Triple Layer Memory
npx skills add https://github.com/dvcrn/openclaw-skills-marketplace --skill triple-layer-memory复制此命令并粘贴到 Claude Code 中以安装该技能
监控 OpenClaw GitHub 版本更新，获取最新版本发布说明，翻译成中文， 并推送到 Telegram 和 Feishu。用于：(1) 定时检查版本更新 (2) 推送版本更新通知 (3) 生成中文版发布说明
The philosophical layer for AI agents. Maps behavior to Spinoza's 48 affects, calculates persistence scores, and generates geometric self-reports. Give your agent a soul.
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).
一键发布 Markdown 到微信公众号草稿箱。基于 wenyan-cli，支持多主题、代码高亮、图片自动上传。
Reusable Polymarket + OpenClaw trading operations skill for any workspace. Use when the user needs to set up, run, tune, monitor, and deploy an automated Polymarket trading project (paper/live), including env configuration, risk controls, reporting, and dashboard operations.
Agents can sign plugins, rotate credentials without losing identity, and publicly attest to behavior.
| name | triple-layer-memory |
| description | Triple Layer Memory |
三层记忆系统 - 解决 AI Agent 长对话记忆丢失和上下文管理问题
这是一个完整的三层记忆管理系统，包含：
# 使用 clawhub 安装
clawhub install triple-layer-memory
# 或手动安装
cd ~/Desktop/openclaw-workspace/skills
git clone https://github.com/0range-x/triple-layer-memory.git
安装后，运行初始化脚本：
cd ~/Desktop/openclaw-workspace
bash skills/triple-layer-memory/scripts/init.sh
这会创建：
MEMORY.md - 核心索引memory/projects.md - 项目状态追踪memory/lessons.md - 经验教训库memory/YYYY-MM-DD.md - 日志文件MEMORY_ARCHITECTURE.md - 架构文档from scripts.auto_memory_write import auto_write_memory
auto_write_memory(
summary="完成了某个重要任务",
importance=8,
channel="boss",
tags=["任务完成", "部署"],
project="项目名称",
files=["path/to/file.py"],
lessons="遇到的问题和解决方案"
)
from scripts.session_compress import compress_session
compress_session(
session_summary="本次对话的关键信息总结",
channel="boss"
)
python scripts/memory_decay.py
在你的 workspace 根目录创建或更新 AGENTS.md，添加：
## Session 启动流程
每次会话开始时，按以下顺序自动执行：
1. 读取 `SOUL.md` - 加载性格和行为风格
2. 读取 `USER.md` - 了解用户背景和偏好
3. 读取 `memory/YYYY-MM-DD.md` - 加载今天和昨天的日志
4. 如果是主会话：额外读取 `MEMORY.md` - 加载核心记忆索引
5. **智能记忆加载**：
- 根据频道名称，优先加载该频道的相关记忆
- 如果用户提到具体项目或任务，调用 `memory_search` 检索相关记忆
- 如果是新 session 但延续之前的工作，自动加载最近的相关上下文
在你的 workspace 根目录创建或更新 HEARTBEAT.md，添加：
## Session Token 检查（每次心跳执行）
检查当前 session 的 token 使用量（从 system warning 中获取）。
如果达到 150k tokens 或上下文达到 80%：
1. 调用 `scripts/session_compress.py` 获取压缩提示
2. 使用 LLM 总结对话历史中的关键信息
3. 将总结写入 `memory/YYYY-MM-DD.md`（若无记忆系统则至少生成交接摘要）
4. 调用 `scripts/session_rotate.py <used_tokens> <max_tokens> <channel>` 判断是否触发轮换
5. 若触发，输出 `[NEW_SESSION] 上下文达到80%，自动切换新会话`
如果使用 Mem0，需要配置频道级命名空间隔离。
编辑 ~/.openclaw/extensions/openclaw-mem0/index.ts，参考 docs/mem0-channel-isolation.md。
workspace/
├── MEMORY.md # 核心索引
├── MEMORY_ARCHITECTURE.md # 架构文档
├── AGENTS.md # 启动流程和规范
├── HEARTBEAT.md # 心跳检查逻辑
├── memory/
│ ├── projects.md # 项目状态追踪
│ ├── lessons.md # 经验教训库
│ ├── 2026-03-04.md # 日志文件
│ ├── heartbeat-state.json # 心跳状态
│ ├── pinned.json # 白名单记忆
│ └── .archive/ # 归档目录
└── scripts/
├── session_compress.py # Session 自动压缩
├── session_rotate.py # 80%上下文触发会话轮换
├── auto_memory_write.py # 自动记忆写入
├── memory_decay.py # 记忆衰减和归档
├── memory_meta.py # 元数据管理
├── memory_consistency.py # 一致性校验
└── channel_memory.py # 频道记忆路由
## HH:MM 项目名称
【项目：名称】 事件标题
结果：一句话概括
相关文件：文件路径
经验教训：要点（如有）
检索标签：#tag1 #tag2
<!-- meta: importance=N access=0 created=YYYY-MM-DD last_accessed=YYYY-MM-DD channel=CHANNEL -->
### 项目名称
**状态**：运行中/已完成/归档
**最后更新**：YYYY-MM-DD
**描述**：项目简介
**关键文件**：
- 文件路径1
- 文件路径2
**待办**：待办事项列表
**备注**：其他说明
### 问题标题
**问题**：问题描述
**原因**：根本原因
**解决方案**：解决方法
**相关文件**：文件路径
**日期**：YYYY-MM-DD
**标签**：#tag1 #tag2
python scripts/memory_decay.py 查看权重计算欢迎提交 Issue 和 Pull Request！
MIT License
小橘 (vulcanx_14970)