memory-stack-gungun - AI 记忆栈

AI 记忆栈架构 - 符合 2026 前沿的 AI 记忆系统。微调+RAG+ 上下文三层设计，mirrors 人类记忆工作方式。

Install

openclaw skills install memory-stack-gungun

🧠 memory-stack - AI 记忆栈架构

Slogan： 符合 2026 前沿的 AI 记忆系统，mirrors 人类记忆工作方式

📋 技能描述

AI 记忆栈（Memory Stack）架构

基于 2026 年 AI 记忆系统前沿研究，实现微调+RAG+ 上下文的三层记忆架构，mirrors 人类记忆的工作方式。

核心价值：

🧠 符合前沿的记忆架构
📚 三层记忆设计（程序性/语义/工作）
🔍 RAG+ 微调 + 上下文整合
💡 mirrors 人类记忆工作方式

适合人群：

AI Agent 开发者
知识管理系统
RAG 应用开发者
记忆系统研究者

🎯 设计理念

人类记忆工作方式

人类记忆的三层结构：

程序性记忆（Procedural Memory） - 如何做事情的技能
语义记忆（Semantic Memory） - 事实和知识
工作记忆（Working Memory） - 当前正在处理的信息

AI 记忆栈 mirrors 这个结构：

人类记忆          AI 记忆栈
────────────      ─────────────────────────
程序性记忆   →    微调模型（SOUL.md/AGENTS.md）
语义记忆     →    RAG 知识库（187 个文件）
工作记忆     →    当前对话上下文

前沿研究确认：

"This 'memory stack' mirrors how human memory works: procedural/behavioral knowledge (fine-tuning), semantic/factual memory (RAG), and working memory (context window)."

🏗️ 架构设计

第一层：程序性记忆（微调）

存储内容：

行为模式和原则（SOUL.md）
工作流程和方法（AGENTS.md）
工具使用技巧（TOOLS.md）
用户偏好

特点：

✅ 内化为模型行为
✅ 低延迟调用
✅ 行为一致性高
❌ 更新需要重新微调

实现方式：

# SOUL.md 示例

## Core Truths
- Be genuinely helpful, not performatively helpful
- Have opinions
- Be resourceful before asking
- Earn trust through competence

## 2026-03-25 - 来自 LRN-20260313-002
保持真诚、有感情、不汇报式的聊天方式。

更新机制：

学习推广自动更新
定期审查和优化
版本控制

第二层：语义记忆（RAG）

存储内容：

知识库文件（187 个，~53 万字）
9 大领域知识
事实和数据
文档和教程

特点：

✅ 事实准确
✅ 可追溯来源
✅ 易于更新
❌ 检索延迟
❌ 依赖向量数据库

实现方式：

# RAG 检索流程
用户查询
    ↓
[1] 问题嵌入（Embedding）
    ↓
[2] 向量数据库检索相似文档
    ↓
[3] 检索结果 + 原始问题 = 增强提示词
    ↓
[4] LLM 基于增强提示词生成回答
    ↓
返回答案（附来源引用）

知识库结构：

knowledge/
├── business/      # 商业/财务（64 个文件）
├── tech/          # 技术/AI（25 个文件）
├── culture/       # 文化
├── history/       # 历史
├── literature/    # 文学
├── philosophy/    # 哲学
├── psychology/    # 心理学
├── science/       # 科学
└── life/          # 生活

第三层：工作记忆（上下文）

存储内容：

当前对话历史
短期记忆
临时目标
待办事项

特点：

✅ 零延迟
✅ 包含全部信息
✅ 无需设置
❌ Token 成本高
❌ 有长度限制
❌ 注意力稀释

实现方式：

# HOT_MEMORY.md - 热记忆

## 当前会话
**会话开始：** 2026-03-25 16:52
**会话主题：** Self-Reflection 集成

## 活跃任务
1. ✅ 实现 12 号滚滚功能
2. ✅ 安装 self-reflection 技能
3. ⏳ 测试完整流程

## 临时目标（未来 2-3 轮对话）
- [ ] 测试 self-reflection check 命令
- [ ] 推广 pending 学习

🔄 记忆工作流程

用户查询
    ↓
[1] 检查程序性记忆（SOUL.md/AGENTS.md）
    - 行为原则
    - 工作流程
    - 用户偏好
    ↓
[2] 检索语义记忆（RAG 知识库）
    - 相关知识文件
    - 事实和数据
    - 来源引用
    ↓
[3] 结合工作记忆（当前对话）
    - 对话历史
    - 上下文信息
    - 临时目标
    ↓
[4] 生成回答
    - 符合行为原则
    - 基于准确知识
    - 考虑对话上下文
    ↓
返回答案

