智能分层记忆持久化管家

OpenClaw官方会话记忆管理技能，通过分层存储策略（RAM/日志/长期记忆）确保关键知识在会话压缩时不丢失，提升AI助手上下文精准度与持久性。

基本信息

• 技能名称?openclaw-mem
• 中文名称?智能分层记忆持久化管家
• 作者?WeAreAllSatoshiN
• 分类?AI 增强
• 版本?v2.1.0
• 标签?productivity, development-engineering, automation, docs, backend

使用方法

使用说明
核心用法
openclaw-mem 是 OpenClaw 生态的会话记忆策展系统，采用 三层记忆架构 解决大模型上下文窗口的固有限制。其核心机制在于：会话期间产生的关键决策、用户偏好和持久事实，会在会话压缩前自动触发"预压缩刷新"（Pre-Compaction Flush），将易失性 RAM 内容转存至磁盘。
具体使用流程：用户通过自然语言指令（如"将此存为持久决策"）触发记忆写入；系统自动区分内容类型——当日工作日志写入 memory/YYYY-MM-DD.md ，长期知识写入 MEMORY.md ；检索时优先调用 memory_search 定位，再通过 memory_get 精确获取，最大限度减少上下文占用。
显著优点
架构设计严谨 ：明确区分 Session Memory（临时）、Daily Logs（工作记录）、Long-Term Memory（知识库）三层，避免记忆污染和检索噪音。
自动化保护机制 ：利用 OpenClaw 的静默提醒钩子，在会话压缩前自动执行"存档点"操作，用户无感知即可防止知识丢失。
检索效率优化 ：强制要求先搜索后获取、限制返回结果数量（~6条）、注入最小必要文本，显著降低 token 消耗。
隐私内置设计 ：原生支持 > 标签过滤，明确禁止存储密钥凭证，仅记录敏感信息的存在性而非值本身。
潜在缺点与局限性
平台依赖性 ：必须开启实验性配置 sessionMemory: true ，且仅适用于 OpenClaw 生态，无法迁移至其他 AI 助手平台。
人工策展成本 ：需要用户主动判断"什么值得长期保存"，错误分类（如将临时实验写入 MEMORY.md）会导致知识库膨胀。
检索上限约束 ：单次搜索仅返回约6条结果，复杂项目的历史依赖可能需要多次查询才能完整重建。
无自动清理机制 ：默认永不删除，长期运行后日志文件可能累积，需手动归档到 memory/archive// 。
适合的目标群体
长期项目开发者 ：需要 AI 助手跨会话记住架构决策、代码规范的软件工程师
知识工作者 ：依赖 AI 进行深度研究、需要维持数周/数月上下文的研究人员、作家
OpenClaw 重度用户 ：已构建复杂工作流、对上下文精准度有极高要求的专业用户
隐私敏感型组织 ：需要明确数据边界、禁止敏感信息泄露的企业团队
使用风险
配置失效风险 ：若未正确开启 sessionMemory 实验开关，整个记忆系统将退化为普通对话，导致知识丢失。
版本兼容性 ：作为实验性功能，未来 OpenClaw 更新可能改变压缩机制或存储格式，需关注版本迁移指南。
过度依赖磁盘 ：频繁磁盘 I/O 在极端高频场景下可能影响响应延迟，建议对非关键信息保持"写入日志即可"的克制态度。
人为分类错误 ：用户可能误将推测存为事实、将临时配置存为持久策略，需定期审计 MEMORY.md 内容质量。