mcpField
M
memory-management

memory-management

github.com/composio-communityAgent 工作流1454 次安装23 周前更新
代码仓库

关于 memory-management

memory-management 是帮助 Claude 为项目和持续工作维护轻量结构化记忆的技能。它侧重保存有用的上下文、决策、任务和工作流，并清理过时或冗余信息。

主要功能

  1. 01用结构化记忆文件整理上下文
  2. 02跟踪项目目标、任务和进度
  3. 03保存决策与可复用工作流
  4. 04增量更新摘要
  5. 05检查并清除过时上下文

适用场景

  1. 01维持长期项目的工作连续性
  2. 02跨会话跟踪决策和任务
  3. 03为 AI Agent 工作流构建轻量记忆

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/composio-community/opencode-skills --skill memory-management

安装后在 Claude Code 中输入/memory-management确认已加载。

详细介绍

内存管理

概述

此技能可帮助 Claude 管理轻量级内存系统，从而提升跨对话、项目和长期工作流的连续性。

工作流侧重于：

  • 持久化上下文组织
  • 项目记忆
  • 任务连续性
  • 结构化笔记系统
  • 工作流回顾
  • 轻量级 Agent 内存架构
  • 长期执行一致性

目标是帮助 Claude 以结构化的方式保留和整理重要信息，同时避免不必要的复杂性给工作流带来负担。

此技能刻意保持轻量且易于入门，让用户在构建更高级的 Agent 架构之前，先了解内存系统的基础知识。

设置

开始之前：

  1. 创建项目工作区。

  2. 创建以下文件夹：

  • 笔记
  • 任务
  • 记忆摘要
  • 项目状态
  • 参考资料

推荐结构：

memory/
  active-context.md
  project-summary.md
  tasks.md
  decisions.md
  1. 选择存储系统。

推荐选项：

  • Markdown 文件
  • GitHub 仓库
  • Notion
  • Obsidian
  • 本地 JSON 文件

推荐工具：

  • VS Code
  • Markdown 编辑器
  • Git
  • Claude

可选：

  • 向量数据库
  • 本地嵌入
  • 内存索引系统

所需输入

  • 项目信息
  • 正在进行的任务
  • 重要决策
  • 工作流状态
  • 持久化的用户偏好

可选：

  • 现有文档
  • 会话日志
  • Git 历史
  • 之前的摘要

何时使用此技能

在以下情况下使用此技能：

  • 管理长期项目
  • 保持工作流连续性
  • 跟踪正在进行的任务
  • 保留重要决策
  • 构建 AI Agent 系统
  • 提升多会话一致性
  • 整理持久化的项目知识

何时不应使用

请勿将此技能用于：

  • 临时的一次性任务
  • 存储不必要的细节
  • 缺乏结构的过度记录
  • 高度敏感的私人数据
  • 无需保持连续性的短期实验

示例用例

为长期 AI 工具仓库保持项目连续性。

Claude 应当：

  1. 跟踪当前项目目标
  2. 保留重要的架构决策
  3. 维护任务进度摘要
  4. 存储可复用的工作流知识
  5. 增量更新记忆文件
  6. 保持上下文轻量且结构清晰

最终结果应当：

  • 提升连续性
  • 减少重复说明
  • 保持项目一致性
  • 支持长期工作流
  • 便于查看和更新

核心内存原则

1. 保持内存轻量

良好的内存系统应当：

  • 简单
  • 结构清晰
  • 易于查看
  • 易于更新

避免：

  • 存储所有内容
  • 记录过多日志
  • 无结构地倾倒信息
  • 积累嘈杂的上下文

轻量级内存有助于提升：

  • 易用性
  • 清晰度
  • 可维护性

2. 仅存储高价值上下文

内存应优先保留：

  • 重要决策
  • 当前任务
  • 项目目标
  • 可复用的工作流
  • 常见偏好

避免存储：

  • 临时的对话填充内容
  • 无关细节
  • 重复信息

良好的内存系统应聚焦于：

  • 相关性
  • 实用性
  • 连续性

3. 以结构化方式组织内存

清晰分类能让内存更有用。

推荐类别：

  • 当前上下文
  • 项目摘要
  • 任务跟踪
  • 技术决策
  • 工作流模式

示例结构：

memory/
  active-context.md
  tasks.md
  architecture-decisions.md
  workflows.md

