{"id":"474a60d7-1e27-4241-ba5b-efa8228b3268","shortId":"PZLtMB","kind":"skill","title":"ai-native-memory-system","tagline":"AI Native 产品方法论——记忆系统设计的实操 Skill。\n用户提供产品场景，Skill 自动执行记忆系统设计流程：\n记忆需求分析 → 记忆分类设计 → 权限与时效策略 → 存储与索引 → 人工修正与再沉淀 → 输出记忆系统方案。\n基于《AI Native 产品方法论》第13章。","description":"# AI Native 记忆系统设计 Skill\n\n## 触发条件\n\n当产品需要让 AI 记住用户偏好、历史交互和过往案例，或用户反馈\"AI 每次都忘记之前说过什么\"时，触发此 Skill。\n\n## 使用场景\n\n- 产品需要让 AI 记住用户偏好、历史交互和过往案例\n- 需要设计短期记忆、长期记忆和案例记忆的存储策略\n- 需要避免记忆系统从\"能力复利\"变成\"错误复利\"\n\n## 执行步骤\n\n1. **记忆需求分析**：分析场景中的痛点，识别需要哪些类型的记忆（用户/任务/案例）及其优先级。\n2. **记忆类型选择**：为短期记忆、用户记忆和案例记忆分别设计存储策略、生命周期和检索方式。\n3. **权限与时效策略**：定义不同记忆类型的可见范围、保留周期和清理策略。\n4. **存储与索引设计**：设计存储架构（Redis/SQL/向量DB），定义索引方式和检索条件。\n5. **人工修正与再沉淀流程**：设计人工修正的提交、审核和入库流程，确保高质量经验被沉淀。\n6. **记忆质量评估机制**：设计重复询问率、案例采纳率和修正样本质量等评估指标。\n7. **输出记忆系统方案**：整合分类架构、权限策略、存储设计和质量评估。\n\n## 核心概念\n\n- **记忆系统（Memory）**：系统对用户、任务、案例和过程状态的持续性保留机制\n- **短期记忆**：围绕当前任务或近期会话保留的临时状态\n- **长期记忆**：可跨会话、跨任务复用的稳定背景、偏好、案例或经验\n- **案例记忆**：对成功样本、失败样本和人工修正的结构化沉淀\n\n## 记忆系统的三类价值\n\n- **帮助实验更贴近真实场景**：实验可以使用历史任务数据\n- **帮助系统构建更稳定**：流程状态、案例库和用户上下文可以被复用\n- **帮助生产运行形成复利**：系统随着使用积累越来越多的有效材料\n\n## 记忆系统流程\n\n```\n真实事件\n  → 记忆分类\n    → 权限与时效判断\n      → 存储与索引\n        → 后续任务检索使用\n          → 人工修正与再沉淀\n```\n\n如果没有分类、权限和时效判断，记忆系统很容易从\"能力复利\"变成\"错误复利\"。\n\n## 记忆的三种类型\n\n### 1. 用户记忆\n\n- 用户偏好、历史选择、长期背景\n- 例如：客服偏好某种解释风格、用户常见问题类型\n\n### 2. 任务记忆\n\n- 当前流程状态、中间结论、执行历史\n- 例如：当前会话中已提供的订单号、投诉点、已做过的解释\n\n### 3. 案例记忆\n\n- 过去成功案例、失败案例、人工修正与经验模板\n- 例如：\"这类物流异常最后是如何解释并安抚用户的\"\n\n三类记忆的保存方式、更新方式和使用方式都不一样。把它们混成一种\"通用记忆\"，最后往往会让系统既难解释，又难治理。\n\n## 记忆系统与数据循环\n\n```\nUsage\n  → Data\n    → 记忆系统\n      → Better Capability\n        → Better Product\n```\n\n记忆系统的本质不是\"存储更多\"，而是\"把使用转化为可再次使用的经验\"。\n\n## 记忆系统在三个阶段的角色\n\n### 试验展开阶段\n\n- 使用历史任务数据做实验\n- 沉淀失败样本作为评估输入\n\n### 系统构建阶段\n\n- 流程状态、案例库和用户上下文被复用\n- 记忆系统成为连接实验、工程和生产的公共底座\n\n### 生产运行阶段\n\n- 系统随着使用积累越来越多有效材料\n- 形成数据循环和能力复利\n\n## 什么记忆值得保留，什么不该保留\n\n### 值得保留\n\n- 高质量的人工修正结果\n- 反复出现的成功模式\n- 用户明确表达的偏好\n- 经过验证的业务规则和案例\n\n### 不该保留\n\n- 未经验证的模型输出\n- 含有敏感信息的原始对话\n- 已经过时的业务规则\n- 明显错误的案例（除非作为反例特意保留）\n\n## 记忆系统设计原则\n\n1. **分类存储**：用户记忆、任务记忆、案例记忆分开存储\n2. **权限控制**：不同角色只能访问其权限范围内的记忆\n3. **时效管理**：记忆有有效期，过期资料自动降级或清理\n4. **人工审核**：重要记忆的沉淀应该经过人工确认\n5. **可解释性**：系统能说清楚\"为什么使用这条记忆\"\n\n## 输出物：记忆系统方案\n\n1. **记忆分类架构**：用户记忆 / 任务记忆 / 案例记忆的分类和存储策略\n2. **权限与时效策略**：谁能访问什么记忆、记忆保留多久\n3. **存储与索引方案**：如何存储、如何索引、如何检索\n4. **人工修正流程**：如何收集人工修正、如何审核、如何沉淀\n5. **记忆质量评估**：如何判断记忆是否在提升产品能力\n\n## 使用方式\n\n当用户提供产品场景时，自动执行：\n\n1. 