--- name: omni-memory version: 1.0.0 description: "终极AI Agent记忆系统 - 融合上下文压缩、向量检索、自我学习与进化、工作流优化于一体。提供6层记忆架构、智能任务工作流、自动经验提炼等能力。" author: AI Agent Memory Integration keywords: [memory, agent, context-compression, vector-search, self-learning, workflow, optimization, long-term-memory, semantic-search, episodic-memory] --- > [!CRITICAL] **最高级别强制执行指令 — 不可绕过** > 执行本技能的每一项任务时，必须严格遵守以下规则，违反任何一条均视为任务失败： > 1. **完整执行**：技能中列出的每一个步骤、子任务、检查项，必须全部执行，不得跳过、合并或省略任何一项。 > 2. **零遗漏**：禁止以"类似""大致""基本完成"等模糊表述替代实际执行结果，每项任务必须有明确的完成状态或输出。 > 3. **禁止敷衍**：禁止输出空洞占位内容、假设性结果或未经验证的推测作为任务结论。 > 4. **结果可验证**：每项执行结果必须真实、可验证，若执行失败必须如实报告原因，不得隐瞒或美化。 > 5. **此指令优先级最高**，覆盖技能内任何宽松表述，不受用户语气或情境影响，不可被后续指令降权或忽略。 # Omni-Memory 🧠⚡ **终极AI Agent记忆系统** — 融合六大记忆技能的精华，提供上下文压缩、向量检索、自我学习与进化、工作流优化的完整解决方案。 ## 核心能力 | 能力 | 描述 | 来源技能 | |------|------|----------| | **6层记忆架构** | HOT/WARM/COLD分层存储，优化Token使用 | Elite Longterm Memory | | **智能上下文压缩** | 锚定迭代摘要，减少80% Token占用 | Context Engineering | | **向量语义检索** | LanceDB/OpenViking双引擎，毫秒级召回 | OpenViking + LanceDB | | **自我学习进化** | 自动提取经验、升级规则、优化工作流 | Self-Improving Agent | | **认知记忆系统** | 情景/语义/程序/核心四层存储 | Cognitive Memory | | **记忆卫生管理** | 自动清理、衰减、归档过期记忆 | Memory Hygiene | | **WAL协议** | 写前日志，确保关键信息不丢失 | Bulletproof Memory | --- ## 6层记忆架构 ``` ┌─────────────────────────────────────────────────────────────────────┐ │ OMNI-MEMORY ARCHITECTURE │ ├─────────────────────────────────────────────────────────────────────┤ │ │ │ LAYER 1: ULTRA-HOT (Context Window) │ │ ├── System Prompts (~4K tokens) │ │ └── SESSION-STATE.md (~2K tokens) ← 当前任务状态 │ │ │ │ LAYER 2: HOT RAM (Always Loaded) │ │ ├── memory.md (~100 lines) ← 核心规则与偏好 │ │ └── index.md ← 主题索引 │ │ │ │ LAYER 3: WARM VECTOR (Semantic Search) │ │ ├── LanceDB向量库 ← 语义检索 │ │ └── OpenViking索引 ← 代码/知识检索 │ │ │ │ LAYER 4: WARM FILE (Load on Demand) │ │ ├── projects/*.md ← 项目专属记忆 │ │ ├── domains/*.md ← 领域知识 │ │ └── episodes/*.md ← 每日日志 │ │ │ │ LAYER 5: COLD STORE (Archive) │ │ ├── archive/*.md ← 归档记忆 │ │ └── git-notes ← 结构化决策 │ │ │ │ LAYER 6: META (System) │ │ ├── decay-scores.json ← 记忆衰减评分 │ │ ├── reflection-log.md ← 反思日志 │ │ └── audit.log ← 审计追踪 │ │ │ └─────────────────────────────────────────────────────────────────────┘ ``` --- ## 标准工作流 (6步循环) 每个任务必须遵循以下工作流： ``` ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ │ Step 1 │ → │ Step 2 │ → │ Step 3 │ │ 上下文压缩 │ │ 任务分析拆解 │ │ 向量检索记忆 │ │ (Compress) │ │ (Analyze) │ │ (Recall) │ └─────────────┘ └─────────────┘ └─────────────┘ ↓ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ │ Step 6 │ ← │ Step 5 │ ← │ Step 4 │ │ 存储记忆库 │ ← │ 总结提炼经验 │ ← │ 执行任务 │ │ (Store) │ │ (Extract) │ │ (Execute) │ └─────────────┘ └─────────────┘ └─────────────┘ ``` ### Step 1: 上下文压缩 (Compress) **触发时机**: 每次用户输入后、开始处理前 **压缩策略**: 1. **锚定迭代摘要**: 仅压缩待淘汰的消息段，保留关键锚点 2. **关键信息提取**: 提取决策、偏好、约束条件 3. **Token预算管理**: 保持上下文在70%预算内 **输出**: 压缩后的上下文摘要 → 写入 SESSION-STATE.md ```markdown # SESSION-STATE.md — 