结构化内存有助于提升：

  • 检索效率
  • 可读性
  • 可扩展性

4. 增量更新内存

内存应逐步演进。

Claude 应当：

  • 总结变更
  • 更新任务状态
  • 深化对项目的理解
  • 删除过时的上下文

避免：

  • 不断重写所有内容
  • 存储相互矛盾的信息
  • 任由过时的上下文不断累积

5. 记忆应提升执行效果

记忆的目的不只是存储。

好的记忆系统可以提升：

  • 执行质量
  • 工作流连续性
  • 规划一致性
  • 对项目的长期理解

Claude 应利用记忆来：

  • 减少重复说明
  • 保持与项目目标一致
  • 提升未来的执行效果

工作流

1. 确定需要记住的内容

首先识别：

  • 持续进行的任务
  • 项目目标
  • 重复出现的工作流
  • 重要的技术决策
  • 用户的长期偏好

重点关注：

  • 长期相关性
  • 执行价值
  • 连续性支持

2. 创建轻量级记忆文件

创建结构化文件，例如：

active-context.md
tasks.md
decisions.md
project-summary.md

每个文件都应保持：

  • 简洁
  • 易读
  • 易于更新

避免：

  • 庞大且无结构的日志
  • 重复的上下文
  • 不必要的冗长内容

3. 跟踪活跃工作流

维护：

  • 当前目标
  • 阻碍因素
  • 近期进展
  • 待处理任务

Claude 应总结：

  • 有哪些变化
  • 接下来哪些事项最重要
  • 哪些上下文仍然重要

这有助于提升：

  • 工作流连续性
  • 执行速度
  • 规划清晰度

4. 保留重要决策

跟踪：

  • 架构选择
  • 工作流模式
  • 实施策略
  • 重复出现的偏好

良好的决策跟踪可以避免：

  • 重复讨论
  • 执行不一致
  • 丢失项目上下文

5. 检查并优化记忆

定期：

  • 移除过时信息
  • 简化摘要
  • 合并重复上下文
  • 改进组织方式

良好的记忆系统应保持：

  • 整洁
  • 相关
  • 低噪声

6. 执行过程中使用记忆

Claude 应主动参考记忆，以便：

  • 保持连续性
  • 避免重复说明
  • 与项目目标保持一致
  • 保持工作流一致性

记忆应提升：

  • 规划
  • 执行质量
  • 长期协作

7. 验证记忆质量

定稿前：

  • 确保记忆仍然相关
  • 移除过时的上下文
  • 验证任务准确性
  • 简化过于复杂的结构

良好的记忆系统应当：

  • 轻量
  • 实用
  • 可扩展
  • 易于浏览

输出要求

最终输出应包含：

  • 结构化记忆文件
  • 轻量级上下文摘要
  • 任务连续性系统
  • 项目状态跟踪
  • 可复用的工作流知识

工作流本身应保持：

  • 简单
  • 易于维护
  • 可扩展
  • 低噪声
  • 以执行为重点

执行策略（适用于 AI Agent）

Agent 应：

  1. 只存储高价值上下文
  2. 保持记忆轻量且结构化
  3. 逐步更新摘要
  4. 保持重要工作流的连续性
  5. 移除过时或嘈杂的信息
  6. 利用记忆提升未来的执行质量

工作流应以以下目标为优化方向：

  • 连续性
  • 清晰度
  • 可扩展性
  • 长期实用性
  • 执行一致性

最佳实践

  • 保持记忆简洁
  • 只存储有用的长期上下文
  • 以结构化方式组织记忆
  • 逐步更新
  • 定期移除过时信息
  • 清晰地保留重要决策
  • 利用记忆提升执行效果，而不只是用于存储

备注

  • 轻量级记忆系统更易于维护
  • 良好的记忆可以提升长期工作流的一致性
  • 存储过多上下文会降低清晰度
  • 结构化摘要比原始日志更易于扩展
  • 简单的记忆系统是 Agent 工作流的最佳起点

评论

支持 Markdown