分析场景需要哪些类型的记忆\n2. 设计记忆分类架构\n3. 制定权限与时效策略\n4. 设计存储与索引方案\n5. 设计人工修正与再沉淀流程\n6. 设计记忆质量评估机制\n7. 输出记忆系统方案\n\n## 示例\n\n### 示例：AI 客服记忆系统设计\n\n**场景描述**：\nAI 客服系统需要记住用户偏好、会话历史、成功案例，并支持多轮对话上下文。\n\n**用户输入**：\n\"我们的 AI 客服经常忘记用户之前说过什么，每次都要重复问订单号，体验很差\"\n\n**Skill 执行流程**：\n\n1. **记忆需求分析**\n\n| 痛点 | 需要的记忆类型 | 优先级 |\n|------|---------------|--------|\n| 重复询问订单号 | 任务记忆（当前会话上下文） | P0 |\n| 不了解用户历史 | 用户记忆（长期偏好、常见问题） | P1 |\n| 同样的错误重复犯 | 案例记忆（失败案例+修正） | P1 |\n| 无法连续对话 | 短期记忆（多轮状态） | P0 |\n\n2. **记忆分类设计**\n\n```yaml\n记忆分类架构:\n  \n  短期记忆（Session-level）:\n    - 当前会话的订单号、问题类型\n    - 已提供的解释、用户的反馈\n    - 生命周期: 会话结束后保留24小时\n    - 存储: Redis\n    \n  用户记忆（User-level）:\n    - 用户偏好: 解释详细程度、沟通风格\n    - 历史问题模式: 常见咨询类型\n    - 生命周期: 永久保留，可更新\n    - 存储: SQL + 向量数据库\n    \n  案例记忆（Case-level）:\n    - 成功案例: 有效的解释话术和解决方案\n    - 失败案例: 被投诉/升级的对话及原因\n    - 人工修正: 客服主管的改写样本\n    - 生命周期: 通过审核后永久保留\n    - 存储: 向量数据库（可检索）\n```\n\n3. **权限与时效策略**\n\n| 记忆类型 | 可见范围 | 保留周期 | 清理策略 |\n|----------|----------|----------|----------|\n| 短期记忆 | 当前会话 | 24小时 | 自动过期清除 |\n| 用户偏好 | 该用户所有会话 | 永久 | 用户可删除 |\n| 案例记忆 | 全局可检索 | 永久 | 人工审核后删除 |\n| 原始对话 | 审计人员 | 30天 | 自动匿名化 |\n\n4. **存储与索引方案**\n\n```yaml\n存储架构:\n  \n  会话状态（Redis）:\n    key: \"session:{session_id}\"\n    value: \n      order_id: \"12345\"\n      issue_type: \"物流延迟\"\n      explained: [\"预计送达时间\", \"延迟原因\"]\n      user_feedback: \"不满意\"\n    ttl: 86400\n  \n  用户画像（PostgreSQL）:\n    user_id: \"U123\"\n    preferences:\n      detail_level: \"简洁\"\n      preferred_style: \"直接\"\n    common_issues: [\"物流咨询\", \"退换货\"]\n    updated_at: \"2024-01-15\"\n  \n  案例库（向量DB）:\n    - 成功案例向量化存储\n    - 支持语义相似度检索\n    - 关联: 问题类型 + 解决方案 + 满意度评分\n```\n\n5. **人工修正与再沉淀流程**\n\n```\n客服人员修改AI回复\n  → 标记修正原因（不准确/不完整/风格不合适）\n    → 提交审核（主管审批）\n      → 通过后进入案例库\n        → 定期用作模型微调样本\n```\n\n**输出结果**：\n\n```yaml\n# 记忆系统方案：AI 客服\n\n记忆分类:\n  类型1_短期记忆:\n    用途: 维持当前会话的连贯性\n    内容: [订单号, 问题类型, 已解释内容, 用户情绪状态]\n    存储: Redis Cluster\n    TTL: 24h\n    \n  类型2_用户记忆:\n    用途: 个性化服务\n    内容: [沟通偏好, 常见需求, 历史满意度]\n    存储: PostgreSQL\n    更新: 每次会话后自动更新\n    \n  类型3_案例记忆:\n    用途: 经验复用\n    内容: [问题向量, 解决方案, 满意度, 标签]\n    存储: Pinecone + S3\n    入库: 人工审核后\n    检索: 相似度 > 0.85\n\n权限矩阵:\n  客服专员: 查看当前会话记忆\n  客服主管: 查看所有记忆 + 修正案例\n  系统: 全局检索案例记忆\n  用户: 查看/删除自己的偏好记忆\n\n质量评估:\n  