（由于原始内容过长且包含大量不需要翻译的代码块和命令，以下仅提供翻译后的Markdown头部和关键描述，保留原始代码块）
跨平台 Agent 长期记忆系统 — 分层上下文供给 + Skill经验记忆 + 温度模型 + 自动归档。
⚡ 核心原则：分层加载，按需供给
绝对不要全量加载记忆！ 先读索引，再按需钻取。这是省 token 的关键。
记忆使用流程（每次需要记忆时）
1. index → 读取精简索引（总览，<500 tokens）
- 判断 → 根据当前任务决定需要哪部分记忆
- context → 按 tag/skill/时间 加载具体上下文
- 行动 → 基于加载的上下文执行任务
Skill 经验记忆流程（工具调用后）
工具调用成功/踩坑 → remember "经验总结" --skill
下次调用该工具前 → skill-mem 加载经验
CLI Reference
CLI=~/.openclaw/skills/smart-agent-memory/scripts/memory-cli.js# ★ 分层上下文（核心，优先使用）
node $CLI index # 精简记忆索引（先读这个！）
node $CLI context --tag # 按标签加载上下文
node $CLI context --skill # 按 Skill 加载经验+相关事实
node $CLI context --days 7 # 最近 N 天的记忆
node $CLI context --entity-type person # 按实体类型加载
# ★ Skill 经验记忆
node $CLI remember "该API时间参数必须用ISO格式" --skill api-tool
node $CLI skill-mem # 读取某 Skill 的经验
node $CLI skill-list # 列出所有有经验记忆的 Skill
# 基础记忆操作
node $CLI remember [--tags t1,t2] [--skill name] [--source conversation]
node $CLI recall [--limit 10]
node $CLI forget
node $CLI facts [--tags t1] [--limit 50]
# 教训与实体
node $CLI learn --action "..." --context "..." --outcome positive --insight "..."
node $CLI lessons [--context topic]
node $CLI entity "Alex" person --attr role=CTO
node $CLI entities [--type person]
# ★ 会话生命周期（模拟 mem9 自动钩子）
node $CLI session-start # 对话开场：加载记忆概览+最近上下文（一个命令搞定）
node $CLI session-end "本次讨论了XX，决定了YY" # 对话结束：存会话摘要
# 维护
node $CLI gc [--days 30] # 归档冷数据
node $CLI reflect # 夜间反思
node $CLI stats # 记忆健康
node $CLI search # 全文搜索 .md（优先qmd，兜底内置）
# qmd 是可选的高级搜索（BM25+向量），不可用时自动降级到纯JS搜索
node $CLI temperature # 温度报告
node $CLI extract --skill-name x # 提炼 Skill
Agent 行为规范
🔄 记忆召回（已自动）
*所有 agent 通过 memory_search（OpenClaw 内置 mandatory recall）自动搜索 memory/.md。
双层存储确保每次写入都同步生成 Markdown，所以 memory_search / qmd 天然能搜到所有结构化数据。
无需额外操作，无需 workspace 配置，跨 agent 通用。
需要深入某方向时，用 CLI 钻取：
node $CLI context --tag # 按标签
node $CLI context --skill # 按 Skill 经验
node $CLI context --days 7 # 按时间
📝 记忆写入（有内容就写）
node $CLI remember "关键信息" --tags tag1,tag2 # 事实
node $CLI learn --action "..." --context "..." --outcome positive --insight "..." # 教训
node $CLI session-end "本次讨论了XX，决定了YY" # 会话摘要
⚠️ 不要攒到最后！ 有内容就写，中途断了也不丢。
每晚 cron 兜底检查，确保不遗漏。
✅ MUST DO
- 每次需要历史信息时：先
index，看概览，再决定加载哪部分
- 工具调用踩坑后：
remember "经验" --skill 沉淀经验
- 调用不熟悉的工具前：
skill-mem 检查有没有历史经验
- 记录新信息时：打好 tags，方便后续按需检索
- 搜索记忆时*：
search 命令优先走 qmd（语义搜索），qmd 不可用时自动降级为内置 TF 搜索
❌ NEVER DO
- 不要一次性
facts --limit 999 全量加载
- 不要在每轮对话都加载全部记忆
- 不要忽略
index 直接 recall（除非你确切知道要搜什么）
- 不要把记忆操作全堆到对话结束时
Storage Layout
~/.openclaw/workspace/memory/
├── YYYY-MM-DD.md ← 每日日志
├── skills/ ← ★ Skill 经验记忆（新增）
│ ├── api-tool.md
│ └── deploy.md
├── lessons/ ← 教训 Markdown
├── decisions/ ← 决策 Markdown
├── people/ ← 人物档案
├── reflections/ ← 反思记录
├── .data/ ← JSON 结构化数据
├── .archive/ ← 归档冷数据
└── .index.json ← 温度索引 + 统计
Recommended Cron Jobs
安装后建议通过 OpenClaw cron 工具添加以下定时任务：
每晚反思（推荐）
{
"name": "memory-reflect",
"schedule": { "kind": "cron", "expr": "45 23 ", "tz": "Asia/Shanghai" },
"payload": {
"kind": "agentTurn",
"message": "运行记忆反思：node ~/.openclaw/skills/smart-agent-memory/scripts/memory-cli.js reflect，然后总结今天的记忆变化。"
},
"sessionTarget": "isolated",
"delivery": { "mode": "none" }
}
每周日 GC 归档（推荐）
{
"name": "memory-gc",
"schedule": { "kind": "cron", "expr": "0 2 0", "tz": "Asia/Shanghai" },
"payload": {
"kind": "agentTurn",
"message": "运行记忆GC：node ~/.openclaw/skills/smart-agent-memory/scripts/memory-cli.js gc --days 30，报告归档了多少条记忆。"
},
"sessionTarget": "isolated",
"delivery": { "mode": "none" }
}
每日会话摘要检查（可选，弥补遗忘）
{
"name": "memory-session-check",
"schedule": { "kind": "cron", "expr": "0 22 *", "tz": "Asia/Shanghai" },
"payload": {
"kind": "agentTurn",
"message": "检查今天的记忆情况：运行 node ~/.openclaw/skills/smart-agent-memory/scripts/memory-cli.js stats，如果今天有对话但 facts 没增长，回顾今天的对话并用 session-end 补存摘要。"
},
"sessionTarget": "isolated",
"delivery": { "mode": "none" }
}
Agent 可用 cron 工具的 add action 直接添加以上任务，JSON 作为 job 参数传入。
中文优化 (memory-cn 集成)
本技能已集成 memory-cn 的核心功能，专门优化中文记忆的搜索和管理。
FTS5 中文分词问题
SQLite FTS5 的 unicode61 分词器会把连续的中文字符当作一个 token，导致搜索命中率下降。
解决方案： 在中文关键词之间添加空格，强制正确分词。
中文优化命令
# 诊断记忆系统（检测 FTS5 中文分词问题）
node $CLI diagnose# 批量优化 tags（自动在中文字符之间添加空格）
node $CLI optimize-tags
# 压缩大日志文件（默认 5KB）
node $CLI compress [--max-kb 5]
# 生成优化的搜索配置（用于 gateway config.patch）
node $CLI optimize-search
# 生成优化的 memoryFlush prompt（用于 gateway config.patch）
node $CLI optimize-flush
关键技术参数
针对 0.6B 等小模型的优化参数：
- vectorWeight 0.75：向量搜索主导（FTS5 中文不可靠）
- minScore 0.15：小模型分数普遍偏低
- chunking 250 tokens：更小的 chunk 帮助弱模型匹配
by