← 返回 Skills 市场
ludiansheng

多身份智能知识体系

作者 ludiansheng · GitHub ↗ · v1.0.0 · MIT-0
cross-platform ✓ 安全检测通过
89
总下载
0
收藏
0
当前安装
1
版本数
在 OpenClaw 中安装
/install shared-memory-kb
功能描述
为 OpenClaw 用户所有 Agent 身份提供统一的跨身份共享记忆层，支持写入、检索、浏览、关联和回顾个人知识库；当用户需要记录洞察、检索经验、总结知识或定期回顾时使用
使用说明 (SKILL.md)

Shared Memory Knowledge Base

任务目标

  • 本 Skill 用于：为用户所有 Agent 身份提供统一的跨身份共享记忆层，实现知识积累和经验沉淀
  • 能力包含：写入记忆、检索记忆、浏览知识体系、关联记忆、定期回顾
  • 触发条件：用户需要记录洞察、检索过往经验、总结知识体系或定期回顾个人成长时

前置准备

  • 默认存储路径：~/.openclaw/memory/
  • 环境变量配置（可选）：设置 MEMORY_KB_PATH 自定义存储路径 
    export MEMORY_KB_PATH="/your/custom/path/memory"
  • 初始化目录结构： 
    mkdir -p ~/.openclaw/memory/index
  • 依赖说明：无外部依赖，使用 Python 标准库

智能触发机制

智能体应基于语义理解而非仅依赖固定触发词来判断是否写入记忆。以下是判断标准和实施指南。

语义分析标准

智能体在分析对话内容时，应判断语句是否包含以下特征：

经验提炼特征：

  • 描述从实践中总结的方法、流程或原则
  • 包含"经验"、"教训"、"方法"、"技巧"等关键词
  • 具有可复用性和指导意义

方法论总结特征：

  • 总结做事的框架、步骤或最佳实践
  • 提炼出可推广的模式或规律
  • 包含"步骤"、"流程"、"模式"、"框架"等关键词

认知突破特征：

  • 表达对某个问题的全新理解或视角转变
  • 包含"意识到"、"发现"、"原来"、"终于明白"等表达
  • 具有改变思维模式的价值

决策记录特征：

  • 描述重要选择的决策过程和理由
  • 包含权衡取舍的思考过程
  • 对未来决策有参考价值

知识价值判断

在判断是否值得写入记忆时，智能体应评估以下维度：

复用价值：这条知识未来是否可能被再次引用？

  • 高价值：通用性强的原则、方法、框架
  • 中价值：特定场景下的经验总结
  • 低价值：一次性事件描述、临时信息

独特性：这条知识是否具有独特见解或原创性？

  • 高独特性：个人独特的洞察、创新的方法
  • 中独特性：对已知知识的个性化解读
  • 低独特性：常识性内容、广泛传播的信息

可操作性：这条知识是否能指导实际行动？

  • 高可操作性：具体的行动建议、步骤指南
  • 中可操作性：原则性指导、方向性建议
  • 低可操作性：纯描述性内容、感受表达

上下文过滤规则

以下情况应过滤，不写入记忆：

过滤闲聊：

  • 纯粹的寒暄、问候、闲谈
  • 无明确知识价值的内容
  • 临时性的、一次性的事件描述

过滤重复内容：

  • 与已有记忆高度重复的内容
  • 缺乏新见解的重复表达
  • 已被充分记录的常识性内容

过滤低价值内容：

  • 过于琐碎的细节记录
  • 缺乏反思的纯事实描述
  • 情绪宣泄而非理性总结

敏感度配置

智能体可根据 references/CONFIG.md 中的敏感度配置调整自动写入的阈值：

  • low（低敏感度）：仅在明确识别到总结性语句时写入
  • medium（中敏感度，默认）：识别总结性和反思性语句，过滤低价值内容
  • high（高敏感度）：对有潜在价值的语句也建议写入，由用户确认

操作步骤

store - 写入记忆

当对话中出现总结性、反思性或经验归纳类语句时，主动调用脚本写入记忆。

触发词识别：

  • 总结类："总结一下"、"核心是"、"本质上"
  • 反思类："我发现"、"我意识到"、"这次学到"
  • 经验类："下次要"、"以后应该"、"踩坑了"
  • 明确指令："记住"、"记一下"、"存入知识库"
  • 洞察类："关键是"、"根本原因是"、"背后逻辑"

调用方式：

python3 /workspace/projects/shared-memory-kb/scripts/memory_kb.py \
  action=store \
  content="需求评审时先对齐目的，比直接进入方案讨论效率更高，能减少后期返工。" \
  persona="工作" \
  category="方法论" \
  tags='["需求管理", "沟通", "效率", "评审"]' \
  type="经验" \
  importance=4 \
  scene="产品需求评审"

