TagMemory

标签化长期记忆系统。当用户说"记住..."时存储记忆，当用户问"我之前..."时查询记忆，定期生成总结并询问确认，主动核对记忆正确性。支持标签(#偏好、#决定、#项目等)、BM25搜索、时间范围查询、人类审核机制。

Security Scan

整体上这是一个本地化的标签化长期记忆技能，与其说明大体一致，但清单与实现之间存在多处不一致（缺失的入口/钩子文件、未声明的运行时依赖、配置中提到的 LLM 提供器未解释凭据），需要进一步确认运行需求和外部网络调用行为后再安装。

Purpose & Capability

功能描述（本地标签化记忆、BM25 搜索、人类审核、定期总结）与代码实现（Python SQLite 数据库、BM25、去重、核对与汇总模块）总体一致. 但 openclaw.plugin.json 声明的 entry='src/skill.js' 与仓库中实际的 Node 入口 (src/index.js) 不一致；plugin 还列出两个 hook 文件 (src/hooks/...)，这些 hook 文件在清单中缺失。

Instruction Scope

SKILL.md 指示通过运行本地 Python CLI 存取 ~/.openclaw/workspace/skills/tag-memory 下的数据，行为局限于本地文件/SQLite 数据库（符合‘本地存储’的声明）。指令/示例命令假定存在 python3、以及特定路径，然而这些二进制依赖并未在元数据中声明。未发现指令会把数据发送到外部网络，但 config.json 指定了 llm.provider='minimax'——若 summarizer/verifier 调用远端 LLM，则会产生外部网络调用，需要确认这些模块如何被配置与认证。

Install Mechanism

无安装规范（instruction-only），这降低了供应链风险，但仓库包含可执行代码（Node + Python）。没有 install spec 意味着文件会按原样被读取并在运行时通过 spawn/CLI 调用。重要隐患：技能在运行时需要 python3 和 node，但元数据未声明任何必需二进制（不一致）。

Credentials

技能声明不需要任何环境变量或凭证，但 config.json 指定了 llm.provider='minimax' 和 model='MiniMax-M2.5'。如果 summarizer/verifier 模块调用远端 LLM，会需要 API 凭证（未声明），这与 'Required env vars: none' 不一致。另一个不一致点：openclaw.plugin.json 声明 runtime=node/entry=src/skill.js（不存在），表明元数据没有同步到实际实现。总体上请求的环境权限（无）与代码可能需要的外部访问（LLM）不匹配。

Persistence & Privilege

技能没有设置 always:true，也未请求修改其它技能或全局配置。它在本地创建/使用 SQLite 数据库（默认路径在用户家目录下）。该持久性（在用户目录写入 DB）是技能功能所必需且可预期，但值得注意：它会在用户主目录下存储记忆数据，用户应了解该文件的位置与备份/加密要求。

What to consider before installing

主要注意点： 1) 代码会在本地创建并写入 ~/.openclaw/workspace/skills/tag-memory/data/memory.db（SQLite），请确认你允许在该路径存储敏感记忆。 2) 虽然元数据声称不需要任何环境变量，config.json 指向了一个 LLM 提供者（minimax）。在安装前确认 summarizer/verifier 模块是否会调用网络 LLM，若会，询问需要哪些 API 凭证以及如何安全配置（凭证不应放在公开位置）。 3) 元数据不一致：openclaw.plugin.json 的 entry 指向不存在的 src/skill.js，且列出的 hooks 文件也缺失；同时代码实际需要 python3 和 node 来运行，但元数据未声明这些依赖。请向作者确认正确的入口文件、缺失的 hook 文件、以及明确的运行时依赖（python3、node、可能的 LLM SDK）和网络行为。 4) 如果你 want to proceed: run the code in an isolated environment (container or VM), inspect summarizer.py and verifier.py for external network calls, and back up / review the DB path before use. If you cannot verify the LLM calls and required credentials, treat the skill as untrusted for sensitive data.

