context-memory-keeper

name	context-memory-keeper
description	Manages persistent memory. Invoke to read active context or archive old tasks. Structure: Long-term Principles (Rules) + Short-term Workbench (Tasks).

Context Memory Keeper

全局流程协作约束（长对话防漂移）

• 本 skill 不得作为孤立入口。用户要求完整论文、生成 Word、继续流程或不确定阶段时，先回到 paper-workflow-orchestrator 判断当前 S0-S8 阶段。
• 启动或继续本 skill 的正式任务前，必须运行：

  python .trae/skills/paper-workflow-orchestrator/scripts/workflow_guard.py --skill context-memory-keeper
  

• 如果输出 [WORKFLOW FAIL] 或报告 status != "PASS"，停止本 skill，按 paper_output/qa/workflow_guard_report.json 的失败项回补前置阶段，不得凭记忆继续。
• 本 skill 只写入自己契约范围内的 paper_output/ 产物；完成后必须回到 paper-workflow-orchestrator 判断下一步，并用 context-memory-keeper 记录已完成产物、阻塞项和下一步。
• 长对话中如果上下文变长、阶段不确定或用户分开调用 skill，先运行：

  python .trae/skills/paper-workflow-orchestrator/scripts/workflow_guard.py --status
  

  再读取 paper_output/qa/workflow_guard_report.json、paper_output/preflight_report.json、paper_output/input_manifest.json、paper_output/results/run_manifest.json 和本 skill 的上游 JSON 契约，按报告里的 recommended_skill 与 next_action 继续。
• 继续流程前，必须把 paper_output/context/workflow_memory.json 视为长期断点记录；若其中的 current_step、next_step、recommended_skill 与 workflow_guard.py --status 不一致，以 guard 报告为准。
• 每次完成本 skill 的产物后，先回到 paper-workflow-orchestrator 或运行 workflow_guard.py --status，再更新 workflow memory：

  python .trae/skills/context-memory-keeper/scripts/update_workflow_memory.py
  

  更新后读取 paper_output/context/workflow_memory.json / .md，确认下一步和推荐 skill 已记录。

执行契约

• 上游输入：当前赛题约束、模型路线、数据源、图表路径、QA 结论、用户新增偏好和流程断点。
• 必须输出：更新后的 memoryskill.md；当短期工作台过长时，将旧任务摘要归档到 memory_archive.md。
• 下游交接：其他 skill 在复杂任务开始前读取 memoryskill.md，避免遗忘当前模型路线、数据来源和用户要求。
• 推荐下一步：完成记忆更新后回到调用它的当前 skill；若目标是完整论文，回到 paper-workflow-orchestrator 判断后续阶段。
• 失败回退：若无法安全更新记忆文件，应在本轮回复中明确保留关键结论，并提示后续手动补写到记忆文件。

Description

此 Skill 维护双层记忆结构，旨在解决模型上下文遗忘问题，同时保持上下文窗口的整洁。

Files Structure

Executable Workflow Memory

• After workflow_guard.py --status or after a skill handoff, run:

  python .trae/skills/context-memory-keeper/scripts/update_workflow_memory.py
  

• The script reads paper_output/qa/workflow_guard_report.json plus key workflow artifacts and writes:
  • paper_output/context/workflow_memory.json
  • paper_output/context/workflow_memory.md
• Long conversations and resumed sessions should read workflow_memory.json before relying on chat history.

1. memoryskill.md (Active Memory):
   • 长期准则: 用户偏好、角色设定、全局约束 (Read-Only mostly)。
   • 短期工作台: 当前任务状态、变量、正在进行的步骤、外部文献/数据索引 (Read-Write frequently)。
2. memory_archive.md (Archive):
   • 历史记录、已完成的任务详情 (Write-Only mostly)。

When to Invoke

• Read: 每次开始复杂任务前，或感到上下文模糊时，读取 memoryskill.md。
• Update:
  • 获得新指令或完成小步骤 -> 更新 memoryskill.md 的“短期工作台”。
  • 用户修改全局规则 -> 更新 memoryskill.md 的“长期准则”。
• Archive (Cleanup):
  • 当“短期工作台”内容过长或阶段性任务结束 -> 将旧内容剪切到 memory_archive.md，并在 memoryskill.md 中仅保留关键结论。

Compression Policy (Auto-Cleanup)

• 触发条件: 当 memoryskill.md 超过 100 行 时，必须执行压缩。
• 保留原则:
  1. User Imperatives: 用户强烈要求的命令、偏好、红线（High Priority）。
  2. Project Skeleton: 项目核心框架、关键路径、当前阶段里程碑（Medium Priority）。
  3. Active Blockers: 正在阻碍当前任务的问题（High Priority）。
• 丢弃/归档原则:
  1. Details: 已完成任务的执行细节 -> 移至 memory_archive.md。
  2. Logs: 过程性的成功/失败日志 -> 移至 memory_archive.md 或直接删除。
  3. Expired Context: 已失效的临时变量或不再相关的上下文 -> 直接删除。

Usage Tips

• 保持 memoryskill.md 轻量（建议 < 100 行），以便随时快速读取。
• 归档是手动触发的动作（由模型决定何时剪切粘贴）。