前言¶
长期跟同一个 AI 助手协作时，常见问题是上下文窗口一换就「失忆」：昨天的决策理由找不到，同类错误反复犯，团队里各人用的助手彼此也对不齐事实。单靠对话历史或零散 Markdown 笔记，很难区分「当前任务缓冲」「近期结论」和「长期偏好」。
下面介绍 SkillHub 上的社区 Skill「记忆系统框架」（@user_f076293a/memory-framework，版本 1.0.0）。它在 OpenClaw 思路基础上做了通用化，用分层记忆、决策记录和复盘机制，把个人助手或小组协作里的记忆写成可复用模板，而不是每次从零口述背景。
这是什么¶
「记忆系统框架」是发布者 user_f076293a 在 SkillHub 分类 ai-agent 下提供的社区 Skill（来源：community）。SkillHub 页面标注 requires_api_key=false，不依赖额外 API Key。
一句话定位：基于 OpenClaw 改良的通用记忆系统框架，提供开箱即用模板，面向个人 AI 助手与团队协作场景。
官方入口：
- API 坐标页：https://api.skillhub.cn/user_f076293a/memory-framework
- SkillHub 展示页：https://www.skillhub.cn/skills/user_f076293a/memory-framework
截至资料抓取时，SkillHub 显示评分 100000、下载 10585 次、安装 146 次（以页面实时数据为准）。
核心功能¶
以下能力均来自官方简介，安装后由 Skill 内的 SKILL.md 及配套模板具体展开。
L1 / L2 / L3 分层记忆¶
将信息按层级存放，便于区分短期工作上下文、中期会话或项目态、以及需要长期保留的偏好与事实。分层结构减轻「把所有东西塞进一个文件」带来的检索噪音。
WAL Protocol 决策记录¶
用 WAL（Write-Ahead Log）式思路记录关键决策：先落盘再执行，方便事后追溯「当时为什么这样选」，也利于多轮对话里 Agent 对齐既有决定。
Working Buffer 上下文缓冲¶
为当前任务维护工作缓冲区，把正在进行的线索与中间结论与长期层分离，减少长对话里重要细节被挤掉的风险。
learnings 错误复盘¶
提供 learnings 机制，把踩坑与纠正沉淀为可检索条目，避免同类错误在后续任务中重复出现。
每日复盘机制¶
支持按日做复盘，把当天结论、待办与教训写入记忆体系，适合需要连续多日跟进的个人助手或小组节奏。
安装与启用¶
SkillHub 官方推荐：先阅读安装说明文档，再安装指定坐标。
文档地址：https://skillhub.cn/install/skillhub.md
安装提示（页面原文）：请根据上述文档，安装 @user_f076293a/memory-framework。
1、检查或安装 SkillHub CLI¶
若本机还没有 skillhub，可先检查版本；未安装时按官方脚本安装（完整安装含 CLI 与默认 Skill，或仅 CLI）：
command -v skillhub && skillhub --version
# 完整安装（CLI + 默认 Skill，推荐）
curl -fsSL https://skillhub-1388575217.cos.ap-guangzhou.myqcloud.com/install/install.sh | bash
# 仅安装 CLI
curl -fsSL https://skillhub-1388575217.cos.ap-guangzhou.myqcloud.com/install/install.sh | bash -s -- --cli-only
2、安装到当前 Agent 的 skills 目录¶
安装时必须用 --dir 指向当前客户端识别的 skills 目录；官方说明默认装到 ./skills/ 时，部分 Agent 不会加载，且可能仍需重启客户端。
skillhub install @user_f076293a/memory-framework --dir <skills 目录>
常用路径（摘自 SkillHub 安装文档，按你实际使用的客户端选择）：
| 客户端 | skills 目录 |
|---|---|
| Cursor | ~/.cursor/skills/ |
| Claude Code | ~/.claude/skills/ |
| Codex | ~/.codex/skills/ 或项目下的 .agents/skills/ |
OpenClaw 及其变体（NanoBot、PicoClaw、workbuddy 等）一般也有各自的 skills 目录，与 OpenClaw 生态一致；具体以你当前 Agent 文档为准。
3、启用方式¶
将 Skill 安装到对应目录后，在支持 Skills 的 Agent 中启用该 Skill（或在新会话中让 Agent 按 SkillHub 页面提示完成安装流程）。无需配置 API Key（requires_api_key=false）。
Cursor、Claude Code、Codex 的差异主要体现在 --dir 目标路径与是否需要重启 IDE/CLI；安装命令本身均为 skillhub install 加坐标与 --dir。
典型用法¶
官方页面未单独给出逐步业务案例，可复现路径如下。
1、按上一节完成 skillhub install @user_f076293a/memory-framework --dir <你的 skills 目录>。
2、在新任务中显式启用「记忆系统框架」，或让 Agent 读取已安装目录下的 SKILL.md。
3、按 Skill 内模板初始化分层记忆结构：用 L1 承载当前任务 Working Buffer，用 L2/L3 沉淀跨会话信息与长期 learnings。
4、在做出重要分支选择前，按 WAL Protocol 把决策要点写入决策记录，再执行具体操作。
5、任务结束或当日收工时，走每日复盘与 learnings 流程，把错误与纠正写入复盘体系。
经过上面的步骤，记忆不再只依赖单次对话窗口，而是落在 Skill 约定的目录与协议里，便于下次会话继续引用。
适用场景与注意¶
适合谁
- 需要长期同一套个人 AI 助手，并希望决策与偏好可追溯的开发者。
- 小团队协作时，希望助手侧记忆结构一致、减少「每人一套口头规范」的场景。
- 已使用或计划使用 OpenClaw 系 skills 目录的 Agent 用户。
限制与注意
- 社区来源（community），版本当前为 1.0.0；升级与变更以 SkillHub 页面为准。
- 框架提供的是结构与模板，具体文件布局、命名与触发时机以安装包内
SKILL.md为准，本文不臆造配置字段。 - 安装目录错误会导致 Skill 不被加载；务必使用
--dir指向当前 Agent 官方 skills 路径。 - 分层记忆需要持续写入与复盘才有价值；若从不执行 WAL、learnings 或每日复盘，效果会接近普通笔记。
结尾¶
「记忆系统框架」把分层记忆、决策 WAL、工作缓冲、错误 learnings 和每日复盘捆成一套可安装的 Agent Skill，适合想把助手「记性」从聊天里抽出来、落到文件与协议上的用法。需要安装或查看说明时，以 SkillHub 官方页为准：https://www.skillhub.cn/skills/user_f076293a/memory-framework
