🧠 Memory Evolution v4.0 — AI Agent 记忆进化体系

让任何 OpenClaw 实例从"被动记忆"进化为"主动学习、自我进化" 融合 10+ 开源项目精华 + 实战经验打磨

这是什么

一套可移植的 AI Agent 记忆进化体系。不是简单的记忆存储，而是一个完整的反思→归因→学习→进化循环，让 Agent 越用越聪明。

产生原因

大多数 AI Agent 的记忆系统只做"存取"——写进去，需要时读出来。但真正的学习需要：

• 反思失败：不只是记录失败，而是归因到具体步骤
• 提取模式：成功时提炼可复用的经验
• 淘汰过期规则：不用的规则会腐烂，需要自动清理
• 巩固有效知识：反复验证的知识应该被强化
• 夜间整合：白天积累的碎片需要整合为结构化知识

v4.0 融合了 10+ 个前沿项目的核心思想，构建了一套完整的进化体系。

融合项目

项目	核心贡献
MemSkill	元记忆技能库，学会"怎么记"
Memento	记忆架构分层设计
AgentEvolver	ADCA 步骤级归因，失败时精确定位问题
OpenSpace	FIX/DERIVED/CAPTURED 三类技能自动捕获
Membrane	Ebbinghaus 记忆衰减与巩固机制
Capy Cortex	知识坏味道检测，保持知识库健康
Hermes GEPA	Skill 自动进化，基于反馈迭代改进
AnimaWorks	Self-Questioning 自动生成测试场景
Engram-AI	记忆检索优化
self-evolve	能力图谱 level/evidence/limits 跟踪
claude-total-memory	规则淘汰 success_rate<20% 自动暂停

核心特性

🔄 反思循环：ROUTE → EXECUTE → REFLECT → ATTRIBUTE → WRITE → EVOLVE

完整六阶段循环，不是简单的"执行+记录"：

1. ROUTE — 判断任务属于哪个 skill
2. EXECUTE — 按 skill 的 action 执行
3. REFLECT — 用 reflect_checks 自检
4. ATTRIBUTE — 失败时做步骤级归因（failure_step → root_cause → fix_suggestion）
5. WRITE — 成功/失败计数，创建归因记录
6. EVOLVE — 触发技能进化或规则更新

🔍 Triple Fusion 检索

三层检索策略，确保召回率和准确率：

• 语义检索：embedding 相似度
• 关键词检索：精确匹配
• 时间衰减：近期记忆权重更高

📊 能力图谱

每个能力跟踪三个维度：

• level：beginner / intermediate / advanced / expert
• evidence：支撑该等级的证据列表
• limits：已知边界和不足

🎯 学习议程

同时只维护 1-3 个高杠杆学习目标，聚焦而非分散。

🧹 知识健康

• 知识坏味道检测：发现过时、矛盾、冗余的知识
• 规则淘汰：success_rate < 20% 自动暂停，避免僵尸规则
• 记忆衰减与巩固：基于 Ebbinghaus 遗忘曲线，反复成功的知识被巩固，不用的自然衰减

💡 偏好候选池

静默学习用户习惯，不主动打扰。当检测到明确偏好信号时自动记录候选。

🌙 夜间整合（autoDream 四阶段）

阶段1: 扫描 → 收集当天新增记忆碎片
阶段2: 归类 → 按主题/项目聚类
阶段3: 提炼 → 提取可复用模式和规则候选
阶段4: 写入 → 更新知识库、淘汰过期规则

🛠 技能捕获

三类自动捕获机制：

• FIX — 修复 bug 时捕获为技能
• DERIVED — 从成功任务中推导新技能
• CAPTURED — 显式标记值得保存的操作模式

文件结构

memory-evolution/
├── SKILL.md              # 核心技能定义（v4.0, 294行）
├── README.md             # 本文件
├── scripts/
│   ├── reflect.sh        # 反思循环脚本
│   ├── skill-capture.sh  # 技能捕获脚本
│   ├── skill-discover.py # 技能发现
│   ├── skill-feedback.py # 技能反馈收集
│   ├── skill-proposal.py # 失败驱动提案生成（EvoSkill式）
│   ├── skill-pareto.py   # Pareto多目标选择（成功率×活跃度×迁移性）
│   ├── skill-verify.py   # SKILL.md结构评分
│   ├── skill-freq-analyzer.py  # Token预算分析（SKILL0式）
│   ├── diminishing-detector.py  # 递减检测（P2自适应阈值）
│   └── meta-learn.py     # 元学习引擎
├── templates/
│   └── capability-map.json  # 能力图谱模板
└── LICENSE

快速开始

1. 将 memory-evolution/ 放入 OpenClaw 的 skills 目录
2. 确保 scripts/ 下的脚本有执行权限：chmod +x scripts/*.sh scripts/*.py
3. OpenClaw 会自动加载 SKILL.md，开始使用反思循环

版本历史

版本	日期	变更
v4.0	2026-04-02	融合10+项目，完整进化体系
v1.0	2026-03	初始版本，基于3篇论文

License

MIT