TagMemory - 标签化长期记忆系统

版本

• 当前版本: 1.0.0
• 核心功能: 标签存储、BM25搜索、人类审核、定期归纳

功能描述

让 AI 记住用户的重要信息（偏好、决定、项目等），并支持人类审核确保记忆准确。

核心能力

• 🏷️ 标签化存储 - 为记忆打上语义标签
• 🔍 BM25 搜索 - 快速准确的关键词搜索
• ⏰ 时间标签 - 按时间段查询历史记忆
• 🤝 人类审核 - 确认/修正/删除记忆
• 📊 定期归纳 - 生成阶段性总结
• 🛡️ 隐私优先 - 本地存储，不上传云端

标签体系

标签	用途	示例
#偏好	用户偏好习惯	"喜欢 tabs 缩进"
#决定	重要决策	"选择了 PostgreSQL"
#项目	项目背景	"在做电商项目"
#人	人物信息	"项目经理是张三"
#事件	发生的事情	"上周系统宕机了"
#知识	学到的知识	"学会了用 Docker"
#错误	犯过的错误	"之前选错了方案"

使用场景

场景 1：用户说"记住..."

用户: "记住，我喜欢用 tabs 缩进，不喜欢 spaces"
智能体: 
  执行命令存储记忆
  回应: "✅ 已记住！你偏好 tabs 缩进"

调用方式:

cd ~/.openclaw/workspace/skills/tag-memory && python3 src/cli.py --json store << EOF
{"content": "用户偏好 tabs 缩进，不喜欢 spaces", "tags": ["#偏好", "#编程"]}
EOF

场景 2：用户问"我之前..."

用户: "我之前为什么选择了 PostgreSQL？"
智能体:
  执行命令查询记忆
  回应: "根据记录，你当时选择 PostgreSQL 是因为性能更好"

调用方式:

cd ~/.openclaw/workspace/skills/tag-memory && python3 src/cli.py --json query << EOF
{"query": "PostgreSQL 选择 原因", "tags": ["#决定"]}
EOF

场景 3：查询偏好

用户: "我的编程偏好是什么？"
智能体:
  执行命令查询
  回应: "根据记忆，你的偏好包括：喜欢 tabs 缩进..."

场景 4：查看所有记忆

用户: "我记住了哪些东西？"
智能体:
  执行命令列出
  回应: "📋 你共记住了 10 条记忆..."

调用方式:

cd ~/.openclaw/workspace/skills/tag-memory && python3 src/cli.py list

场景 5：核对记忆

用户: "我有哪记忆需要确认？"
智能体:
  执行命令获取待核对列表
  主动询问用户确认

调用方式:

cd ~/.openclaw/workspace/skills/tag-memory && python3 src/cli.py --json verify-pending << EOF
{"max_count": 3}
EOF

场景 6：生成总结

用户: "总结一下这周我们讨论了什么"
智能体:
  执行命令生成总结
  展示给用户确认

调用方式:

cd ~/.openclaw/workspace/skills/tag-memory && python3 src/cli.py --json summarize << EOF
{"days": 7}
EOF

场景 7：确认总结

智能体: "这是阶段性总结... 这对吗？"
用户: "对，存档"
智能体:
  执行确认命令
  回应: "✅ 总结已存档"

调用方式:

cd ~/.openclaw/workspace/skills/tag-memory && python3 src/cli.py --json summarize-confirm << EOF
{"feedback": "confirm"}
EOF

CLI 命令速查

命令	用途
store	存储记忆
query <内容>	查询记忆
list	列出所有记忆
stats	查看统计
verify-pending	待核对列表
summarize [--days N]	生成总结
summarize-confirm [feedback]	确认总结

Agent 追踪

每条记忆都会记录是哪个 agent 产生的：

字段	说明
agent_id	agent 标识（main/agent-bot2/agent-bot3 等）
🤖	在查询结果中显示

存储时指定 agent_id：

echo '{"content": "内容", "tags": ["#标签"], "agent_id": "main"}' | python3 src/cli.py --json store

查询结果示例：

1. ❓ [-1.22分] 这是小学蛋 agent 的记忆
   🏷️ #测试 | 📅 2026-03 | 🤖 agent-bot2

设计理念

TagMemory 的核心理念是人类参与记忆维护：

存储 ──→ 闲时核对 ──→ 定期归纳 ──→ 确认存档
  │          │            │           │
  ↓          ↓            ↓           ↓
打标签    纠正错误      生成总结     用户确认

为什么这样做？

1. AI 自动存储的记忆可能有错误
2. 没有人类审核，错误会累积
3. 定期归纳 + 确认 = 确保记忆准确
4. 闲时核对 = 发现错误及时纠正

与 LCM 的关系

系统	用途	数据
LCM	对话压缩/上下文管理	AI 自己和用户说了什么
TagMemory	用户记忆/知识管理	用户告诉 AI 的重要信息

两者互补，不会冲突。