前言¶

长对话 Agent 常见问题是上下文被工具输出和轮次堆满，要么频繁触发全量摘要，要么关键信息在压缩后丢失。单靠调大窗口或手工贴笔记，很难在成本与可恢复性之间平衡。下面介绍的 7M（SkillHub 坐标 @user_85f1862d/seven-memory，包内名 Seven Memory）把记忆拆成七层，用浅层拦截尽量推迟高成本的 LLM 压缩，并面向 OpenClaw 与 OpenCode 提供可配置的持久化路径。

这是什么¶

7M 是 SkillHub 社区来源（发布者 user_85f1862d）的 ai-agent 类 Skill，当前版本 1.0.0，标签 requires_api_key=false（安装 Skill 本身不强制 API Key；启用全量压缩、自动记忆提取等层仍可能调用你配置的 LLM）。官方简介：Seven Memory 是一套为 OpenClaw 和 OpenCode 设计的记忆管理系统，采用七层记忆架构。技能包说明其设计参考 Claude Code 的七层记忆思路，并融入用 Obsidian 管理本地知识库的实践；核心思路是用低成本层先处理，减少触发更贵的深层操作。

• SkillHub 页面：https://www.skillhub.cn/skills/user_85f1862d/seven-memory
• API 坐标：https://api.skillhub.cn/user_85f1862d/seven-memory

七层架构在做什么¶

各层从低到高成本递增，形成「纵深防御」：下层处理得当，上层不必频繁启动。

主技能 SKILL.md 与各层子目录（如 layer-3-session-memory）分别描述实现要点；OpenCode 场景下部分路径以 .opencode/ 为约定（例如工具结果 .opencode/tool-results/、会话笔记 .opencode/session-memory/），OpenClaw 侧 README 则使用 .openclaw/tool-results/ 等对应目录。

核心功能（已核实）¶

1. L1 工具结果存储：将超过阈值的大输出写入磁盘，上下文只保留预览（README 示例阈值为 8KB，预览约 2KB）。
2. L2 微压缩：空闲约 60 分钟后可做轻量清理，不调用 LLM 生成摘要，并注意保留提示词缓存（cache_edits）。
3. L3 会话记忆：对话中维护结构化会话笔记（如 Current State、Task Spec、Files 等模板），压缩后仍可恢复关键状态。
4. L4 全量压缩：上下文超限时做九段式摘要；连续失败达到 retryLimit（默认 3）可熔断自动压缩。
5. L5 自动记忆提取：将 preference、feedback、knowledge、pattern 等写入持久化记忆，并由 MEMORY.md 索引（默认约 200 行 / 25KB 上限）。
6. L6 梦境：后台按 Locate → Collect → Consolidate → Prune 等阶段整理长期记忆；skill.yaml 可配置 cron 定时执行 dream.js。
7. L7 跨 Agent 通信：子 Agent 继承系统提示与工具集，通过消息机制协调，并区分共享缓存与需深拷贝的本地状态。

包内还提供 init.js、install.js、test-automation.js、monitoring.js 等脚本，以及 OpenClaw 命令映射（见 skill.yaml 的 commands）。

安装与启用¶

通过 SkillHub（Cursor / Claude Code / Codex 等通用）¶

先确认已安装 SkillHub CLI（参见 https://skillhub.cn/install/skillhub.md）。安装时必须用 --dir 指向当前 Agent 的 skills 目录，否则默认 ./skills/ 可能不会被识别。

command -v skillhub && skillhub --version

skillhub install seven-memory --namespace user_85f1862d --dir ~/.cursor/skills/

坐标写法为 @user_85f1862d/seven-memory。其他客户端常见目录（来自 SkillHub 安装文档）：

• Claude Code：~/.claude/skills/
• Cursor：~/.cursor/skills/
• Codex：~/.codex/skills/ 或项目下 .agents/skills/

安装完成后按各 Agent 要求重启或重新加载 skills。

OpenClaw 环境（技能包 README 推荐路径）¶

1. 安装 OpenClaw CLI 后安装本技能，并执行包内安装脚本：

npm install -g openclaw-cli
openclaw install seven-memory
cd ~/.openclaw/workspace/skills/seven-memory
node install.js

2. 初始化记忆目录：

openclaw run seven-memory:init

README 亦提供 curl 一行脚本与 npm install -g seven-memory 等方式；Node.js 要求 14.0+。Obsidian 为推荐的可视化查看记忆文件的工具，非硬性运行时依赖。

基础配置¶

OpenCode / 通用 JSON 配置示例（摘自 SKILL.md）：

{
  "memory": {
    "sessionMemory": {
      "enabled": true,
      "updateThreshold": 4096,
      "toolCallThreshold": 10
    },
    "autoCompact": {
      "enabled": true,
      "threshold": 140000,
      "retryLimit": 3
    }
  }
}

可选进阶项包括 autoMemory、dream、microCompact 以及 tools.resultStorage（阈值、预览长度等），与 USAGE.md 中示例一致。OpenClaw 用户可在 skill.yaml 的 config 段调整存储路径（rawMemoryPath、processedMemoryPath、agentsGuidePath）及梦境 cron；默认示例路径为本机 Obsidian Vault，部署时应改为你的实际目录。

典型用法¶

加载总览技能（USAGE.md）：

skill(name="memory-system")

在 OpenClaw 上也可使用包内定义的命令，例如：

openclaw run seven-memory
openclaw run seven-memory:init
openclaw run seven-memory:dream

按场景加载单层，例如多轮任务用会话记忆、空闲后做巩固：

skill(name="memory-layer-3-session-memory")
skill(name="memory-layer-6-dream")

L1 工具结果存储配置（USAGE.md）：

{
  "tools": {
    "resultStorage": {
      "enabled": true,
      "threshold": 8192,
      "previewLength": 2048
    }
  }
}

复杂任务可遵循包内建议顺序：先更新会话记忆 → 大输出由 L1 落盘 → 有价值信息触发 L5 → 需要时派生子 Agent（L7）→ 任务结束后运行梦境（L6）。README 还说明可与 QMD 做语义检索集成，属可选增强，需自行安装 @tobilu/qmd 并配置 MCP。

适用场景与注意¶

适合：长时间编码或调研型 Agent、工具输出体积大、多轮任务需要可恢复的「当前状态」、希望在 OpenClaw/OpenCode 上统一记忆策略的团队或个人。

注意：

• L4、L5 等层依赖 LLM 时，需在你使用的宿主里正确配置模型与密钥；Skill 标注 requires_api_key=false 不代表压缩与提取零成本、零外部依赖。
• skill.yaml 与 README 中的存储路径、作者字段为模板值，生产环境务必改掉默认 Obsidian 路径与空的 llm.apiKey。
• 七层同时开启会增加磁盘与后台任务（梦境、cron）；应按机器资源调整 interval、maxRuntime 与微压缩空闲时间。
• SkillHub 页面对本 Skill 的评分为 100000，下载约 580（以页面与安装源元数据为准，会随时间变化）。

结尾¶

7M 把「落盘大输出、轻量清理、会话笔记、全量摘要、长期记忆、后台巩固、多 Agent 协作」串成一条可配置链路，适合已经在用 OpenClaw 或 OpenCode、又不想从零设计记忆分层的人。安装与坐标以 SkillHub 为准：

https://www.skillhub.cn/skills/user_85f1862d/seven-memory