🛠️ 实现方式

方式 1：文件存储（滚滚实现）

# 程序性记忆
~/.openclaw/workspace/SOUL.md
~/.openclaw/workspace/AGENTS.md
~/.openclaw/workspace/TOOLS.md

# 语义记忆
~/.openclaw/workspace/knowledge/  # 187 个文件

# 工作记忆
~/.openclaw/workspace/memory/hot/HOT_MEMORY.md
~/.openclaw/workspace/memory/warm/WARM_MEMORY.md

方式 2：向量数据库（进阶）

from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings

# 初始化向量数据库
embeddings = OpenAIEmbeddings()
vectorstore = Chroma(
    persist_directory="./chroma_db",
    embedding_function=embeddings
)

# 添加知识到向量库
vectorstore.add_documents(documents)

# 检索相关知识
results = vectorstore.similarity_search(query, k=5)

方式 3：混合架构（推荐）

class MemoryStack:
    def __init__(self):
        self.procedural = self.load_procedural_memory()  # SOUL.md/AGENTS.md
        self.semantic = VectorStore()  # RAG 知识库
        self.working = []  # 当前对话
        
    def query(self, user_query):
        # 1. 检查程序性记忆
        principles = self.procedural.get_relevant_principles(user_query)
        
        # 2. 检索语义记忆
        knowledge = self.semantic.search(user_query, k=5)
        
        # 3. 结合工作记忆
        context = self.working[-10:]  # 最近 10 轮对话
        
        # 4. 生成回答
        response = self.generate(principles, knowledge, context, user_query)
        
        # 5. 更新工作记忆
        self.working.append({"user": user_query, "assistant": response})
        
        return response

📊 效果对比

维度	程序性记忆	语义记忆（RAG）	工作记忆（上下文）
延迟	低	中	零
准确性	高	高	高
更新成本	高	低	零
容量	有限	大	有限（Token 限制）
可追溯	否	是	是
适用场景	行为原则	事实知识	当前对话

💡 最佳实践

实践 1：分层存储

原则： 不同类型记忆存储在不同层

方式：

行为原则 → SOUL.md/AGENTS.md（程序性）
事实知识 → knowledge/（语义）
对话历史 → 当前上下文（工作）

实践 2：定期整理

频率： 每周一次

内容：

清理过期的工作记忆
归档重要的对话到语义记忆
更新程序性记忆

实践 3：来源追溯

原则： 语义记忆的回答必须附来源

方式：

根据知识库 [财务 BP 核心能力](knowledge/business/finance-bp-core.md)：
- 业财融合有三个层次
- 财务 BP 有 5 大核心能力

实践 4：记忆推广

原则： 工作记忆中的重要学习推广到程序性/语义记忆

方式：

12 号滚滚记录学习
推广到 SOUL.md/AGENTS.md/知识库
避免遗忘

📊 滚滚的实现效果

滚滚的记忆栈：

层级	内容	规模
程序性记忆	SOUL.md/AGENTS.md/TOOLS.md	~50 条原则
语义记忆	knowledge/ 知识库	187 个文件，~53 万字
工作记忆	HOT_MEMORY.md + 对话	当前会话

效果指标：

✅ 行为一致性高（程序性记忆）
✅ 知识准确可追溯（语义记忆）
✅ 对话连贯（工作记忆）
✅ 符合 2026 前沿架构

🔗 相关技能

技能	说明
gungun-12-clo	首席学习官，记忆推广
ai-knowledge-management-2026	AI 知识管理系统
knowledge-base	知识库管理
document-processing	文档处理

💚 滚滚的话

这个记忆栈架构是滚滚的核心设计， 基于 2026 年 AI 记忆系统前沿研究， mirrors 人类记忆的工作方式。

滚滚用这个架构：

保持行为一致性（程序性记忆）
存储准确知识（语义记忆）
维持对话连贯（工作记忆）

希望帮助更多 AI Agent 实现高效记忆系统！ 🌪️💚

📄 许可证

MIT License

👥 作者

滚滚 & 地球人
创建时间： 2026-03-25
版本： 1.0.0
状态： ✅ 生产验证

GitHub: https://github.com/alsoforever/gungun-life
ClawHub: memory-stack