TrulyMEM-TrueHumanMEM/skills/graph-memory/SKILL.md

name, description, metadata, user-invocable

name	description	metadata	user-invocable
graph-memory	图记忆工具 - 检索、写入、删除记忆。AI 应优先使用图数据库管理长期记忆，将重要事实结构化存储	openclaw requires bins node	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 AI 的主要长期记忆系统。memory-core 管理 session transcripts，GraphMemory 负责结构化长期记忆。AI 在对话中应优先将重要信息写入图数据库，而非依赖 message 历史。

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	✅ 主要存储
人设管理	❌ 无	✅ 主要存储
任务追踪	❌ 无	✅ 主要存储
上下文压缩	❌ 无	✅ context_rewrite
工作记忆链	❌ 无	✅ working_memory_chain
语义搜索	❌ 无	✅ memory_search
记忆文件读取	❌ 无	✅ memory_get
自动触发	✅ 自动索引检索	❌ LLM 主动调用

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：

{
  "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）

12. memory_search - 语义搜索

基于 embedding 的语义向量搜索，查找与查询语义相似的文本片段。

参数：

• query: 搜索查询（必需）
• limit: 返回结果数量（可选，默认 10，最大 50）
• corpus: 搜索范围（可选，默认 'memory'）

示例：

搜索关于 OpenClaw 的记忆

AI 会执行：

{
  "action": "memory_search",
  "params": {
    "query": "OpenClaw",
    "limit": 5
  }
}

返回结果包含相似度分数（0-1），按相关度排序。

13. memory_get - 精确读取记忆文件

按路径精确读取记忆文件的内容片段，支持行号范围。

参数：

• path: 文件路径（必需）
• fromLine: 起始行号（可选，1-based）
• lines: 读取行数（可选，默认全部，最大 500）

示例：

读取 MEMORY.md 第 1-20 行

AI 会执行：

{
  "action": "memory_get",
  "params": {
    "path": "MEMORY.md",
    "fromLine": 1,
    "lines": 20
  }
}

使用原则

1. 优先使用图记忆：对于重要事实、偏好、决策、任务等持久信息，优先使用 commit 写入图数据库，而非依赖 message 上下文
2. 主动检索：在回答用户问题前，先调用 recall 或 memory_search 检索相关记忆，而非仅凭当前上下文推理
3. 结构化：使用三元组格式存储关系，确保信息可被关联检索
4. 定期清理：删除过时或错误的信息
5. 上下文压缩：当对话过长时，使用 context_rewrite 将历史压缩为记忆节点
6. 工作记忆：使用 working_memory_chain 获取当前会话的上下文链
7. 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

记忆策略指南

什么时候写入图数据库？

必须写入：

• 用户明确说"请记住"、"记住这个"等
• 用户透露偏好、习惯、身份信息
• 做出重要决策或选择
• 创建任务或目标
• 关键知识点或学习成果

建议写入：

• 对话中重复出现的重要概念
• 用户纠正或补充的信息
• 项目相关的配置、路径、决策

无需写入：

• 临时性问候、寒暄
• 一次性问题（如"现在几点"）
• 已在图数据库中的重复信息

什么时候检索图数据库？

必须检索：

• 用户问"我之前说过..."、"你还记得..."
• 需要基于历史偏好做推荐或决策
• 继续之前的任务或话题

建议检索：

• 每次对话开始时，检索用户相关信息
• 做推荐前先了解用户偏好
• 涉及人设或性格相关的话题