技能介绍

要解决什么问题

长对话 Agent 往往把「记住用户偏好、复用成功做法」交给外部向量库或 prompt 片段，会话一关就丢上下文，同类任务还要重新试错。EvoMind 把记忆当成可编程模块：不是文档，是代码——MemoryCore 用本地 SQLite 把事实、技能与会话态分层存放，并支持跨层检索与定期整理。

五层架构如何协作

| 层 | 职责 |
|---|------|
| L1 | 关键事实持久化，remember() / recall_l1()，单条体积与总量受控（≤20KB 触发归档） |
| L2 | 成功方案固化为可加载技能：skill_save()、skill_load()、skill_find() |
| L3 | 会话级临时数据，带 TTL 的 cache_set() / cache_get() |
| L4 | 每日策展 curate()，日志 curator_log()，含冗余技能检测（Jaccard ≥ 0.6） |
| L5 | FTS5 全文索引，统一 recall() 与 stats() 跨 L1/L2/L5 召回 |

典型闭环是：执行 → 结果写入 L2/L1 → 下次 skill_load() 或 recall() 拉回 → L4 合并重复、归档溢出条目。依赖仅 Python 标准库与内置 sqlite3，适合嵌入自有 Agent 运行时而非替代整套 RAG 平台。

适用边界

L1 有容量与自动归档策略，不适合把整库文档原样塞进 L1。
策展与去重是启发式（Jaccard 阈值），不能替代人工审核关键技能。
架构在 Hermes Agent 等生产环境验证过，但你的部署仍需自行定义「什么算事实、什么算技能」的写入策略与权限隔离。

截图预览

使用场景

自研 Python Agent 在用户关闭会话后再次打开时，需用 `recall_l1()` 拉回上次写入 L1 的偏好与约束，而不是重问一遍。
一次故障或代码审查流程跑通后，Agent 用 `skill_save()` 把步骤固化到 L2，下次同类任务先 `skill_find()` 再 `skill_load()`。
多轮工具调用中间态只需保留到本轮结束，用 L3 的 `cache_set()` 设 TTL，避免把临时结果写进长期事实层。
维护已积累 dozens 条 L2 技能时，定期执行 `curate()`，依据 Jaccard≥0.6 发现重复方案并查看 `curator_log()` 再人工合并。