Agent Skills
返回列表
长期记忆系统

长期记忆系统

AI Agent 更新于 2026.08.30

将以下提示词粘贴到你的 AI 对话框中:

请根据 https://skillhub.cn/install/skillhub.md,安装 @zcwl/elite-longterm-memory 到当前 AI 助手中。

技能介绍

要解决什么问题

AI Agent 在长对话中面临上下文压缩和重启导致的记忆丢失问题。传统单层存储无法兼顾速度与持久性:要么把所有内容塞进上下文窗口,要么写入简单文本文件却缺乏语义检索能力。当 Agent 在对话中途崩溃、被压缩或派生子代理时,已完成的决策、用户偏好和失败教训往往丢失,导致重复犯错或上下文断裂。

核心架构与工作方式

本技能采用六层记忆模型:HOT RAM(SESSION-STATE.md 热内存)保存当前任务、关键上下文、待办动作和近期决策四个区块;WARM STORE 基于向量数据库做语义检索,通过 memory_recall 召回相关记忆、memory_store 写入新记忆;COLD STORE 用 Git notes 存储决策与教训,跨会话稳定可追溯;CURATED ARCHIVE 将每日日志定期合并到小于 5KB 的 MEMORY.md;CLOUD BACKUP 通过外部服务跨设备同步;AUTO-EXTRACTION 自动从对话中提取偏好与决策,去重后相比原始历史减少约 80% token 消耗。

关键设计是 WAL 协议:在响应用户之前先把偏好、决策、截止日期、纠正写入 SESSION-STATE.md,而不是之后。这样即使中途崩溃或压缩,上下文也不会丢失。检索质量控制通过 minScore: 0.3、maxResults: 10、minImportance: 0.7 三个参数调节。

适用边界与注意点

需要 LLM 支持语义检索,无 API Key 时只能退化为纯文件记忆。向量数据库占用磁盘空间,云端同步依赖外部服务可用性。记忆质量依赖严格的写入纪律——如果绕过 WAL 协议先响应后写入,持久性保证即刻失效。该方案不适用于需要 100% 确定性的关键决策场景,也不适合无 LLM 环境的纯规则系统。子代理默认不继承父代理记忆,需要在任务提示中显式传递上下文。

使用场景

  • 用户在对话中给出截止日期或纠正 Agent 时,Agent 需要在响应前写入 SESSION-STATE.md,防止中途崩溃丢失上下文。
  • Agent 会话开始时需要读取 SESSION-STATE.md、召回相关记忆并检查当日日志,快速恢复既有任务状态。
  • 对话结束后需要更新 SESSION-STATE.md、把重要事项迁移到 MEMORY.md 并创建当日日志,为下一次会话建立可用的长期记录。
  • 向量库里累积无关向量导致召回变慢时,运行 memory_recall 批量检查并清除旧向量,完成每周记忆清理。

适合人员

  • 构建长对话 Agent 的开发者,希望跨会话保留用户偏好、决策和教训,避免重复提问和重复犯错。
  • 维护多轮任务 Agent 的工程师,需要在上下文压缩或重启后仍能恢复到中断前的工作状态。
  • 管理 Agent 记忆结构的技术人员,希望用向量检索和策展归档组织长期记忆,控制上下文窗口占用。
  • 需要用记忆日志复盘 Agent 行为的团队,希望从 MEMORY.md 和每日日志中追踪决策历史与失败教训。