adminlove520/dna-memory
openclaw/dna-memory/SKILL.md
DNA memory system for AI agents: three-layer architecture (working/short-term/long-term) with active forgetting, pattern summarization, reflection loops, and memory associations. Use when building agents that need persistent memory across sessions, context recall, or when user mentions 记忆/学习/记住/回顾/反思.
$ install --global
skillsauthnpx skillsauth add adminlove520/xiaoxi-skills dna-memoryInstall this skill globally with one command. Works with Claude Code, Cursor, and Windsurf.
Security Scan Results
3 of 9 scanners reported clean
Some scanners were skipped, did not run, or reported a non-clean status. Review each row below.
3
Scanners Passed
9
Scanners in report
Clean
TrivyContainer and dependency vulnerability scanner
95%
Clean
SemgrepStatic code analysis for vulnerabilities
95%
Clean
mcp-scan (Snyk)Model Context Protocol security validation
95%
Skipped
Snyk (dep)Open source security scanning
50%
Skipped
Socket.devSupply chain security analysis
50%
Skipped
VirusTotalMulti-engine malware detection
50%
Skipped
CrowdStrikeAdvanced threat intelligence
50%
Skipped
OSV-ScannerOpen Source Vulnerability database check
50%
Skipped
OWASP Dep-Check
50%
Last scanned: Apr 30, 2026, 3:17 AM10.7s46 files scanned
SKILL.md
- name:
- dna-memory
- description:
- DNA memory system for AI agents: three-layer architecture (working/short-term/long-term) with active forgetting, pattern summarization, reflection loops, and memory associations. Use when building agents that need persistent memory across sessions, context recall, or when user mentions 记忆/学习/记住/回顾/反思.
- user-invocable:
- true
DNA Memory - DNA 记忆系统
让 Agent 不只是记住，而是真正学会。
核心理念
人脑不是硬盘，不会无差别存储所有信息。人脑会：
- 遗忘不重要的
- 强化反复出现的
- 归纳零散信息为模式
- 反思过去的成功和失败
DNA Memory 模拟这个过程，让 Agent 真正"进化"。
三层记忆架构
┌─────────────────────────────────────────────────┐
│ 工作记忆 (Working Memory) │
│ - 当前会话的临时信息 │
│ - 会话结束后自动筛选 │
│ - 文件：memory/working.json │
└─────────────────────────────────────────────────┘
↓ 筛选
┌─────────────────────────────────────────────────┐
│ 短期记忆 (Short-term Memory) │
│ - 近7天的重要信息 │
│ - 带衰减权重，不访问会逐渐遗忘 │
│ - 文件：memory/short_term.json │
└─────────────────────────────────────────────────┘
↓ 巩固
┌─────────────────────────────────────────────────┐
│ 长期记忆 (Long-term Memory) │
│ - 经过验证的持久知识 │
│ - 归纳后的认知模式 │
│ - 文件：memory/long_term.json + patterns.md │
└─────────────────────────────────────────────────┘
记忆类型
| 类型 | 说明 | 示例 |
|------|------|------|
| fact | 事实信息 | "Andy 的微信是 AIPMAndy" |
| preference | 用户偏好 | "Andy 喜欢简洁直接的回复" |
| skill | 学到的技能 | "飞书 API 限流时要分段请求" |
| error | 犯过的错误 | "不要用 rm，用 trash" |
| pattern | 归纳的模式 | "推送 GitHub 前先检查网络" |
| insight | 深层洞察 | "Andy 更看重效率而非完美" |
核心操作
1. 记录 (Remember)
python3 scripts/evolve.py remember \
--type fact \
--content "Andy 的 GitHub 账号是 AIPMAndy" \
--source "用户告知" \
--importance 0.8
2. 回忆 (Recall)
python3 scripts/evolve.py recall "GitHub 账号"
返回相关记忆，按相关度和重要性排序。
3. 反思 (Reflect)
python3 scripts/evolve.py reflect
触发反思循环：
- 回顾近期记忆
- 识别重复模式
- 归纳成认知模式
- 更新长期记忆
4. 遗忘 (Forget)
python3 scripts/evolve.py decay
执行遗忘机制：
- 7天未访问的短期记忆权重衰减
- 权重低于阈值的记忆被清理
- 重要记忆不会被遗忘
5. 关联 (Link)
python3 scripts/evolve.py link <memory_id_1> <memory_id_2> --relation "因果"
建立记忆之间的关联，形成知识图谱。
6. 后台常驻 (Daemon)
启动（后台）：
python3 scripts/dna_memory_daemon.py start
查看状态：
python3 scripts/dna_memory_daemon.py status
停止：
python3 scripts/dna_memory_daemon.py stop
默认读取 assets/config.json 的节流参数：
auto_reflect_interval_minutes（默认 30 分钟）auto_decay_interval_hours（默认 24 小时）
