القائمة
对话记忆仓库：自动归档 session 对话，保留原始记录，支持检索和误解纠正。可与 memory-never-forget 联动形成完整记忆体系。
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 conversation-archiveيبقى 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 | conversation-archive |
| version | 1.0.0 |
| description | 对话记忆仓库：自动归档 session 对话，保留原始记录，支持检索和误解纠正。可与 memory-never-forget 联动形成完整记忆体系。 |
| author | Simon |
| tags | ["memory","conversation","archive","openclaw","session","recall"] |
| metadata | {"openclaw":{"emoji":"💬"}} |
| license | MIT |
⚠️ 作者信息待填写：ClawHub 上传前需要确认你的 ClawHub/GitHub 用户名
「记忆会骗人，但对话记录不会。」
当缪斯说「我不记得了」「我可能理解错了」——去对话仓库里找原始记录，比问老豆更快、更准。
Session 结束
↓
1. ARCHIVE（归档）
- 保存原始对话 JSON
- 生成结构化摘要
- 提取关键信息（主题/决策/教训）
↓
2. INDEX（索引）
- 按日期/主题/关键词写入 index.json
- （未来：生成 embedding 向量）
↓
3. RETRIEVE（检索）
- 当需要回溯时 → 搜对话仓库
- 当发现误解时 → 拉原始记录纠正
↓
4. INTEGRATE（整合）
- 与 memory-never-forget 联动
- 从归档中提取值得记忆的内容 → 4层分类
conversation_archive/
├── sessions/ # 原始对话存档
│ └── YYYY-MM/
│ └── {session_id}.json
├── index.json # 内存索引
└── embeddings/ # 预留：向量索引（未来）
{
"sessionId": "ccba19e7-...",
"date": "2026-04-07",
"channel": "webchat",
"participants": ["Simon", "Muse"],
"topics": ["OpenClaw升级", "Dreaming", "记忆系统"],
"decisions": [
{"text": "开启Dreaming每天0点运行", "context": "老豆同意"}
],
"feedback": [
{"user": "不要用Markdown表格", "from": "Simon"}
],
archive_session — 归档当前 session触发时机： session 结束前 / 手动触发 / cron 触发
{
"name": "archive_session",
"arguments": {
"sessionKey": "agent:main:main",
"includeMessages": true
}
}
自动触发逻辑：
search_archive — 搜索对话触发时机： 老豆问「我之前说过什么」「那次对话」「记得3月29日吗」
{
"name": "search_archive",
"arguments": {
"query": "OpenClaw升级",
"date": "2026-03-29",
"limit": 5
}
}
get_session — 获取原始对话触发时机： 发现缪斯理解错了，用原始记录纠正
{
"name": "get_session",
"arguments": {
"sessionId": "ccba19e7-..."
}
}
extract_memories — 从归档中提取记忆触发时机： 与 memory-never-forget 联动时
{
"name": "extract_memories",
"arguments": {
"sessionId": "ccba19e7-...",
"types": ["user", "feedback", "project"]
}
}
# 搜索逻辑
1. 在 index.json 中模糊匹配 query
2. 匹配 topic、keywords、summary 字段
3. 按日期倒序返回 top N
4. 展示匹配的摘要片段
当 embedding 配置好后：
# 向量搜索
1. query → embedding 向量
2. 在 embeddings/ 目录做余弦相似度搜索
3. 返回 top N 最语义相关的对话
接入条件： agents.defaults.memorySearch 配置了 embedding provider
conversation_archive ──→ memory-never-forget
│ │
│ 提取值得记忆的内容 │ 使用4层分类
↓ ↓
decisions/feedback/ memory/{user,feedback,
project/ project,reference}/
│ │
└───────────升华──────────────→ knowledge/
联动触发： 每次归档后，自动调用 extract_memories 把值得记忆的内容传给 memory-never-forget 处理。
立即归档：
保留对话：
安全清理：
当缪斯意识到自己可能理解错了：
search_archive 搜相关对话get_session 拉原始记录| 老豆说 | 缪斯做 |
|---|---|
| 「我之前说过...」 | search_archive(query="...") |
| 「那天...」 | search_archive(date="YYYY-MM-DD") |
| 「你不记得了？」 | search_archive + 展示原始记录 |
| 「理解错了」 | get_session + 纠正 + 更新记忆 |
版本：v1.0 | 日期：2026-04-07 | 对话记忆仓库 + 未来向量检索预留