指标1: 重复询问率 < 5%\n  指标2: 案例采纳率 > 60%\n  指标3: 修正样本质量评分 > 4.0/5.0\n\n风险防控:\n  - 敏感信息（手机号/地址）不进入记忆\n  - 用户可随时删除自己的偏好数据\n  - 案例库定期人工审核，移除过时样本\n```","tags":["native","memory","system","product","agent","skills","gmaxxxie","agent-skills","ai-agent","ai-native","ai-product","methodology"],"capabilities":["skill","source-gmaxxxie","skill-ai-native-memory-system","topic-agent-skills","topic-ai-agent","topic-ai-native","topic-ai-product","topic-methodology","topic-product-management","topic-product-methodology","topic-product-thinking","topic-skills"],"categories":["ai-native-product-agent-skills"],"synonyms":[],"warnings":[],"endpointUrl":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/ai-native-memory-system","protocol":"skill","transport":"skills-sh","auth":{"type":"none","details":{"cli":"npx skills add gmaxxxie/ai-native-product-agent-skills","source_repo":"https://github.com/gmaxxxie/ai-native-product-agent-skills","install_from":"skills.sh"}},"qualityScore":"0.478","qualityRationale":"deterministic score 0.48 from registry signals: · indexed on github topic:agent-skills · 56 github stars · SKILL.md body (4,241 chars)","verified":false,"liveness":"unknown","lastLivenessCheck":null,"agentReviews":{"count":0,"score_avg":null,"cost_usd_avg":null,"success_rate":null,"latency_p50_ms":null,"narrative_summary":null,"summary_updated_at":null},"enrichmentModel":"deterministic:skill-github:v1","enrichmentVersion":1,"enrichedAt":"2026-05-18T18:57:24.392Z","embedding":null,"createdAt":"2026-05-01T01:02:50.105Z","updatedAt":"2026-05-18T18:57:24.392Z","lastSeenAt":"2026-05-18T18:57:24.392Z","tsv":"'-01':409 '-15':410 '/5.0':500 '0.85':478 '1':52,127,195,216,241,273 '12345':378 '2':60,135,200,221,243,296 '2024':408 '24h':449 '24小时':351 '3':65,144,203,225,245,343 '30天':363 '4':69,207,230,247,365 '4.0':499 '5':75,210,235,249,419,493 '6':80,251 '60':496 '7':84,253 '86400':389 'ai':2,6,21,25,31,35,42,257,260,267,433 'ai-native-memory-system':1 'better':161,163 'capabl':162 'case':329 'case-level':328 'cluster':447 'common':402 'data':159 'detail':396 'explain':382 'feedback':386 'id':374,377,393 'issu':379,403 'key':371 'level':303,315,330,397 'memori':4,91 'nativ':3,7,22,26 'order':376 'p0':281,295 'p1':286,291 'pinecon':472 'postgresql':391,459 'prefer':395,399 'product':164 'redi':311,370,446 'redis/sql':72 's3':473 