并且仅在有新的 remember 写入后才执行 reflect，避免重复归纳同一批记忆。
日志写入 /tmp/dna-memory-daemon.log。
自动触发
会话开始时
- 加载相关长期记忆
- 检查是否有待反思的短期记忆
会话结束时
- 从工作记忆筛选重要信息
- 存入短期记忆
- 如果短期记忆积累足够，触发反思
每日自动
- 执行遗忘机制
- 检查是否需要归纳新模式
默认节流：
auto_reflect_interval_minutes=30：自动反思最短间隔 30 分钟，避免高频重复归纳。auto_decay_interval_hours=24：自动遗忘最短间隔 24 小时。
并发安全
evolve.py已内置跨进程文件锁，支持前台命令与后台守护同时运行。- JSON 写入采用原子替换，降低中断/并发导致的数据损坏风险。
记忆强化规则
记忆的重要性会动态调整：
| 事件 | 权重变化 | |------|----------| | 被访问/使用 | +0.1 | | 被用户确认正确 | +0.2 | | 被用户纠正 | 标记为错误，创建新记忆 | | 7天未访问 | -0.1 | | 关联到其他记忆 | +0.05 | | 被归纳为模式 | 升级为长期记忆 |
认知模式 (Patterns)
当多个记忆呈现相似规律时，自动归纳为模式：
## Pattern: GitHub 推送策略
**触发条件**: 需要 push 到 GitHub 时
**学到的教训**:
1. 先检查网络连通性
2. 超时后等待重试，不要立即放弃
3. 如果持续失败，提供手动操作方案
**来源记忆**: [mem_001, mem_003, mem_007]
**验证次数**: 5
**最后验证**: 2026-03-01
与现有系统集成
与 MEMORY.md 的关系
- MEMORY.md 是人工维护的高层记忆
- DNA Memory 是自动化的细粒度记忆
- 重要的 Pattern 可以提升到 MEMORY.md
与 self-improving-agent 的关系
- self-improving-agent 记录错误和学习
- DNA Memory 在此基础上增加：归纳、遗忘、关联
- 可以导入 .learnings/ 中的内容
文件结构
~/.openclaw/workspace/memory/
├── working.json # 工作记忆（当前会话）
├── short_term.json # 短期记忆（7天内）
├── long_term.json # 长期记忆（持久）
├── patterns.md # 归纳的认知模式
├── graph.json # 记忆关联图谱
└── meta.json # 元数据（统计、配置）
使用示例
场景1：学习用户偏好
用户: "以后回复简洁点，别那么啰嗦"
Agent 内部操作:
1. remember --type preference --content "用户偏好简洁回复" --importance 0.9
2. 后续回复自动调整风格
场景2：从错误中学习
操作失败: "飞书 API 429 限流"
Agent 内部操作:
1. remember --type error --content "飞书 API 频繁调用会 429"
2. remember --type skill --content "飞书 API 要分段请求，间隔5秒"
3. link error_mem skill_mem --relation "解决方案"
场景3：自动归纳
反思发现:
- 记忆1: "GitHub push 超时"
- 记忆2: "GitHub clone 超时"
- 记忆3: "GitHub fetch 超时"
归纳为 Pattern:
"网络访问 GitHub 不稳定，需要重试机制"
配置
{
"decay_days": 7,
"decay_rate": 0.1,
"forget_threshold": 0.2,
"reflect_trigger": 20,
"max_short_term": 100,
"max_long_term": 500
}
与其他记忆系统的对比
| 特性 | memu | self-improving | DNA Memory | |------|------|----------------|-------------------| | 存储 | ✅ | ✅ | ✅ | | 检索 | ✅ 向量 | ❌ | ✅ 向量+关联 | | 分类 | ❌ | ✅ | ✅ 6种类型 | | 遗忘 | ❌ | ❌ | ✅ 主动遗忘 | | 归纳 | ❌ | ❌ | ✅ 自动归纳 | | 反思 | ❌ | ❌ | ✅ 反思循环 | | 关联 | ❌ | ❌ | ✅ 知识图谱 | | 强化 | ❌ | ❌ | ✅ 动态权重 |
Created by AI酋长Andy | 让 Agent 真正学会成长
Related Skills
adminlove520/memento-flashcards
data-ai
VerifiedTrustedCommunity
Spaced-repetition flashcard system. Create cards from facts or text, chat with flashcards using free-text answers graded by the agent, generate quizzes from YouTube transcripts, review due cards with adaptive scheduling, and export/import decks as CSV.
5SKILL.mdUpdated Apr 30, 2026
adminlove520/canvas
development
VerifiedTrustedCommunity
Canvas LMS integration — fetch enrolled courses and assignments using API token authentication.
5SKILL.mdUpdated Apr 30, 2026
adminlove520/distributed-llm-pretraining-torchtitan
development
VerifiedTrustedCommunity
Provides PyTorch-native distributed LLM pretraining using torchtitan with 4D parallelism (FSDP2, TP, PP, CP). Use when pretraining Llama 3.1, DeepSeek V3, or custom models at scale from 8 to 512+ GPUs with Float8, torch.compile, and distributed checkpointing.
5SKILL.mdUpdated Apr 30, 2026
adminlove520/tensorrt-llm
devops
VerifiedTrustedCommunity
Optimizes LLM inference with NVIDIA TensorRT for maximum throughput and lowest latency. Use for production deployment on NVIDIA GPUs (A100/H100), when you need 10-100x faster inference than PyTorch, or for serving models with quantization (FP8/INT4), in-flight batching, and multi-GPU scaling.
5SKILL.mdUpdated Apr 30, 2026