技能介绍

解决的问题

Agent 的记忆文件不是写一次就完事的资产。随着对话轮次累积，agent_md、soul_md、MEMORY.md 这类规则文件会持续膨胀：中间注入区的文件因为 Lost in the Middle 效应，冗余内容越多，真正需要遵守的规则反而越难被模型注意到；首因区膨胀则稀释整个 system prompt 的注意力。更糟的是，当文件超过平台阈值时，WorkBuddy 侧会出现 ... (user memory truncated) 标记，被截断的规则对 Agent 直接不可见，且用户往往毫不知情。

好记性要处理的就是这件事：给记忆文件做系统性的 Token 治理，而不是简单地删掉几条旧规则。

核心能力

四轴分类审计：逐条按作用范围、复用频率、交叉引用、位置敏感度打标，再按决策矩阵决定迁移、精简、替换为交叉引用还是删除。
量化锚定：用 中文字数 × 0.6 粗算 Token（依据 DeepSeek V4 官方数据），按平台差异化阈值判断是否超标——比如 ima 侧 agent_md 关注线为 4000 字，WB 侧 MEMORY.md 为 5000 字。
分层治理：区分长期记忆层与归档层，遵循「先萃取再记忆」原则——能抽象成规则的写技能，只保留上下文的才留 Memory。
写入前置压缩：实体抽取 → 去重合并 → 模式甄别 → 清理 NOT 声明残留，避免垃圾继续写入。
自律维护：每 10 次对话或超阈值时触发审计，WB 侧检测截断标记后立即处理。

执行流程

审计遵循固定顺序：收益预估 → 截断检测 → 精简优先（删除）→ 分类 → 迁移（最后且仅当前置条件满足）。精简阶段做反事实测试——逐条删除后验证任务性能是否变化，目标压缩率 ≥ 40%。迁移有硬约束：ima 侧要求 soul_md ≤ 3000 字且单次迁移不超过 3 条，不满足则通过检索工具补偿，不强行迁移。

注意点

反幻觉场景不压缩：法律、医疗、金融场景的规则冲突时反幻觉优先，直接跳过。
ima 侧写入陷阱多：memory_write 的「增加」可能实际是追加而非覆盖；删除与增加必须分两次调用；写入后必须用 memory_recall 验证，不可只信返回的 success。
Token 粗算有误差：不同模型 tokenizer 存在差异，中文字数才是跨模型的绝对基准。
职责边界：好记性只管 Token 治理，防记忆中毒（写入前校验危险内容）由底层写入工具承担；每月全量审计建议配合 Automation 调度。

配套的 scripts/check.sh 可做机械检查：字数统计、Token 估算、超标检测与优化前后对比。