'session':302,372,373 'session-level':301 'skill':10,12,28,39,271 'skill-ai-native-memory-system' 'source-gmaxxxie' 'sql':325 'style':400 'system':5 'topic-agent-skills' 'topic-ai-agent' 'topic-ai-native' 'topic-ai-product' 'topic-methodology' 'topic-product-management' 'topic-product-methodology' 'topic-product-thinking' 'topic-skills' 'ttl':388,448 'type':380 'u123':394 'updat':406 'usag':158 'user':314,385,392 'user-level':313 'valu':375 'yaml':298,367,431 '三类记忆的保存方式':151 '不了解用户历史':282 '不准确':423 '不同角色只能访问其权限范围内的记忆':202 '不完整':424 '不满意':387 '不该保留':188 '不进入记忆':505 '个性化服务':453 '中间结论':138 '为什么使用这条记忆':213 '为短期记忆':62 '主管审批':427 '产品方法论':8,23 '产品需要让':41 '人工修正':336 '人工修正与再沉淀':18,119 '人工修正与再沉淀流程':76,420 '人工修正与经验模板':148 '人工修正流程':231 '人工审核':208 '人工审核后':475 '人工审核后删除':360 '什么不该保留':182 '什么记忆值得保留':181 '任务':57,93 '任务记忆':136,198,219,279 '优先级':277 '会话历史':262 '会话状态':369 '会话结束后保留24小时':309 '体验很差':270 '使用历史任务数据做实验':171 '使用场景':40 '使用方式':238 '例如':132,140,149 '保留周期':347 '保留周期和清理策略':68 '修正':290 '修正样本质量评分':498 '修正案例':484 '值得保留':183 '偏好':100 '入库':474 '全局可检索':358 '全局检索案例记忆':486 '关联':415 '内容':440,454,466 '分析场景中的痛点':54 '分析场景需要哪些类型的记忆':242 '分类存储':196 '删除自己的偏好记忆':489 '制定权限与时效策略':246 '升级的对话及原因':335 '历史交互和过往案例':33,44 '历史满意度':457 '历史选择':130 '历史问题模式':319 '原始对话':361 '又难治理':156 '及其优先级':59 '反复出现的成功模式':185 '变成':49,124 '可更新':323 '可检索':342 '可见范围':346 '可解释性':211 '可跨会话':98 '同样的错误重复犯':287 '后续任务检索使用':118 '向量db':73,412 '向量数据库':326,341 '含有敏感信息的原始对话':190 '围绕当前任务或近期会话保留的临时状态':96 '地址':504 '场景描述':259 '基于':20 '多轮状态':294 '失败样本和人工修正的结构化沉淀':104 '失败案例':147,289,333 '如何判断记忆是否在提升产品能力':237 '如何存储':227 '如何审核':233 '如何收集人工修正':232 '如何检索':229 '如何沉淀':234 '如何索引':228 '如果没有分类':120 '存储':310,324,340,445,458,471 '存储与索引':17,117 '存储与索引方案':226,366 '存储与索引设计':70 '存储更多':166 '存储架构':368 '存储设计和质量评估':88 '定义不同记忆类型的可见范围':67 '定义索引方式和检索条件':74 '定期用作模型微调样本':429 '实验可以使用历史任务数据':107 '审核和入库流程':78 '审计人员':362 '客服':434 '客服专员':480 '客服主管':482 '客服主管的改写样本':337 '客服人员修改ai回复':421 '客服偏好某种解释风格':133 '客服系统需要记住用户偏好':261 '客服经常忘记用户之前说过什么':268 '客服记忆系统设计':258 '对成功样本':103 '工程和生产的公共底座':177 '已做过的解释':143 '已提供的解释':306 '已经过时的业务规则':191 '已解释内容':443 '帮助实验更贴近真实场景':106 '帮助生产运行形成复利':111 '帮助系统构建更稳定':108 '常见咨询类型':320 '常见问题':285 '常见需求':456 '并支持多轮对话上下文':264 '延迟原因':384 '当产品需要让':30 '当前会话':350 '当前会话上下文':280 '当前会话中已提供的订单号':141 '当前会话的订单号':304 '当前流程状态':137 '当用户提供产品场景时':239 '形成数据循环和能力复利':180 '成功案例':263,331 '成功案例向量化存储':413 '我们的':266 '或用户反馈':34 '手机号':503 '执行历史':139 '执行步骤':51 '执行流程':272 '把使用转化为可再次使用的经验':168 '把它们混成一种':153 '投诉点':142 '指标1':491 '指标2':494 '指标3':497 '提交审核':426 '支持语义相似度检索':414 '敏感信息':502 '整合分类架构':86 '无法连续对话':292 '时':37 '时效管理':204 '明显错误的案例':192 '更新':460 '更新方式和使用方式都不一样':152 '最后往往会让系统既难解释':155 '有效的解释话术和解决方案':332 '未经验证的模型输出':189 '权限与时效判断':116 '权限与时效策略':16,66,222,344 '权限和时效判断':121 '权限控制':201 '权限矩阵':479 '权限策略':87 '查看':488 '查看当前会话记忆':481 '查看所有记忆':483 '标签':470 '标记修正原因':422 '核心概念':89 '案例':58 '案例和过程状态的持续性保留机制':94 '案例库':411 '案例库和用户上下文可以被复用':110 '案例库和用户上下文被复用':175 '案例库定期人工审核':507 '案例或经验':101 '案例记忆':102,145,288,327,357,463 '案例记忆分开存储':199 '案例记忆的分类和存储策略':220 '案例采纳率':495 '案例采纳率和修正样本质量等评估指标':83 '检索':476 '每次会话后自动更新':461 '每次都忘记之前说过什么':36 '每次都要重复问订单号':269 '永久':355,359 '永久保留':322 '沉淀失败样本作为评估输入':172 '沟通偏好':455 '沟通风格':318 '流程状态':109,174 '清理策略':348 '满意度':469 '满意度评分':418 '物流咨询':404 '物流延迟':381 '生产运行阶段':178 '生命周期':308,321,338 '生命周期和检索方式':64 '用户':56,487 '用户偏好':129,316,353 '用户可删除':356 '用户可随时删除自己的偏好数据':506 '用户常见问题类型':134 '用户情绪状态':444 '用户提供产品场景':11 '用户明确表达的偏好':186 '用户画像':390 '用户的反馈':307 '用户记忆':128,197,218,283,312,451 '用户记忆和案例记忆分别设计存储策略':63 '用户输入':265 '用途':438,452,464 '痛点':275 '直接':401 '相似度':477 '真实事件':114 '短期记忆':95,293,300,349,437 '确保高质量经验被沉淀':79 '示例':255,256 '移除过时样本':508 '第13章':24 '简洁':398 '类型1':436 '类型2':450 '类型3':462 '系统':485 '系统对用户':92 '系统构建阶段':173 '系统能说清楚':212 '系统随着使用积累越来越多有效材料':179 '系统随着使用积累越来越多的有效材料':112 '经过验证的业务规则和案例':187 '经验复用':465 '维持当前会话的连贯性':439 '而是':167 '能力复利':48,123 '自动匿名化':364 '自动执行':240 '自动执行记忆系统设计流程':13 '自动过期清除':352 '被投诉':334 '解决方案':417,468 '解释详细程度':317 '触发条件':29 '触发此':38 '订单号':441 '记住用户偏好':32,43 '记忆保留多久':224 '记忆分类':115,435 '记忆分类架构':217,299 '记忆分类设计':15,297 '记忆有有效期':205 '记忆的三种类型':126 '记忆类型':345 '记忆类型选择':61 '记忆系统':90,160 '记忆系统与数据循环':157 '记忆系统在三个阶段的角色':169 '记忆系统很容易从':122 '记忆系统成为连接实验':176 '记忆系统方案':215,432 '记忆系统流程':113 '记忆系统的三类价值':105 '记忆系统的本质不是':165 '记忆系统设计':27 '记忆系统设计原则':194 '记忆系统设计的实操':9 '记忆质量评估':236 '记忆质量评估机制':81 '记忆需求分析':14,53,274 '设计人工修正与再沉淀流程':250 '设计人工修正的提交':77 '设计存储与索引方案':248 '设计存储架构':71 '设计记忆分类架构':244 '设计记忆质量评估机制':252 '设计重复询问率':82 '识别需要哪些类型的记忆':55 '试验展开阶段':170 '该用户所有会话':354 '谁能访问什么记忆':223 '质量评估':490 '跨任务复用的稳定背景':99 '输出物':214 '输出结果':430 '输出记忆系统方案':19,85,254 '过去成功案例':146 '过期资料自动降级或清理':206 '这类物流异常最后是如何解释并安抚用户的':150 '退换货':405 '通用记忆':154 '通过后进入案例库':428 '通过审核后永久保留':339 '重复询问率':492 '重复询问订单号':278 '重要记忆的沉淀应该经过人工确认':209 '错误复利':50,125 '长期偏好':284 '长期背景':131 '长期记忆':97 '长期记忆和案例记忆的存储策略':46 '问题向量':467 '问题类型':305,416,442 '除非作为反例特意保留':193 '需要的记忆类型':276 '需要设计短期记忆':45 '需要避免记忆系统从':47 '预计送达时间':383 '风格不合适':425 '风险防控':501 '高质量的人工修正结果':184","prices":[{"id":"d883f840-ef53-4acd-a4a5-654e64be7de7","listingId":"474a60d7-1e27-4241-ba5b-efa8228b3268","amountUsd":"0","unit":"free","nativeCurrency":null,"nativeAmount":null,"chain":null,"payTo":null,"paymentMethod":"skill-free","isPrimary":true,"details":{"org":"gmaxxxie","category":"ai-native-product-agent-skills","install_from":"skills.sh"},"createdAt":"2026-05-01T01:02:50.105Z"}],"sources":[{"listingId":"474a60d7-1e27-4241-ba5b-efa8228b3268","source":"github","sourceId":"gmaxxxie/ai-native-product-agent-skills/ai-native-memory-system","sourceUrl":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/ai-native-memory-system","isPrimary":false,"firstSeenAt":"2026-05-01T01:02:50.105Z","lastSeenAt":"2026-05-18T18:57:24.392Z"}],"details":{"listingId":"474a60d7-1e27-4241-ba5b-efa8228b3268","quickStartSnippet":null,"exampleRequest":null,"exampleResponse":null,"schema":null,"openapiUrl":null,"agentsTxtUrl":null,"citations":[],"useCases":[],"bestFor":[],"notFor":[],"kindDetails":{"org":"gmaxxxie","slug":"ai-native-memory-system","github":{"repo":"gmaxxxie/ai-native-product-agent-skills","stars":56,"topics":["agent-skills","ai-agent","ai-native","ai-product","methodology","product-management","product-methodology","product-thinking","skills"],"license":null,"html_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills","pushed_at":"2026-05-06T07:19:36Z","description":"AI Native Product Methodology — 80 executable skills across P0-P14 stages, covering needs discovery to aesthetic authority. From 8 books.","skill_md_sha":"804eeccd9eb261f9ac07dfea82abdb20d9ab22b5","skill_md_path":"skills/ai-native-memory-system/SKILL.md","default_branch":"main","skill_tree_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/ai-native-memory-system"},"layout":"multi","source":"github","category":"ai-native-product-agent-skills","frontmatter":{"name":"ai-native-memory-system","description":"AI Native 产品方法论——记忆系统设计的实操 Skill。\n用户提供产品场景，Skill 自动执行记忆系统设计流程：\n记忆需求分析 → 记忆分类设计 → 权限与时效策略 → 存储与索引 → 人工修正与再沉淀 → 输出记忆系统方案。\n基于《AI Native 产品方法论》第13章。"},"skills_sh_url":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/ai-native-memory-system"},"updatedAt":"2026-05-18T18:57:24.392Z"}}