前言¶
長期跟同一個 AI 助手協作時，常見問題是上下文窗口一換就「失憶」：昨天的決策理由找不到，同類錯誤反覆犯，團隊裏各人用的助手彼此也對不齊事實。單靠對話歷史或零散 Markdown 筆記，很難區分「當前任務緩衝」「近期結論」和「長期偏好」。
下面介紹 SkillHub 上的社區 Skill「記憶系統框架」（@user_f076293a/memory-framework，版本 1.0.0）。它在 OpenClaw 思路基礎上做了通用化，用分層記憶、決策記錄和復盤機制，把個人助手或小組協作裏的記憶寫成可複用模板，而不是每次從零口述背景。
這是什麼¶
「記憶系統框架」是發佈者 user_f076293a 在 SkillHub 分類 ai-agent 下提供的社區 Skill（來源：community）。SkillHub 頁面標註 requires_api_key=false，不依賴額外 API Key。
一句話定位：基於 OpenClaw 改良的通用記憶系統框架，提供開箱即用模板，面向個人 AI 助手與團隊協作場景。
官方入口：
- API 座標頁：https://api.skillhub.cn/user_f076293a/memory-framework
- SkillHub 展示頁：https://www.skillhub.cn/skills/user_f076293a/memory-framework
截至資料抓取時，SkillHub 顯示評分 100000、下載 10585 次、安裝 146 次（以頁面實時數據爲準）。
核心功能¶
以下能力均來自官方簡介，安裝後由 Skill 內的 SKILL.md 及配套模板具體展開。
L1 / L2 / L3 分層記憶¶
將信息按層級存放，便於區分短期工作上下文、中期會話或項目態、以及需要長期保留的偏好與事實。分層結構減輕「把所有東西塞進一個文件」帶來的檢索噪音。
WAL Protocol 決策記錄¶
用 WAL（Write-Ahead Log）式思路記錄關鍵決策：先落盤再執行，方便事後追溯「當時爲什麼這樣選」，也利於多輪對話裏 Agent 對齊既有決定。
Working Buffer 上下文緩衝¶
爲當前任務維護工作緩衝區，把正在進行的線索與中間結論與長期層分離，減少長對話裏重要細節被擠掉的風險。
learnings 錯誤復盤¶
提供 learnings 機制，把踩坑與糾正沉澱爲可檢索條目，避免同類錯誤在後續任務中重複出現。
每日復盤機制¶
支持按日做復盤，把當天結論、待辦與教訓寫入記憶體系，適合需要連續多日跟進的個人助手或小組節奏。
安裝與啓用¶
SkillHub 官方推薦：先閱讀安裝說明文檔，再安裝指定座標。
文檔地址：https://skillhub.cn/install/skillhub.md
安裝提示（頁面原文）：請根據上述文檔，安裝 @user_f076293a/memory-framework。
1、檢查或安裝 SkillHub CLI¶
若本機還沒有 skillhub，可先檢查版本；未安裝時按官方腳本安裝（完整安裝含 CLI 與默認 Skill，或僅 CLI）：
command -v skillhub && skillhub --version
# 完整安裝（CLI + 默認 Skill，推薦）
curl -fsSL https://skillhub-1388575217.cos.ap-guangzhou.myqcloud.com/install/install.sh | bash
# 僅安裝 CLI
curl -fsSL https://skillhub-1388575217.cos.ap-guangzhou.myqcloud.com/install/install.sh | bash -s -- --cli-only
2、安裝到當前 Agent 的 skills 目錄¶
安裝時必須用 --dir 指向當前客戶端識別的 skills 目錄；官方說明默認裝到 ./skills/ 時，部分 Agent 不會加載，且可能仍需重啓客戶端。
skillhub install @user_f076293a/memory-framework --dir <skills 目錄>
常用路徑（摘自 SkillHub 安裝文檔，按你實際使用的客戶端選擇）：
| 客戶端 | skills 目錄 |
|---|---|
| Cursor | ~/.cursor/skills/ |
| Claude Code | ~/.claude/skills/ |
| Codex | ~/.codex/skills/ 或項目下的 .agents/skills/ |
OpenClaw 及其變體（NanoBot、PicoClaw、workbuddy 等）一般也有各自的 skills 目錄，與 OpenClaw 生態一致；具體以你當前 Agent 文檔爲準。
3、啓用方式¶
將 Skill 安裝到對應目錄後，在支持 Skills 的 Agent 中啓用該 Skill（或在新會話中讓 Agent 按 SkillHub 頁面提示完成安裝流程）。無需配置 API Key（requires_api_key=false）。
Cursor、Claude Code、Codex 的差異主要體現在 --dir 目標路徑與是否需要重啓 IDE/CLI；安裝命令本身均爲 skillhub install 加座標與 --dir。
典型用法¶
官方頁面未單獨給出逐步業務案例，可復現路徑如下。
1、按上一節完成 skillhub install @user_f076293a/memory-framework --dir <你的 skills 目錄>。
2、在新任務中顯式啓用「記憶系統框架」，或讓 Agent 讀取已安裝目錄下的 SKILL.md。
3、按 Skill 內模板初始化分層記憶結構：用 L1 承載當前任務 Working Buffer，用 L2/L3 沉澱跨會話信息與長期 learnings。
4、在做出重要分支選擇前，按 WAL Protocol 把決策要點寫入決策記錄，再執行具體操作。
5、任務結束或當日收工時，走每日復盤與 learnings 流程，把錯誤與糾正寫入復盤體系。
經過上面的步驟，記憶不再只依賴單次對話窗口，而是落在 Skill 約定的目錄與協議裏，便於下次會話繼續引用。
適用場景與注意¶
適合誰
- 需要長期同一套個人 AI 助手，並希望決策與偏好可追溯的開發者。
- 小團隊協作時，希望助手側記憶結構一致、減少「每人一套口頭規範」的場景。
- 已使用或計劃使用 OpenClaw 系 skills 目錄的 Agent 用戶。
限制與注意
- 社區來源（community），版本當前爲 1.0.0；升級與變更以 SkillHub 頁面爲準。
- 框架提供的是結構與模板，具體文件佈局、命名與觸發時機以安裝包內
SKILL.md爲準，本文不臆造配置字段。 - 安裝目錄錯誤會導致 Skill 不被加載；務必使用
--dir指向當前 Agent 官方 skills 路徑。 - 分層記憶需要持續寫入與復盤纔有價值；若從不執行 WAL、learnings 或每日復盤，效果會接近普通筆記。
結尾¶
「記憶系統框架」把分層記憶、決策 WAL、工作緩衝、錯誤 learnings 和每日復盤捆成一套可安裝的 Agent Skill，適合想把助手「記性」從聊天裏抽出來、落到文件與協議上的用法。需要安裝或查看說明時，以 SkillHub 官方頁爲準：https://www.skillhub.cn/skills/user_f076293a/memory-framework
