Agent Skills
返回列表
记忆系统框架

记忆系统框架

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 @user_f076293a/memory-framework。

技能介绍

解决的问题

在 AI 助手和 Agent 系统的长期交互中，上下文信息容易丢失，导致模型无法从历史对话中学习，重复犯错或决策不一致。记忆系统框架针对这一问题，提供了一种结构化的记忆管理方案，确保信息持久化、高效检索和持续优化。

核心能力与工作原理

该框架基于 OpenClaw 改良，核心特性包括：

  • 三层记忆分层：L1、L2、L3 分别管理不同粒度的记忆，例如 SESSION-STATE.md 用于短期会话状态，brain/plan.md 用于长期目标，brain/me/identity.md 存储身份信息。
  • WAL Protocol：即 Write-Ahead Logging，决策前先记录日志，保证数据一致性和可追溯性。
  • Working Buffer：上下文缓冲机制，当上下文使用率达 60% 时，自动调整并参考 working-buffer.md，避免信息溢出。
  • learnings 系统：通过 learnings/errors.json 记录错误，支持复盘和学习，减少重复失误。
  • 每日复盘：在 brain/tasks/daily/ 目录下进行每日总结，持续优化记忆和决策流程。

快速开始涉及编辑配置文件：在 brain/me/identity.md 中定义身份，brain/plan.md 中设置目标，以及 brain/tasks/active.md 管理当前任务。

适用场景与注意事项

  • 适用场景：个人 AI 助手、团队协作的知识管理系统，适合需要长期记忆、错误学习和任务跟踪的环境。
  • 注意事项：框架依赖用户手动编辑配置文件，不适合完全自动化的系统；记忆分层需合理设置以避免冗余；定期复盘是关键，否则学习效果有限；不适用于需要实时高并发记忆的场景。

使用场景

  • 在个人 AI 助手进行项目开发时，通过 L1/L2/L3 三层记忆分层管理代码库、任务进度和决策历史，确保长期对话中上下文一致。
  • 团队协作中，使用 WAL Protocol 在做出重大决定前先记录到 SESSION-STATE.md，避免信息丢失和决策冲突。
  • 知识管理员定期复盘 learnings/errors.json 中的错误记录，优化 AI 助手的学习模型，提升任务准确性。
  • 每日工作结束时，在 brain/tasks/daily/ 目录下进行复盘，更新任务列表和记忆状态，为第二天做准备。

适合人员

  • 开发者：使用 AI 辅助编码和项目管理，需要长期记忆来跟踪代码变更、任务依赖并避免重复错误。
  • 团队经理：协调多人项目，希望通过结构化记忆和 WAL Protocol 确保团队决策记录一致且可追溯。
  • 知识专员：负责维护团队知识库，需要错误复盘系统来改进文档并优化流程，减少信息冗余。
  • 个人用户：管理日常任务和笔记，依赖三层记忆分层避免信息遗漏，提升个人 AI 助手的连续性。