返回顶部
m

memory-harness记忆管理框架

Runtime-enforced memory harness for OpenClaw. Implements 3-stage recall (session preflight, triggered recall, pre-execution gate) with intent classification, entity detection, memory compression, and status tracking. This harness runs automatically at the right times - NOT relying on SKILL.md text alone.

作者: admin | 来源: ClawHub
源自
ClawHub
版本
V 1.0.0
安全检测
已通过
211
下载量
免费
免费
0
收藏
概述
安装方式
版本历史

memory-harness

记忆驾驭工具

一个可靠的记忆驾驭工具,能让字节漫游者在恰当的时机进行回忆,而无需在每一轮对话中都执行繁重的回忆操作。

架构

用户输入
-> 意图分类
-> 会话预检(如果是新会话)
-> 条件性定向回忆
-> 规划
-> 执行前回忆门控(如果是执行类操作)
-> 执行或响应
-> 可选的回写

三阶段驾驭工具

第一阶段:会话预检

仅在新会话开始时运行。

获取内容:

  • - 活跃项目
  • 固定事实
  • 未解决事项
  • 近期重要实体
  • 近期会话摘要

不获取内容:

  • - 完整原始历史
  • 大量原始记忆转储
  • 低价值旧笔记

输出:紧凑的会话摘要(硬性上限)

第二阶段:触发式回忆

仅在需要时执行定向的字节漫游回忆。

触发条件:

  • - 接续词:続き、前回、再開、引き継ぎ、continue、resume、previous work
  • 已知实体/项目名称:ClawHub、OpenClaw、Agent-OS、BOSS-memory-loop等
  • 任务需要用户特定/项目特定的上下文
  • 实施/修改/设计/规划请求
  • 可能依赖先前上下文的模糊任务

跳过条件:

  • - 通用事实问答
  • 小型独立问题
  • 随意简短交流
  • 无需先前上下文即可明确回答的问题

回忆模式:

  • - 预检查询:仅会话开始时
  • 实体查询:检测到命名实体时
  • 接续查询:用于延续上一会话
  • 约束查询:建议依赖先前规则时
  • 执行前查询:执行前立即执行

第三阶段:执行前回忆门控

以下情况必须执行:

  • - 文件编辑
  • 代码生成
  • 架构提案
  • 配置变更
  • 依赖先前项目状态的规划
  • 任何有意义的变更建议

检查内容:

  • - 先前约束
  • 未解决问题
  • 冲突的过往决策
  • 项目特定约定
  • 安全敏感上下文

记忆塑形

绝不直接注入原始的字节漫游结果。

处理流程:

  1. 1. 检索
  2. 排序
  3. 去重
  4. 压缩
  5. 注入有界摘要

硬性限制:

  • - 最大记忆条目数:5
  • 最大摘要行数:8
  • 优先选择近期 + 高价值 + 已标记条目

状态追踪

每次回忆记录以下状态之一:

  • - 不需要
  • 已查询无结果
  • 已查询低置信度
  • 已查询成功
  • 查询失败

脚本

intent-classifier.js

将对话轮次意图分类为:

  • - 通用问答
  • 随意交流
  • 接续
  • 实体引用
  • 用户特定上下文
  • 实施请求
  • 设计请求
  • 执行请求

entity-detector.js

检测用户输入中的已知实体:

  • - 扫描已知实体/项目名称
  • 将别名映射为标准名称
  • 返回匹配的实体用于回忆路由

session-preflight.sh

在会话开始时执行轻量级回忆:

  • - 获取固定事实、活跃项目、未解决事项
  • 创建紧凑的会话摘要
  • 硬性长度上限

targeted-recall.sh

基于意图执行定向回忆:

  • - 接收意图、实体、会话状态
  • 选择合适的回忆模式
  • 返回压缩摘要

pre-execution-gate.sh

在执行类操作前运行:

  • - 检查约束、冲突、安全问题
  • 返回通过/不通过及相关上下文

memory-compress.js

压缩并去重原始记忆:

  • - 按相关性和时效性排序
  • 去重重复条目
  • 硬性限制输出大小

writeback.sh

将高价值信息写回记忆:

  • - 仅针对重要决策/结果
  • 跳过琐碎聊天和低价值文本

配置

json
{
memory_policy: {
preflightonsession_start: true,
preflight_depth: light,
preexecutionrecall: true,
maxmemoryitems: 5,
maxdigestlines: 8,
triggerqueryif: [
mentionsknownproject,
askstocontinuepreviouswork,
requiresuserspecific_context,
requestscodedesignorchange,
containsknownentity
],
skipqueryif: [
generic_qa,
casual_chat,
selfcontainedquestion
]
}
}

日志记录

结构化日志用于可观测性:

  • - 轮次ID
  • 会话ID
  • 意图
  • 回忆触发条件
  • 回忆模式
  • 回忆状态
  • 回忆条目数
  • 注入条目数
  • 执行前门控
  • 耗时(毫秒)

已知实体

默认实体列表(可扩展):

  • - ClawHub
  • OpenClaw
  • Agent-OS
  • BOSS-memory-loop
  • ByteRover
  • MISO
  • Obsidian
  • Telegram

接续触发词

日语:続き、前回、再開、引き継ぎ、前の、さっきの
英语:continue、resume、previous、earlier、last time、back to

成功标准

  • - 当对话轮次依赖上下文时,能可靠进行回忆
  • 通用对话轮次保持轻量
  • 执行操作始终获得约束检查
  • 行为可通过日志检查
  • 不单独依赖SKILL.md文本

标签

skill ai

通过对话安装

该技能支持在以下平台通过对话安装:

OpenClaw WorkBuddy QClaw Kimi Claude

方式一:安装 SkillHub 和技能

帮我安装 SkillHub 和 memory-harness-1776380822 技能

方式二:设置 SkillHub 为优先技能安装源

设置 SkillHub 为我的优先技能安装源,然后帮我安装 memory-harness-1776380822 技能

通过命令行安装

skillhub install memory-harness-1776380822

下载

⬇ 下载 memory-harness v1.0.0(免费)

文件大小: 12.04 KB | 发布时间: 2026-4-17 15:22

v1.0.0 最新 2026-4-17 15:22
Initial release of memory-harness: a runtime-enforced, staged recall system for OpenClaw.

- Implements 3-stage recall: session preflight, triggered recall, and pre-execution recall gate.
- Includes intent classification, entity detection, memory compression, and status tracking.
- Recall is automatically triggered based on user intent and entity references, keeping chat lightweight unless contextual memory is needed.
- Enforces recall before all execution-like actions to ensure constraints and context are respected.
- Outputs are always compressed, ranked, and deduplicated, with hard caps on memory injected.
- Provides structured logs for monitoring recall behavior and outcomes.

Archiver·手机版·闲社网·闲社论坛·羊毛社区· 多链控股集团有限公司 · 苏ICP备2025199260号-1

Powered by Discuz! X5.0   © 2024-2025 闲社网·线报更新论坛·羊毛分享社区·http://xianshe.com

p2p_official_large
返回顶部