技能 memory-systems
🧠
AI 智能体在会话结束时如果没有适当的记忆系统会丢失所有上下文。本技能提供了经过实战检验的模式，用于构建从工作上下文到时间知识图谱的分层记忆系统。
支持: Claude Codex Code(CC)
1
下载技能 ZIP
2
在 Claude 中上传
前往 设置 → 功能 → 技能 → 上传技能
3
开启并开始使用
测试它
正在使用“memory-systems”。 为写作助手设计一个文件系统记忆结构，用于追踪用户文档、写作偏好和修订历史
预期结果:
- memory/
- ├── users/
- │ └── {user_id}/
- │ ├── profile.json (偏好、风格设置)
- │ ├── documents/
- │ │ └── {doc_id}/
- │ │ ├── current.md
- │ │ └── revisions/
- │ │ └── {timestamp}.md
- │ └── vocabulary.json (自定义术语、常用短语)
- └── indexes/
- └── user-documents.json (文档 ID 到用户的映射)
正在使用“memory-systems”。 查询：查找所有具有 Python 技能且下周开始可以参与任务的团队成员
预期结果:
- 实体查询结果：
- - Alice Chen（高级开发人员）- Python、Django、FastAPI - 从 2024-02-05 起可用
- - Marcus Rodriguez（后端工程师）- Python、PostgreSQL - 从 2024-02-06 起可用
- - Sarah Kim（全栈）- Python、React、TypeScript - 立即可用
安全审计
安全v1 • 2/25/2026
Educational documentation skill for AI memory architecture design. All 28 static analysis findings are false positives from pattern matching on documentation text. The skill contains no executable code, no network calls, no command execution, and no cryptographic operations. It provides conceptual guidance on memory layers, knowledge graphs, and retrieval patterns.
1
已扫描文件
229
分析行数
0
发现项
1
审计总数
未发现安全问题
审计者: claude
质量评分
38
架构
100
可维护性
87
内容
50
社区
100
安全
91
规范符合性
你能构建什么
具有记忆功能的客服智能体
构建一个支持智能体，使用实体记忆和时间追踪跨会话记住客户偏好、历史工单和产品购买记录
具有知识积累功能的研究助手
创建一个研究智能体，构建不断增长的论文、概念和关系知识图谱，支持复杂的跨领域推理查询
具有长期上下文功能的个人 AI 助手
开发一个个人助手，学习用户偏好、追踪进行中的项目，并在数月的交互中保持一致的实体引用
试试这些提示
基础记忆层设计
我需要为我的 AI 智能体添加跨会话持久化的记忆功能。该智能体帮助用户追踪健身目标和训练历史。设计一个使用文件系统存储的双层记忆系统，追踪：(1) 包含目标的用户档案，(2) 包含日期和训练的会话历史。展示目录结构和每层的 JSON 模式。
带元数据过滤的向量 RAG
我的智能体需要对 10,000+ 客户支持工单进行语义搜索，同时按产品类别、日期范围和解决状态进行过滤。设计一个带元数据过滤的向量 RAG 系统。指定嵌入策略、元数据模式和结合语义相似度与元数据过滤器的查询格式。
带关系追踪的实体记忆
为项目管理智能体构建一个实体记忆系统。智能体必须追踪：团队成员（包含角色和技能）、项目（包含截止日期和状态）、任务（包含分配者和依赖关系）。设计实体模式、关系类型和查询函数，以回答：'下周谁可以处理 React 任务？'和'哪些项目依赖于认证重构？'
时间知识图谱实现
为医疗智能体设计一个时间知识图谱，追踪患者状况、药物和检验结果，并带有有效性周期。每个事实必须支持时间旅行查询。提供：(1) 带 valid_from 和 valid_until 时间戳的三元组模式，(2) Cypher 查询用于'2024 年 3 月患者 X 正在服用哪些药物？'和'诊断 Y 何时生效？'，(3) 当新检验结果到达时更新事实的巩固逻辑。
最佳实践
- 根据查询复杂度匹配记忆架构：简单持久化使用文件系统，语义搜索使用向量 RAG，关系推理使用知识图谱，时间感知查询使用时间图谱
- 实施定期记忆巩固，在检索性能下降之前合并冗余事实、归档过时数据并重建索引
- 使用即时记忆加载与战略上下文注入，而不是一次性将所有记忆塞入上下文
避免
- 将所有记忆存储在上下文窗口中 - 导致上下文膨胀、增加延迟，并将注意力浪费在不相关信息上
- 对关系密集型数据仅使用向量存储 - 丢失实体连接并阻止图遍历查询
- 从不巩固记忆 - 导致无限制增长、重复事实和来自不同时期的矛盾信息
常见问题
我应该何时使用知识图谱而不是向量存储来管理智能体记忆？
当您的查询需要关系遍历（购买了 X 的客户还购买了哪些产品？）、实体一致性追踪或多跳推理时使用知识图谱。对没有关系结构的文档进行语义相似度搜索时使用向量存储。
如何防止记忆随时间无限制增长？
实施巩固触发器：定期计划（每周）、检索阈值（过时结果过多）或显式请求。巩固操作合并相关事实、更新有效性周期、归档过时数据并重建索引。
什么是时间知识图谱，我何时需要它？
时间知识图谱为事实添加有效性周期（valid_from、valid_until），支持时间旅行查询，如'用户在日期 X 的地址是什么？'当事实随时间变化且您需要重建历史状态或防止过时信息冲突时使用它。
我可以在不使用数据库的情况下实现智能体记忆吗？
可以。文件系统记忆使用目录和 JSON 文件进行组织。它简单、透明且可移植。但是，它缺乏语义搜索和关系追踪，需要手动组织和显式检索逻辑。
如何有效地将检索到的记忆集成到智能体上下文中？
使用相关性信号触发的即时加载。将记忆注入到注意力有利的位置（上下文的开头和结尾）。总结较旧的记忆以保留关键事实而不消耗 token 预算。优先处理最近和高置信度的记忆。
持久化智能体记忆的隐私影响是什么？
持久化记忆无限期保留敏感用户数据。实施数据保留策略、允许用户发起的记忆删除、静态加密记忆数据，除非绝对必要否则避免存储凭据或个人身份信息。对于敏感上下文考虑使用会话范围记忆。