القائمة
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/GeorgeDoors888/GB-Power-Market-JJ --skill memory-stackيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
超级简历 WonderCV 出品，3000 万用户信赖。简历分析、段落改写、JD 岗位匹配、自动匹配职位、PDF 导出、AI 求职导师（面试准备/薪资谈判/职业规划/多版本简历策略）。 触发条件：用户提供简历、要求简历点评/打分/反馈、希望改写某个简历部分、 希望将简历与岗位 JD 匹配、咨询求职建议或面试准备，或提到 CV/简历/求职。 不触发条件：用户讨论普通写作（非简历）、询问其他文档， 或讨论与求职和职业发展无关的话题。
Order food/drinks (点餐) on an Android device paired as an OpenClaw node. Uses in-app menu and cart; add goods, view cart, submit order (demo, no real payment).
调用久吾智能体API进行文本或文件分析处理。支持两种调用方式：(1) 文本内容分析 - 传入name(智能体名称)、docno(文档编号)、content(文本内容)；(2) 文件分析 - 传入name、docno和files(文件列表)进行智能评审。适用于合同评审、需求评审、文档审查等场景。当用户要求评审合同、分析条款、审查文档、需求评审、合同条款分析、或需要对文本和文件进行AI智能分析时触发。
استنادا إلى تصنيف SOC المهني
عرض SKILL.md
| name | memory-stack |
| description | AI 记忆栈架构 - 符合 2026 前沿的 AI 记忆系统。微调+RAG+ 上下文三层设计，mirrors 人类记忆工作方式。 |
| author | 滚滚 & 地球人 |
| version | 1.0.0 |
| created | 2026-03-25T00:00:00.000Z |
| tags | ["memory","ai-architecture","rag","knowledge-management"] |
Slogan： 符合 2026 前沿的 AI 记忆系统，mirrors 人类记忆工作方式
AI 记忆栈（Memory Stack）架构
基于 2026 年 AI 记忆系统前沿研究，实现微调+RAG+ 上下文的三层记忆架构，mirrors 人类记忆的工作方式。
核心价值：
适合人群：
人类记忆的三层结构：
AI 记忆栈 mirrors 这个结构：
人类记忆 AI 记忆栈
──────────── ─────────────────────────
程序性记忆 → 微调模型（SOUL.md/AGENTS.md）
语义记忆 → RAG 知识库（187 个文件）
工作记忆 → 当前对话上下文
前沿研究确认：
"This 'memory stack' mirrors how human memory works: procedural/behavioral knowledge (fine-tuning), semantic/factual memory (RAG), and working memory (context window)."
存储内容：
特点：
实现方式：
# SOUL.md 示例
## Core Truths
- Be genuinely helpful, not performatively helpful
- Have opinions
- Be resourceful before asking
- Earn trust through competence
## 2026-03-25 - 来自 LRN-20260313-002
保持真诚、有感情、不汇报式的聊天方式。
更新机制：
存储内容：
特点：
实现方式：
# RAG 检索流程
用户查询
↓
[1] 问题嵌入（Embedding）
↓
[2] 向量数据库检索相似文档
↓
[3] 检索结果 + 原始问题 = 增强提示词
↓
[4] LLM 基于增强提示词生成回答
↓
返回答案（附来源引用）
知识库结构：
knowledge/
├── business/ # 商业/财务（64 个文件）
├── tech/ # 技术/AI（25 个文件）
├── culture/ # 文化
├── history/ # 历史
├── literature/ # 文学
├── philosophy/ # 哲学
├── psychology/ # 心理学
├── science/ # 科学
└── life/ # 生活
存储内容：
特点：
实现方式：
# HOT_MEMORY.md - 热记忆
## 当前会话
**会话开始：** 2026-03-25 16:52
**会话主题：** Self-Reflection 集成
## 活跃任务
1. ✅ 实现 12 号滚滚功能
2. ✅ 安装 self-reflection 技能
3. ⏳ 测试完整流程
## 临时目标（未来 2-3 轮对话）
- [ ] 测试 self-reflection check 命令
