AI 记忆的持久复利引擎

专为 AI Agent 打造的持久化记忆系统，支持跨会话存储决策、偏好与上下文，通过混合搜索(BM25+向量+图谱)实现知识复利增长。

基本信息

• 技能名称?Penfield
• 中文名称?AI 记忆的持久复利引擎
• 作者?dial481
• 分类?专业技能
• 版本?2.0.0
• 标签?memory-management, knowledge-graph, mcp, agent-infra, cross-session, openclaw, persistent-storage, hybrid-search

使用方法

使用说明
核心用法
Penfield 是 OpenClaw 生态的记忆基础设施，提供 20+ 工具覆盖记忆全生命周期：
记忆存储与召回 — penfield_store / penfield_recall / penfield_search 构成核心闭环，支持 BM25+向量+知识图谱的混合检索，可动态调整权重适配不同查询场景（精确匹配/概念模糊搜索/关联知识探索）。
知识图谱构建 — penfield_connect 支持 24 种关系类型（知识演化、证据链、因果依赖、层级结构等），将孤立记忆转化为可遍历的理解网络。
会话连续性 — penfield_save_context / penfield_restore_context 实现 Agent 间的状态交接，配合 penfield_reflect 进行记忆模式分析。
多平台兼容 — 原生 OpenClaw 插件速度最优（4-5x），同时提供 MCP Server、Claude Connectors、HTTP API 等接入方式，数据全平台同步。
显著优点
混合搜索策略灵活 ：三组权重预设覆盖 90% 查询场景，避免向量检索的"语义漂移"或关键词匹配的"同义词失效"
关系语义丰富 ：24 种边类型远超常规标签系统，能表达"supersedes(取代)"、"prerequisite_for(前置依赖)"等复杂认知关系
记忆质量指引完善 ：文档详述了从"Bad"到"Good"的记忆撰写规范，强调上下文前缀、因果解释、具体引用等可检索性要素
跨生态开放性 ：不绑定 OpenClaw，MCP 协议确保与 Cursor、Windsurf、Gemini CLI 等工具互通
隐私设计克制 ：明确列出"NOT to Store"清单，强调用户 consent 和选择性存储
潜在局限
学习曲线陡峭 ：24 种关系类型、11 种记忆类型、5 级重要性评分需要使用者具备知识工程思维，否则易陷入"建图谱负担"
冷启动问题 ：初期记忆稀疏时，图谱遍历价值有限；需要持续投入才能体现"复利效应"
无自动记忆提炼 ：依赖 Agent 主动调用存储工具，缺乏对话摘要自动提取机制
同步延迟风险 ：非原生插件走 MCP 代理层，高频写入场景可能存在性能瓶颈
生态依赖 ：OpenClaw 专属工具集（如 penfield_awaken ）在其他平台可能行为不一致
适合人群
长期陪伴型 Agent 开发者 ：需要用户画像持续累积的场景（个人助手、顾问型 Bot）
复杂项目协作者 ：多会话、多 Agent 参与的研发任务（故障调查、架构设计）
知识管理研究者 ：希望实践 Second Brain / Zettelkasten 方法论的 AI 应用设计者
常规风险
记忆幻觉累积 ：错误信息若被高权重存储并连接，可能通过图谱扩散放大
隐私边界模糊 ： personality_trait 等类型涉及用户深层特征，需严格遵循文档中的 consent 原则
检索偏见 ：混合搜索权重配置不当可能导致"确认偏误"——系统持续召回相似观点而抑制异见