py
@@ -18,20 +18,36 @@ logger = get_logger("tool_use")
 def init_tool_executor_prompt():
     """初始化工具执行器的提示词"""
     tool_executor_prompt = """
-你是一个专门执行工具的助手。你的名字是{bot_name}。现在是{time_now}。
-群里正在进行的聊天内容：
+# 工具调用系统
+
+## 📋 你的身份
+- **名字**: {bot_name}
+- **核心人设**: {personality_core}
+- **人格特质**: {personality_side}
+- **当前时间**: {time_now}
+
+## 💬 上下文信息
+
+### 对话历史
 {chat_history}
 
-现在，{sender}发送了内容:{target_message},你想要回复ta。
-请仔细分析聊天内容，考虑以下几点：
-1. 内容中是否包含需要查询信息的问题
-2. 是否有明确的工具使用指令
-3. 之前的工具调用是否提供了有用的信息
-4. 是否需要基于之前的工具结果进行进一步的查询
+### 当前消息
+**{sender}** 说: {target_message}
 
 {tool_history}
 
-If you need to use a tool, please directly call the corresponding tool function. If you do not need to use any tool, simply output "No tool needed".
+## 🔧 工具使用
+
+根据上下文判断是否需要使用工具。每个工具都有详细的description说明其用途和参数，请根据工具定义决定是否调用。
+
+**⚠️ 记忆创建特别提醒：**
+创建记忆时，subject（主体）必须使用对话历史中显示的**真实发送人名字**！
+- ✅ 正确：从"Prou(12345678): ..."中提取"Prou"作为subject
+- ❌ 错误：使用"用户"、"对方"等泛指词
+
+**执行指令：**
+- 需要使用工具 → 直接调用相应的工具函数
+- 不需要工具 → 输出 "No tool needed"
 """
     Prompt(tool_executor_prompt, "tool_executor_prompt")
 
@@ -110,6 +126,10 @@ class ToolExecutor:
 
         # 构建工具调用历史文本
         tool_history = self._format_tool_history()
+        
+        # 获取人设信息
+        personality_core = global_config.personality.personality_core
+        personality_side = global_config.personality.personality_side
 
         # 构建工具调用提示词
         prompt = await global_prompt_manager.format_prompt(
@@ -120,6 +140,8 @@ class ToolExecutor:
             bot_name=bot_name,
             time_now=time_now,
             tool_history=tool_history,
+            personality_core=personality_core,
+            personality_side=personality_side,
         )
 
         logger.debug(f"{self.log_prefix}开始LLM工具调用分析")
diff --git a/template/bot_config_template.toml b/template/bot_config_template.toml
index 400dfd4d8..59b4b2590 100644
--- a/template/bot_config_template.toml
+++ b/template/bot_config_template.toml
@@ -239,9 +239,9 @@ max_context_emojis = 30 # 每次随机传递给LLM的表情包详细描述的最
 # 新一代记忆系统：基于知识图谱 + 语义向量的混合记忆架构
 # 替代旧的 enhanced memory 系统
 
-[memory_graph]
+[memory]
 # === 基础配置 ===
-enable = true # 是否启用记忆图系统
+enable = true # 是否启用记忆系统
 data_dir = "data/memory_graph" # 记忆数据存储目录
 
 # === 向量存储配置 ===