AgentMemory：持久化 AI 上下文与事实保留 - Openclaw Skills

什么是 AgentMemory？

AgentMemory 是一个强大的框架，旨在解决 AI 智能体工作流中的上下文丢失问题。通过提供持久存储层，该工具使 Openclaw Skills 生态系统内的智能体能够保持跨时间的连续性。它允许存储结构化事实、行为教训和特定实体的元数据，确保每个会话都建立在之前的基础之上，而不是从零开始。

这种能力对于构建需要深入了解历史交互和项目特定细微差别的复杂、长期运行的智能体系统至关重要。使用像 AgentMemory 这样的 Openclaw Skills 工具，可以将无状态智能体转变为一个随着您的开发过程不断进化的知识渊博的助手。

下载入口:https://github.com/openclaw/skills/tree/main/skills/dennis-da-menace/agent-memory

安装与下载

1. ClawHub CLI

从源直接安装技能的最快方式。

npx clawhub@latest install agent-memory

2. 手动安装

将技能文件夹复制到以下位置之一

全局模式 ~/.openclaw/skills/ 工作区 <project>/skills/

优先级：工作区 > 本地 > 内置

3. 提示词安装

将此提示词复制到 OpenClaw 即可自动安装。

请帮我使用 Clawhub 安装 agent-memory。如果尚未安装 Clawhub，请先安装（npm i -g clawhub）。

AgentMemory 应用场景

• 通过加载历史上下文和相关项目事实来初始化新的智能体会话。
• 在对话结束时捕捉持久的见解和事实，以防止数据丢失。
• 记录在尝试失败或出错后的教训，以提高未来智能体的表现。
• 建立实体目录（如人员、角色或项目定义），以维持多智能体环境中的一致性。

AgentMemory 工作原理

1. 使用 Python API 初始化记忆系统，建立与本地 SQLite 数据库的连接。
2. 通过 remember 函数存储通用事实，或通过 learn 函数存储行动及其结果。
3. 在活跃的智能体工作流中，使用语义召回或特定上下文过滤器查询存储的数据。
4. 将记忆协议集成到 AGENTS.md 等生命周期文件中，以自动执行事实提取和教训检索。
5. 将所有数据本地持久化在结构化数据库中，允许跨会话访问并为 Openclaw Skills 用户提供便捷的备份。

AgentMemory 配置指南

要开始使用 Openclaw Skills 库中的此条目，请通过 CLI 安装包：

clawdhub install agent-memory

然后，在您的 Python 脚本中初始化记忆：

from src.memory import AgentMemory
mem = AgentMemory()

默认情况下，数据存储在 ~/.agent-memory/memory.db，但您可以在初始化期间指定自定义路径：AgentMemory(db_path="/path/to/memory.db")。

AgentMemory 数据架构与分类体系

AgentMemory 在 SQLite 数据库中将信息组织为几个关键部分：

组件	用途
事实 (Facts)	存储通用信息，并附带用于语义检索的关联标签。
教训 (Lessons)	跟踪行动、上下文、结果（正面/负面）以及衍生的见解。
实体 (Entities)	使用灵活的元数据 JSON 管理特定名称（人员、项目）的配置文件。
元数据 (Metadata)	跟踪每个条目的时间戳和源会话标识符。

AgentMemory Skill

Persistent memory system for AI agents. Remember facts, learn from experience, and track entities across sessions.

Installation

clawdhub install agent-memory

Usage

from src.memory import AgentMemory

mem = AgentMemory()

# Remember facts
mem.remember("Important information", tags=["category"])

# Learn from experience
mem.learn(
    action="What was done",
    context="situation",
    outcome="positive",  # or "negative"
    insight="What was learned"
)

# Recall memories
facts = mem.recall("search query")
lessons = mem.get_lessons(context="topic")

# Track entities
mem.track_entity("Name", "person", {"role": "engineer"})

When to Use

• Starting a session: Load relevant context from memory
• After conversations: Store important facts
• After failures: Record lessons learned
• Meeting new people/projects: Track as entities

Integration with Clawdbot

Add to your AGENTS.md or HEARTBEAT.md:

## Memory Protocol

On session start:
1. Load recent lessons: `mem.get_lessons(limit=5)`
2. Check entity context for current task
3. Recall relevant facts

On session end:
1. Extract durable facts from conversation
2. Record any lessons learned
3. Update entity information

Database Location

Default: ~/.agent-memory/memory.db

Custom: AgentMemory(db_path="/path/to/memory.db")