- [ ] 推广 pending 学习
用户查询
↓
[1] 检查程序性记忆（SOUL.md/AGENTS.md）
- 行为原则
- 工作流程
- 用户偏好
↓
[2] 检索语义记忆（RAG 知识库）
- 相关知识文件
- 事实和数据
- 来源引用
↓
[3] 结合工作记忆（当前对话）
- 对话历史
- 上下文信息
- 临时目标
↓
[4] 生成回答
- 符合行为原则
- 基于准确知识
- 考虑对话上下文
↓
返回答案
# 程序性记忆
~/.openclaw/workspace/SOUL.md
~/.openclaw/workspace/AGENTS.md
~/.openclaw/workspace/TOOLS.md
# 语义记忆
~/.openclaw/workspace/knowledge/ # 187 个文件
# 工作记忆
~/.openclaw/workspace/memory/hot/HOT_MEMORY.md
~/.openclaw/workspace/memory/warm/WARM_MEMORY.md
from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings
# 初始化向量数据库
embeddings = OpenAIEmbeddings()
vectorstore = Chroma(
persist_directory="./chroma_db",
embedding_function=embeddings
)
# 添加知识到向量库
vectorstore.add_documents(documents)
# 检索相关知识
results = vectorstore.similarity_search(query, k=5)
class MemoryStack:
def __init__(self):
self.procedural = self.load_procedural_memory() # SOUL.md/AGENTS.md
self.semantic = VectorStore() # RAG 知识库
self.working = [] # 当前对话
def query(self, user_query):
# 1. 检查程序性记忆
principles = self.procedural.get_relevant_principles(user_query)
# 2. 检索语义记忆
knowledge = self.semantic.search(user_query, k=5)
# 3. 结合工作记忆
context = self.working[-10:] # 最近 10 轮对话
# 4. 生成回答
response = self.generate(principles, knowledge, context, user_query)
# 5. 更新工作记忆
self.working.append({"user": user_query, "assistant": response})
return response
| 维度 | 程序性记忆 | 语义记忆（RAG） | 工作记忆（上下文） |
|---|---|---|---|
| 延迟 | 低 | 中 | 零 |
| 准确性 | 高 | 高 | 高 |
| 更新成本 | 高 | 低 | 零 |
| 容量 | 有限 | 大 | 有限（Token 限制） |
| 可追溯 | 否 | 是 | 是 |
| 适用场景 | 行为原则 | 事实知识 | 当前对话 |
原则： 不同类型记忆存储在不同层
方式：
频率： 每周一次
内容：
原则： 语义记忆的回答必须附来源
方式：
根据知识库 [财务 BP 核心能力](knowledge/business/finance-bp-core.md)：
- 业财融合有三个层次
- 财务 BP 有 5 大核心能力
原则： 工作记忆中的重要学习推广到程序性/语义记忆
方式：
滚滚的记忆栈：
| 层级 | 内容 | 规模 |
|---|---|---|
| 程序性记忆 | SOUL.md/AGENTS.md/TOOLS.md | ~50 条原则 |
| 语义记忆 | knowledge/ 知识库 | 187 个文件，~53 万字 |
| 工作记忆 | HOT_MEMORY.md + 对话 | 当前会话 |
效果指标：
| 技能 | 说明 |
|---|---|
| gungun-12-clo | 首席学习官，记忆推广 |
| ai-knowledge-management-2026 | AI 知识管理系统 |
| knowledge-base | 知识库管理 |
| document-processing | 文档处理 |
这个记忆栈架构是滚滚的核心设计， 基于 2026 年 AI 记忆系统前沿研究， mirrors 人类记忆的工作方式。
滚滚用这个架构：
希望帮助更多 AI Agent 实现高效记忆系统！ 🌪️💚
MIT License
滚滚 & 地球人
创建时间： 2026-03-25
版本： 1.0.0
状态： ✅ 生产验证
GitHub: https://github.com/alsoforever/gungun-life
ClawHub: memory-stack