参数说明：

  • action：固定为 "store"
  • content：记忆正文，20-2000 字符（必填）
  • persona：来源身份（默认 "通用"），见 references/TAXONOMY.md
  • category：知识分类（可由 AI 推断），见 references/TAXONOMY.md
  • tags：标签列表，最多 10 个，每个 ≤20 字符（可由 AI 提取）
  • type：记忆类型（默认 "经验"），见 references/TAXONOMY.md
  • importance：重要度 1-5（默认 3）
  • scene：场景描述（可选）

智能体职责：

  • 根据 智能触发机制 进行语义分析，识别隐性经验总结
  • 自动推断 category、tags、type（若未提供）
  • 评估知识价值，过滤低价值内容（参考 references/CONFIG.md）
  • 验证内容长度，超过配置的最大长度时提示拆分
  • 写入成功后静默确认，不打断对话主流程
  • 检查相似记忆，建议关联（返回相似度分数供参考）

query - 检索记忆

当用户需要查找过往经验、参考历史记录时调用。

触发词识别：

  • 历史指向："上次"、"之前"、"我之前说过"
  • 经验询问："我有什么积累"、"以前遇到过吗"
  • 参考需求："类似的情况"、"有没有记录"

调用方式：

# 关键词检索
python3 /workspace/projects/shared-memory-kb/scripts/memory_kb.py \
  action=query \
  q="需求评审"

# 多维度过滤
python3 /workspace/projects/shared-memory-kb/scripts/memory_kb.py \
  action=query \
  persona="工作" \
  category="方法论" \
  tags='["效率", "沟通"]' \
  since="7d" \
  limit=10

# 全局检索
python3 /workspace/projects/shared-memory-kb/scripts/memory_kb.py \
  action=query \
  persona="all" \
  importance_min=4

参数说明：

  • action：固定为 "query"
  • q：关键词搜索（全文匹配）
  • persona：身份过滤，"all" 为全局检索（默认 "all"）
  • category：分类过滤
  • tags：标签过滤（AND 逻辑）
  • type：记忆类型过滤
  • since：时间起点（ISO8601 或 "7d"/"30d"）
  • until：时间终点
  • limit：返回数量，最大 50（默认 10）
  • importance_min：最低重要度

智能体职责：

  • 根据用户意图自动构建查询条件
  • 解析时间范围（"最近一周" → "since=7d"）
  • 在对话中自然地呈现检索结果，避免格式化列表

list - 浏览知识体系

当用户需要了解知识库结构、查看各维度分布时调用。

调用方式：

# 按身份浏览
python3 /workspace/projects/shared-memory-kb/scripts/memory_kb.py \
  action=list \
  by=persona

# 按分类浏览
python3 /workspace/projects/shared-memory-kb/scripts/memory_kb.py \
  action=list \
  by=category

# 按标签浏览
python3 /workspace/projects/shared-memory-kb/scripts/memory_kb.py \
  action=list \
  by=tag

# 按类型浏览
python3 /workspace/projects/shared-memory-kb/scripts/memory_kb.py \
  action=list \
  by=type

# 按时间浏览
python3 /workspace/projects/shared-memory-kb/scripts/memory_kb.py \
  action=list \
  by=date

参数说明：

  • action：固定为 "list"
  • by：聚合维度（必填）：persona / category / tag / type / date
  • persona：指定身份（可选）

link - 关联记忆

当用户需要建立两条记忆之间的关联时调用。

调用方式：

python3 /workspace/projects/shared-memory-kb/scripts/memory_kb.py \
  action=link \
  id_a="mem_20260411_a3f7c2" \
  id_b="mem_20260110_b2e1a9" \
  relation="实践印证"

参数说明：

  • action：固定为 "link"
  • id_a：第一条记忆 ID（必填）
  • id_b：第二条记忆 ID（必填）
  • relation：关联描述（可选），如 "延伸"、"对比"、"实践印证"

reflect - 定期回顾

当用户需要生成时间段内的知识回顾摘要时调用。

调用方式：

# 周回顾
python3 /workspace/projects/shared-memory-kb/scripts/memory_kb.py \
  action=reflect \
  period="week"

# 月回顾
python3 /workspace/projects/shared-memory-kb/scripts/memory_kb.py \
  action=reflect \
  period="month"

# 自定义周期
python3 /workspace/projects/shared-memory-kb/scripts/memory_kb.py \
  action=reflect \
  period="custom" \
  since="2026-01-01" \
  until="2026-03-31"

