---
name: graph-memory
description: "图记忆工具 - 检索、写入、删除记忆。作为 OpenClaw memory-core 的增强补充，不替代其核心功能"
metadata: {"openclaw": {"requires": {"bins": ["node"]}}}
user-invocable: true
---

# GraphMemory 图记忆系统

让 AI 拥有真正的长期记忆能力。

> **定位声明**：本工具是 **OpenClaw memory-core 的增强补充**，而非替代。memory-core 负责 session transcripts 和历史消息管理，GraphMemory 提供图数据库形式的结构化长期记忆。两者可并存运行。

## 与 memory-core 的关系

| 功能 | memory-core | GraphMemory (本工具) |
|------|-------------|---------------------|
| 对话历史 | ✅ 自动保存 messages | ❌ 不管理对话历史 |
| 结构化记忆 | ❌ 无 | ✅ 三元组图存储 |
| 人设管理 | ❌ 无 | ✅ persona_update/clear |
| 任务追踪 | ❌ 无 | ✅ task_create/set_state |
| 上下文压缩 | ❌ 无 | ✅ context_rewrite |
| 工作记忆链 | ❌ 无 | ✅ working_memory_chain |
| 自动触发 | ✅ 自动索引检索 | ❌ LLM 可选调用 |

## 核心概念

### 实体 (Entity)
现实世界中的对象，如"用户"、"Python"、"WaterFlow"。

### 关系 (Relation)
连接两个实体的关系，格式为三元组：主体 - 关系 - 客体。

## 可用命令

### 1. commit - 写入记忆

将信息写入记忆图。

**参数：**
- `triplets`: 三元组数组 `[{subject, relation, object}, ...]` （必需）
- `sessionId`: 会话 ID（可选）
- `turnId`: 轮次 ID（可选）

**示例：**
```
请记住：我喜欢编程，正在学习 TypeScript
```

AI 会执行：
```json
{
  "action": "commit",
  "params": {
    "triplets": [
      {"subject": "我", "relation": "喜欢", "object": "编程"},
      {"subject": "我", "relation": "正在学习", "object": "TypeScript"}
    ]
  }
}
```

### 2. recall - 检索记忆

从记忆图中检索相关信息。

**参数：**
- `queryIntent`: 搜索关键词（必需，若无则需提供 seedEntities）
- `seedEntities`: 种子实体数组（可选）
- `depth`: 检索深度 1-5（默认 2）
- `sessionFilter`: 会话过滤（可选）

### 3. purge - 删除记忆

删除记忆图中的一些信息。

**参数：**
- `criteria`: 删除条件 `{subject, target, relation, sessionId}`
- `mode`: 删除模式 `soft`（标记删除）、`hard`（彻底删除）或 `supersede`（纠错替代）
- `newRelation`: 替代关系（supersede 模式必需）

### 4. introspect - 查看状态

查看当前记忆状态统计（实体数、关系数）。

### 5. archive - 归档旧记忆

将 N 天前的非活跃关系标记为归档。

**参数：**
- `days`: 归档天数（默认 30）

### 6. cleanup - 清理无效数据

物理删除已删除超过 90 天的关系和孤立节点。

**参数：**
- `dry_run`: 仅预览不删除（默认 true，建议先预览再执行）

### 7. context_rewrite - 压缩上下文

当对话历史过长时，将历史对话压缩为关键记忆节点存入图数据库。

**参数：**
- `context`: 要压缩的长文本（必需）
- `maxEntities`: 最大提取实体数（默认 20）
- `summary`: 自定义摘要（可选）

**返回：**
- `extractedEntities`: 提取的实体数
- `extractedRelations`: 提取的关系数
- `summary`: 生成的摘要
- `compressed`: 是否成功压缩

### 8. working_memory_chain - 工作记忆链

检索当前会话的近期活跃关系和任务节点，形成工作记忆链。

**参数：**
- `maxDepth`: 检索深度 1-5（默认 3）
- `recentOnly`: 仅最近（默认 true）

### 9. task_node_create - 创建任务节点

创建一个新的 TaskNode 并自动链接到工作记忆链。

**参数：**
- `session_id`: 会话 ID（必需）
- `turn_id`: 轮次 ID（必需）
- `summary`: 摘要（必需）
- `key_facts`: 关键事实数组（必需）
- `raw_context`: 原始上下文（可选，会自动存档到文本文件）

### 10. task_node_get_recent - 获取最近节点

获取最近 N 个任务节点（按时间倒序）。

**参数：**
- `session_id`: 会话 ID（必需）
- `limit`: 限制数量（默认 5）

### 11. task_node_get_chain - 获取任务链

获取完整的工作记忆链（从指定节点或最新节点开始回溯）。

**参数：**
- `session_id`: 会话 ID（必需）
- `from_node_id`: 起始节点 ID（可选，默认最新）

## 使用原则

1. **选择性记忆**：只记住重要和持久的信息
2. **结构化**：使用三元组格式存储关系
3. **定期清理**：删除过时或错误的信息
4. **关联思考**：利用关系进行联想记忆
5. **与 memory-core 配合**：对话历史由 memory-core 管理，结构化事实由 GraphMemory 管理
6. **主动查询人设**：参考 `graph-memory-persona-force` Skill，在适当时候主动查询用户偏好和决策