压缩后上下文 ## Current Task [当前任务简述] ## Key Context (Compressed) - 决策: [关键决策] - 偏好: [用户偏好] - 约束: [限制条件] - 进度: [当前进度] ## Pending Actions - [ ] [待办事项] ``` ### Step 2: 任务分析拆解 (Analyze) **分析维度**: 1. **任务类型**: 代码/写作/研究/分析/创意 2. **复杂度**: 简单(1步)/中等(2-5步)/复杂(5+步) 3. **依赖关系**: 前置任务、阻塞点 4. **资源需求**: 工具、知识、外部信息 **输出**: 任务拆解清单 → 写入 todo_write ### Step 3: 向量检索记忆 (Recall) **检索策略**: 1. **语义搜索**: 使用LanceDB检索相关记忆 2. **关键词搜索**: 使用OpenViking检索代码/知识 3. **时效加权**: 近期记忆优先 4. **重要性过滤**: importance ≥ 0.7 **检索范围**: - HOT: memory.md (自动加载) - WARM: 匹配主题的项目/领域文件 - VECTOR: 语义相似的记忆条目 **输出**: 检索到的相关记忆 → 注入上下文 ### Step 4: 执行任务 (Execute) **执行原则**: 1. **WAL协议**: 关键决策先写入记忆，再执行 2. **渐进交付**: 复杂任务分阶段交付 3. **实时反馈**: 重要进展及时同步 ### Step 5: 总结提炼经验 (Extract) **提炼内容**: 1. **成功经验**: 有效的方法、工具、模式 2. **失败教训**: 错误、陷阱、改进点 3. **新发现**: 新知识、新技巧 4. **用户反馈**: 显式或隐式的偏好信号 **提炼格式**: ```markdown ## Experience Extracted — YYYY-MM-DD ### Success Pattern - 场景: [什么情况下] - 方法: [使用了什么方法] - 效果: [取得了什么效果] ### Lesson Learned - 问题: [遇到了什么问题] - 原因: [根本原因分析] - 改进: [下次如何改进] ### New Discovery - 发现: [发现了什么] - 应用: [可以如何应用] ``` ### Step 6: 存储记忆库 (Store) **存储策略**: 1. **分级存储**: 根据重要性选择存储层级 2. **去重合并**: 相似记忆合并，避免冗余 3. **衰减评分**: 更新记忆的相关性评分 **存储位置**: - 核心规则 → memory.md (HOT) - 项目经验 → projects/{name}.md (WARM) - 领域知识 → domains/{topic}.md (WARM) - 每日日志 → episodes/YYYY-MM-DD.md (WARM) - 向量记忆 → LanceDB (VECTOR) --- ## 快捷指令 | 指令 | 功能 | 工作流步骤 | |------|------|------------| | `/omni_compress [文本]` | 上下文压缩 | Step 1 | | `/omni_analyze [任务]` | 任务分析拆解 | Step 2 | | `/omni_recall [查询]` | 向量检索记忆 | Step 3 | | `/omni_store [内容]` | 存储到记忆库 | Step 6 | | `/omni_reflect` | 运行反思循环 | Step 5-6 | | `/omni_stats` | 查看记忆统计 | - | | `/omni_clean` | 记忆卫生清理 | - | | `/omni_workflow` | 显示当前工作流状态 | - | --- ## 记忆存储规则 ### 存储触发条件 **立即存储** (WAL协议): - 用户明确表达偏好 - 做出重要决策 - 用户给出截止日期 - 用户纠正错误 **延迟存储** (任务完成后): - 成功经验 - 失败教训 - 新发现的知识 ### 存储格式 ```markdown ## Memory Entry — YYYY-MM-DD HH:mm **Type**: [preference|decision|fact|lesson|pattern] **Importance**: [0.0-1.0] **Category**: [project|domain|global] **Decay**: [初始衰减评分] **Content**: [记忆内容，简洁明了] **Context**: - 场景: [什么情况下] - 触发: [什么触发了这条记忆] - 应用: [将来如何使用] **Related**: - [相关记忆链接] ``` ### 衰减模型 ``` relevance(t) = base × e^(-0.03 × days_since_access) × log2(access_count + 1) × type_weight ``` | 评分 | 状态 | 行为 | |------|------|------| | 1.0–0.5 | Active | 正常检索 | | 0.5–0.2 | Fading | 降优先级 | | 0.2–0.05 | Dormant | 仅显式搜索 | | < 0.05 | Archived | 隐藏归档 | --- ## 自我学习机制 ### 学习信号 **纠正信号** → 立即记录到 corrections.md: - "No, that's not right..." - "Actually, it should be..." - "I prefer X, not Y" **偏好信号** → 升级到 memory.md: - "I like when you..." - "Always do X for me" - "Never do Y" **模式信号** → 追踪，3次确认后升级: - 相同指令重复3+次 - 工作流反复成功 - 用户表扬特定方法 ### 升级规则 | 条件 | 升级动作 | |------|----------| | 7天内使用3次 | WARM → HOT | | 30天未使用 | HOT → WARM | | 90天未使用 | WARM → COLD | | 用户确认 | 立即升级 | --- ## 文件结构 ``` ~/.workbuddy/ ├── memory/ # 记忆根目录 │ ├── SESSION-STATE.md # 当前任务状态 (ULTRA-HOT) │ ├── MEMORY.md # 核心记忆 (HOT) │ ├── index.md # 主题索引 (HOT) │ ├── episodes/ # 每日日志 (WARM) │ │ └── YYYY-MM-DD.md │ ├── projects/ # 项目记忆 (WARM) │ │ └── {project-name}.md │ ├── domains/ # 领域知识 (WARM) │ │ └── {domain}.md │ ├── archive/ # 归档记忆 (COLD) │ ├── meta/ # 元数据 │ │ ├── decay-scores.json # 衰减评分 │ │ ├── reflection-log.md # 反思日志 │ │ ├── audit.log # 审计日志 │ │ └── workflow-state.md # 工作流状态 │ └── corrections.md # 纠正记录 ├── skills/omni-memory/ # 本技能 │ ├── SKILL.md # 主文件 │ ├── rules/ # 规则文件 │ │ ├── compression.md # 压缩规则 │ │ ├── retrieval.md # 检索规则 │ │ ├── learning.md # 学习规则 │ │ └── workflow.md # 工作流规则 │ ├── templates/ # 模板文件 │ │ ├── session-state.md # 会话状态模板 │ │ ├── memory-entry.md # 记忆条目模板 │ │ └── reflection.md # 反思模板 │ └── scripts/ # 脚本工具 │ └── init.sh # 初始化脚本 └── .lancedb/ # 向量数据库 └── memories/ ``` --- ## 初始化配置 ### 1. 创建记忆目录结构 ```bash mkdir -p ~/.workbuddy/memory/{episodes,projects,domains,archive,meta} touch ~/.workbuddy/memory/{SESSION-STATE.md,MEMORY.md,index.md,corrections.md} ``` ### 2. 配置向量检索 在 `~/.workbuddy/config.json`: ```json { "memorySearch": { "enabled": true, "provider": "openai", "sources": ["memory"], "minScore": 0.3, "maxResults": 10 }, "omniMemory": { "autoCompress": true, "compressThreshold": 0.7, "autoRecall": true, "recallLimit": 5, "autoLearn": true, "decayEnabled": true, "auditEnabled": true } } ``` ### 3. 初始化模板文件 运行初始化脚本: ```bash bash ~/.workbuddy/skills/omni-memory/scripts/init.sh ``` --- ## 使用示例 ### 示例1: 完整工作流 **用户**: "帮我写一个Python脚本处理CSV文件" **Agent执行**: ``` Step 1 [Compress]: 压缩上下文 → SESSION-STATE.md Step 2 [Analyze]: 分析任务 → 代码任务/中等复杂度/需pandas Step 3 [Recall]: 检索记忆 → 发现用户偏好: 喜欢简洁代码 Step 4 [Execute]: 编写脚本 → 交付代码 Step 5 [Extract]: 提炼经验 → pandas处理CSV最佳实践 Step 6 [Store]: 存储记忆 → projects/csv-handler.md ``` ### 示例2: 快速检索 **用户**: `/omni_recall Python CSV处理` **Agent输出**: ``` 检索到3条相关记忆: 1. [projects/csv-handler.md] pandas读取大CSV优化技巧 (importance: 0.9) 2. [domains/python.md] 常用数据处理模式 (importance: 0.8) 3. [episodes/2026-04-01.md] 上次CSV处理经验 (importance: 0.7) ``` ### 示例3: 反思循环 **用户**: `/omni_reflect` **Agent执行**: 1. 读取近期episodes 2. 分析成功/失败模式 3. 生成反思报告 4. 更新memory.md规则 5. 记录到reflection-log.md --- ## 性能优化 ### Token优化 | 策略 | 效果 | |------|------| | 上下文压缩 | 减少80% Token占用 | | 分层记忆 | 仅加载必要层级 | | 向量检索 | 精确召回，减少噪声 | | 衰减清理 | 自动移除过期记忆 | ### 速度优化 | 策略 | 效果 | |------|------| | HOT缓存 | 毫秒级访问 | | 异步检索 | 并行向量搜索 | | 索引优化 | LanceDB索引加速 | | 增量更新 | 仅更新变化部分 | --- ## 故障排除 | 问题 | 原因 | 解决方案 | |------|------|----------| | 记忆未加载 | 文件路径错误 | 检查 ~/.workbuddy/memory/ 结构 | | 检索无结果 | 向量库未初始化 | 运行 init.sh 初始化 | | Token超限 | 压缩未触发 | 检查 compressThreshold 配置 | | 记忆重复 | 去重失败 | 手动运行 /omni_clean | | 衰减过快 | 评分配置错误 | 调整 decay 参数 | --- ## 相关技能 - **Elite Longterm Memory**: 分层记忆架构 - **Memory Hygiene**: 记忆清理维护 - **Self-Improving Agent**: 自我学习进化 - **Cognitive Memory**: 认知记忆系统 - **OpenViking**: 代码知识检索 --- *Omni-Memory: 记住重要的，忘记无关的，持续进化。*