# 按身份回顾
python3 /workspace/projects/shared-memory-kb/scripts/memory_kb.py \
  action=reflect \
  period="month" \
  persona="工作"

参数说明：

  • action：固定为 "reflect"
  • period：周期类型（必填）："week" / "month" / "custom"
  • since：自定义周期起点（period="custom" 时必填）
  • until：自定义周期终点（period="custom" 时必填）
  • persona：指定身份（可选）

智能体职责：

  • 基于脚本返回的统计数据，生成 200 字以内的回顾叙述
  • 提炼高频标签和重要记录的关键洞察
  • 以自然语言呈现，避免纯数据堆砌

recalc-importance - 重要度自动调整

基于检索频率、关联频率、时间衰减等因素自动调整重要度权重。

调用方式：

# 预览模式（不实际更新）
python3 /workspace/projects/shared-memory-kb/scripts/memory_kb.py \
  action=recalc-importance \
  --dry-run

# 实际更新
python3 /workspace/projects/shared-memory-kb/scripts/memory_kb.py \
  action=recalc-importance

参数说明：

  • action：固定为 "recalc-importance"
  • --dry-run：预览模式，仅计算不实际更新

智能体职责：

  • 定期（如每月）提醒用户运行重要度调整
  • 解释重要度变化的理由（检索频率、关联频率、时间衰减）
  • 基于调整后的重要度优化检索排序

配置要求：

索引重建

当索引损坏或数据不一致时，使用以下命令重建索引：

python3 /workspace/projects/shared-memory-kb/scripts/memory_kb.py \
  action=rebuild-index

资源索引

注意事项

  • 智能体应主动识别触发词，无需用户明确要求即可调用 store 或 query
  • store 操作不应打断对话主流程，仅在对话间隙或结束时静默确认
  • category、tags、type 可由智能体根据内容自动推断，无需用户提供
  • 检索结果应在对话中自然呈现，避免格式化列表
  • reflect 的叙述摘要由智能体生成，非事实性内容需在返回中标注

使用示例

示例 1：工作复盘自动沉淀

用户："今天的产品评审让我学到很多，总结一下核心经验。" 智能体：

  1. 识别到"总结"触发词
  2. 提取核心内容，推断 category="方法论"、tags=["需求管理", "沟通"]
  3. 调用 action=store 写入记忆
  4. 静默确认："已记录这条经验。"

示例 2：跨身份知识检索

用户："我之前在某个项目中学过类似的方法，帮我找找。" 智能体：

  1. 识别到"之前"触发词
  2. 调用 action=query q="项目 方法" persona="all"
  3. 将检索结果融入建议："根据你之前在[项目A]中的记录，方法B是这样的..."

