Agent Skills
返回列表
7M 七层记忆系统

7M 七层记忆系统

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 @user_85f1862d/seven-memory。

技能介绍

解决什么问题

长会话里最容易失控的，是上下文膨胀和大工具输出。原始 read、test、build 结果可能迅速占满窗口，直接触发高成本压缩；同时用户偏好、任务状态和子代理结果又容易丢失。7M 把记忆处理拆成多层，让低成本动作优先挡住高成本动作。

如何工作

系统按七层触发：

  • L1 工具结果存储：大输出落盘并保留预览，减少上下文占用。
  • L2 微压缩：空闲或旧结果时清理缓存，不调用 LLM。
  • L3 会话记忆：多轮任务中增量记录状态。
  • L4 全量压缩：上下文溢出且缺少会话记忆时做 LLM 总结。
  • L5 自动记忆抽取：从反馈、偏好和模式中提取长期记忆。
  • L6 Dream：空闲后台整理与巩固。
  • L7 跨代理通信：子代理或多代理场景下共享记忆状态。

适用边界

它更像记忆与上下文管理策略，而不是完整 Agent 框架。Full Compact 依赖模型总结，Cross-Agent 会带来协调开销；若任务短、输出小，收益有限。适合多轮编程、长任务、子代理协作，以及需要保护 prompt cache 的场景。

使用场景

  • 多轮代码调试中上下文接近溢出，需要保留任务状态并避免立即触发 LLM 全量压缩。
  • 大文件读取或构建日志占用过多窗口，需要把结果落盘并保留预览。
  • 子代理执行任务后，需要把共享记忆与任务状态传给后续代理，减少重复读取。
  • 会话空闲后，需要后台整理偏好和长期记忆，保持后续调用更稳定。

适合人员

  • 负责长链路 Agent 调试的工程师，需要控制上下文膨胀和压缩成本。
  • 使用 OpenCode 做多轮编程的开发者，需要保留任务状态和用户偏好。
  • 搭建多代理工作流的平台工程师，需要跨代理共享记忆并降低协调重复。
  • 维护 prompt cache 敏感应用的工程师，需要让压缩策略考虑缓存影响。