Skip to content

SKILL.md

Latest commit

 

History

History
307 lines (229 loc) · 8.22 KB

SKILL.md

File metadata and controls

307 lines (229 loc) · 8.22 KB
name dna-memory
description DNA memory system for AI agents: three-layer architecture (working/short-term/long-term) with active forgetting, pattern summarization, reflection loops, and memory associations. Use when building agents that need persistent memory across sessions, context recall, or when user mentions 记忆/学习/记住/回顾/反思.
user-invocable true
triggers
remember this
recall what you learned
reflect on past sessions
记住这个
回忆一下
反思一下
记忆系统
learn from this mistake
DNA memory

DNA Memory - DNA 记忆系统

让 Agent 不只是记住，而是真正学会。

核心理念

人脑不是硬盘，不会无差别存储所有信息。人脑会：

  • 遗忘不重要的
  • 强化反复出现的
  • 归纳零散信息为模式
  • 反思过去的成功和失败

DNA Memory 模拟这个过程，让 Agent 真正"进化"。

三层记忆架构

┌─────────────────────────────────────────────────┐
│  工作记忆 (Working Memory)                       │
│  - 当前会话的临时信息                            │
│  - 会话结束后自动筛选                            │
│  - 文件：memory/working.json                     │
└─────────────────────────────────────────────────┘
                    ↓ 筛选
┌─────────────────────────────────────────────────┐
│  短期记忆 (Short-term Memory)                    │
│  - 近7天的重要信息                               │
│  - 带衰减权重，不访问会逐渐遗忘                  │
│  - 文件：memory/short_term.json                  │
└─────────────────────────────────────────────────┘
                    ↓ 巩固
┌─────────────────────────────────────────────────┐
│  长期记忆 (Long-term Memory)                     │
│  - 经过验证的持久知识                            │
│  - 归纳后的认知模式                              │
│  - 文件：memory/long_term.json + patterns.md     │
└─────────────────────────────────────────────────┘

记忆类型

类型 说明 示例
fact 事实信息 "Andy 的微信是 AIPMAndy"
preference 用户偏好 "Andy 喜欢简洁直接的回复"
skill 学到的技能 "飞书 API 限流时要分段请求"
error 犯过的错误 "不要用 rm，用 trash"
pattern 归纳的模式 "推送 GitHub 前先检查网络"
insight 深层洞察 "Andy 更看重效率而非完美"

核心操作

1. 记录 (Remember)

python3 scripts/evolve.py remember \
  --type fact \
  --content "Andy 的 GitHub 账号是 AIPMAndy" \
  --source "用户告知" \
  --importance 0.8

2. 回忆 (Recall)

python3 scripts/evolve.py recall "GitHub 账号"

返回相关记忆，按相关度和重要性排序。

3. 反思 (Reflect)

python3 scripts/evolve.py reflect

触发反思循环：

  1. 回顾近期记忆
  2. 识别重复模式
  3. 归纳成认知模式
  4. 更新长期记忆

4. 遗忘 (Forget)

python3 scripts/evolve.py decay

执行遗忘机制：

  • 7天未访问的短期记忆权重衰减
  • 权重低于阈值的记忆被清理
  • 重要记忆不会被遗忘

5. 关联 (Link)

python3 scripts/evolve.py link <memory_id_1> <memory_id_2> --relation "因果"

建立记忆之间的关联，形成知识图谱。

6. 后台常驻 (Daemon)

启动（后台）：

python3 scripts/dna_memory_daemon.py start

查看状态：

python3 scripts/dna_memory_daemon.py status

停止：

python3 scripts/dna_memory_daemon.py stop

默认读取 assets/config.json 的节流参数：

  • auto_reflect_interval_minutes（默认 30 分钟）
  • auto_decay_interval_hours（默认 24 小时）