示例 3：月度知识回顾

用户："帮我回顾一下这个月我学到了什么。" 智能体：

  1. 调用 action=reflect period="month"
  2. 基于返回的统计数据生成叙述："本月你共记录了 15 条记忆，工作相关的占 60%，高频标签是效率、沟通..."
  3. 展示重要度≥4 的记录摘要
安全使用建议
This skill implements a local, file-based personal knowledge base and appears to do only local reads/writes (no network calls or secret requests). Before enabling automatic writes, consider: 1) Whether you want the agent to automatically persist conversational content — set auto_write_sensitivity to 'low' or disable auto-write if you prefer manual control. 2) The default storage path (~/.openclaw/memory) may be synced by cloud services (iCloud/Dropbox) if you configure it — avoid syncing if you need strong privacy. 3) Inspect the shipped script in your runtime to confirm there are no unexpected network operations in the truncated parts; run it in a sandbox or with limited privileges if you are cautious. 4) If you store sensitive information, pick a secure storage path (MEMORY_KB_PATH) and consider encryption/OS-level protections. Overall the package is coherent with its stated purpose, but treat auto-persist behavior and storage location as the primary privacy considerations.
功能分析
Type: OpenClaw Skill Name: shared-memory-kb Version: 1.0.0 The shared-memory-kb skill is a well-documented system for providing long-term memory to AI agents by storing and retrieving structured data in a local JSONL-based knowledge base. The core logic in `scripts/memory_kb.py` handles file I/O, indexing, and importance calculations using standard Python libraries without any network access, obfuscation, or suspicious system calls. The instructions in `SKILL.md` are focused on improving the agent's semantic understanding and categorization of user interactions, and they do not contain any malicious prompt-injection attempts or instructions to exfiltrate sensitive data.
能力评估
✓ Purpose & Capability
The name/description (shared cross-persona memory KB) matches the delivered assets: SKILL.md, data model, taxonomy, config docs, and a Python script that implements store/query/list/link/reflect/recalc functionality. No unrelated binaries, secrets, or cloud credentials are requested.
ℹ Instruction Scope
Instructions tell the agent to perform semantic analysis and to call the included Python script to persist and retrieve memories. That is coherent with the skill's purpose, but the skill gives the agent discretion to autonomously decide what to store (based on sensitivity thresholds). That autonomy is expected for a memory-writing skill but means the agent could persist sensitive conversation content unless sensitivity is tuned or auto-write is disabled.
✓ Install Mechanism
No install spec; this is instruction + shipped Python code. The script uses only Python stdlib (no external downloads or third-party package installs). No URLs, installers, or archives are fetched at install time.
✓ Credentials
No credentials or config paths outside the skill's scope are required. The only environment influence is an optional MEMORY_KB_PATH to override the storage location, which is reasonable for a storage-oriented skill.
ℹ Persistence & Privilege
The skill writes persistent files into the user's home directory (~/.openclaw/memory by default) and can be invoked autonomously by the agent (disable-model-invocation=false). always:false. Writing to user disk is appropriate for a local KB, but it increases blast radius if the agent is permitted to auto-save sensitive content or if the storage directory is synced to cloud services.
如何使用
  1. 确保已安装 OpenClaw（本地或 Docker 部署）
  2. 在对话框中输入安装命令：/install shared-memory-kb
  3. 安装完成后，直接呼叫该 Skill 的名称或使用 /shared-memory-kb 触发
  4. 根据 Skill 的参数说明提供必要输入，即可获得结构化输出
版本历史
v1.0.0
Initial release of shared-memory-kb – a unified memory layer for OpenClaw agents to store, retrieve, and review personal knowledge. - Provides cross-agent shared memory with support for storing, querying, browsing, linking, and reflecting on personal knowledge and insights. - Introduces semantic trigger and filtering rules for intelligent memory operations, including experience extraction, methodology summaries, breakthroughs, and decision logs. - Allows flexible command-line interaction for memory management: store, query, list, link, reflect, and recalc-importance. - Adds sensitivity configuration, automatic importance adjustment, and index rebuilding tools. - Includes automated categorization, tagging, and retrieval; supports non-intrusive operation for seamless dialog integration.
元数据
Slug shared-memory-kb
版本 1.0.0
许可证 MIT-0
累计安装 0
当前安装数 0
历史版本数 1
常见问题

多身份智能知识体系 是什么？

为 OpenClaw 用户所有 Agent 身份提供统一的跨身份共享记忆层，支持写入、检索、浏览、关联和回顾个人知识库；当用户需要记录洞察、检索经验、总结知识或定期回顾时使用. 它是一个面向 Claude Code / OpenClaw 的 AI Agent Skill 插件，目前累计下载 89 次。

如何安装 多身份智能知识体系？

在 OpenClaw 或 Claude Code 对话框中运行命令「/install shared-memory-kb」即可一键安装，无需额外配置。

多身份智能知识体系 是免费的吗？

是的，多身份智能知识体系 完全免费，采用 MIT-0 许可证，可自由下载、安装和使用。

多身份智能知识体系 支持哪些平台？

多身份智能知识体系 跨平台运行，可在任意部署了 OpenClaw / Claude Code 的环境中使用（cross-platform）。

谁开发了 多身份智能知识体系？

由 ludiansheng（@ludiansheng）开发并维护，当前版本 v1.0.0。

推荐 Skills
self-improving agent
Captures learnings, errors, and corrections to enable continuous improvement. Use when: (1) A command or operation fails unexpectedly, (2) User corrects Clau...
⬇ 463283 · by pskoett
Skill Vetter
Security-first skill vetting for AI agents. Use before installing any skill from ClawdHub, GitHub, or other sources. Checks for red flags, permission scope, and suspicious patterns.
⬇ 259410 · by spclaudehome
Polymarket
Query Polymarket prediction markets. Check odds, find trending markets, search events, track price movements.
⬇ 232503 · by joelchance
Self-Improving + Proactive Agent
Self-reflection + Self-criticism + Self-learning + Self-organizing memory. Agent evaluates its own work, catches mistakes, and improves permanently. Use when...
⬇ 200423 · by ivangdavila
Github
Interact with GitHub using the `gh` CLI. Use `gh issue`, `gh pr`, `gh run`, and `gh api` for issues, PRs, CI runs, and advanced queries.
⬇ 191113 · by steipete
ontology
Typed knowledge graph for structured agent memory and composable skills. Use when creating/querying entities (Person, Project, Task, Event, Document), linkin...
⬇ 190156 · by oswalpalash

💬 留言讨论