并且仅在有新的 remember 写入后才执行 reflect，避免重复归纳同一批记忆。 日志写入 /tmp/dna-memory-daemon.log。

自动触发

会话开始时

  1. 加载相关长期记忆
  2. 检查是否有待反思的短期记忆

会话结束时

  1. 从工作记忆筛选重要信息
  2. 存入短期记忆
  3. 如果短期记忆积累足够，触发反思

每日自动

  1. 执行遗忘机制
  2. 检查是否需要归纳新模式

默认节流：

  • auto_reflect_interval_minutes=30：自动反思最短间隔 30 分钟，避免高频重复归纳。
  • auto_decay_interval_hours=24：自动遗忘最短间隔 24 小时。

并发安全

  • evolve.py 已内置跨进程文件锁，支持前台命令与后台守护同时运行。
  • JSON 写入采用原子替换，降低中断/并发导致的数据损坏风险。

记忆强化规则

记忆的重要性会动态调整：

事件 权重变化
被访问/使用 +0.1
被用户确认正确 +0.2
被用户纠正 标记为错误，创建新记忆
7天未访问 -0.1
关联到其他记忆 +0.05
被归纳为模式 升级为长期记忆

认知模式 (Patterns)

当多个记忆呈现相似规律时，自动归纳为模式：

## Pattern: GitHub 推送策略

**触发条件**: 需要 push 到 GitHub 时

**学到的教训**:
1. 先检查网络连通性
2. 超时后等待重试，不要立即放弃
3. 如果持续失败，提供手动操作方案

**来源记忆**: [mem_001, mem_003, mem_007]

**验证次数**: 5
**最后验证**: 2026-03-01

与现有系统集成

与 MEMORY.md 的关系

  • MEMORY.md 是人工维护的高层记忆
  • DNA Memory 是自动化的细粒度记忆
  • 重要的 Pattern 可以提升到 MEMORY.md

与 self-improving-agent 的关系

  • self-improving-agent 记录错误和学习
  • DNA Memory 在此基础上增加：归纳、遗忘、关联
  • 可以导入 .learnings/ 中的内容

文件结构

~/.openclaw/workspace/memory/
├── working.json        # 工作记忆（当前会话）
├── short_term.json     # 短期记忆（7天内）
├── long_term.json      # 长期记忆（持久）
├── patterns.md         # 归纳的认知模式
├── graph.json          # 记忆关联图谱
└── meta.json           # 元数据（统计、配置）

使用示例

场景1：学习用户偏好

用户: "以后回复简洁点，别那么啰嗦"

Agent 内部操作:
1. remember --type preference --content "用户偏好简洁回复" --importance 0.9
2. 后续回复自动调整风格

场景2：从错误中学习

操作失败: "飞书 API 429 限流"

Agent 内部操作:
1. remember --type error --content "飞书 API 频繁调用会 429"
2. remember --type skill --content "飞书 API 要分段请求，间隔5秒"
3. link error_mem skill_mem --relation "解决方案"

场景3：自动归纳

反思发现:
- 记忆1: "GitHub push 超时"
- 记忆2: "GitHub clone 超时"  
- 记忆3: "GitHub fetch 超时"

归纳为 Pattern:
"网络访问 GitHub 不稳定，需要重试机制"

配置

{
  "decay_days": 7,
  "decay_rate": 0.1,
  "forget_threshold": 0.2,
  "reflect_trigger": 20,
  "max_short_term": 100,
  "max_long_term": 500
}

与其他记忆系统的对比

特性 memu self-improving DNA Memory
存储 ✅ ✅ ✅
检索 ✅ 向量 ❌ ✅ 向量+关联
分类 ❌ ✅ ✅ 6种类型
遗忘 ❌ ❌ ✅ 主动遗忘
归纳 ❌ ❌ ✅ 自动归纳
反思 ❌ ❌ ✅ 反思循环
关联 ❌ ❌ ✅ 知识图谱
强化 ❌ ❌ ✅ 动态权重

Created by AI酋长Andy | 让 Agent 真正学会成长