TagMemory - 标签化长期记忆系统#

版本#

• 当前版本: 1.0.0
• 核心功能: 标签存储、BM25搜索、人类审核、定期归纳

功能描述#

让 AI 记住用户的重要信息（偏好、决定、项目等），并支持人类审核确保记忆准确。

核心能力#

• 🏷️ 标签化存储 - 为记忆打上语义标签
• 🔍 BM25 搜索 - 快速准确的关键词搜索
• ⏰ 时间标签 - 按时间段查询历史记忆
• 🤝 人类审核 - 确认/修正/删除记忆
• 📊 定期归纳 - 生成阶段性总结
• 🛡️ 隐私优先 - 本地存储，不上传云端

标签体系#

标签用途示例#偏好用户偏好习惯"喜欢 tabs 缩进"#决定重要决策"选择了 PostgreSQL"#项目项目背景"在做电商项目"#人人物信息"项目经理是张三"#事件发生的事情"上周系统宕机了"#知识学到的知识"学会了用 Docker"#错误犯过的错误"之前选错了方案"

使用场景#

场景 1：用户说"记住..."#

text

用户: "记住，我喜欢用 tabs 缩进，不喜欢 spaces"
智能体:
  执行命令存储记忆
  回应: "✅ 已记住！你偏好 tabs 缩进"

调用方式:

bash

cd ~/.openclaw/workspace/skills/tag-memory && python3 src/cli.py --json store << EOF
{"content": "用户偏好 tabs 缩进，不喜欢 spaces", "tags": ["#偏好", "#编程"]}
EOF

场景 2：用户问"我之前..."#

text

用户: "我之前为什么选择了 PostgreSQL？"
智能体:
  执行命令查询记忆
  回应: "根据记录，你当时选择 PostgreSQL 是因为性能更好"

调用方式:

bash

cd ~/.openclaw/workspace/skills/tag-memory && python3 src/cli.py --json query << EOF
{"query": "PostgreSQL 选择 原因", "tags": ["#决定"]}
EOF

场景 3：查询偏好#

text

用户: "我的编程偏好是什么？"
智能体:
  执行命令查询
  回应: "根据记忆，你的偏好包括：喜欢 tabs 缩进..."

场景 4：查看所有记忆#

text

用户: "我记住了哪些东西？"
智能体:
  执行命令列出
  回应: "📋 你共记住了 10 条记忆..."

调用方式:

bash

cd ~/.openclaw/workspace/skills/tag-memory && python3 src/cli.py list

场景 5：核对记忆#

text

用户: "我有哪记忆需要确认？"
智能体:
  执行命令获取待核对列表
  主动询问用户确认

调用方式:

bash

cd ~/.openclaw/workspace/skills/tag-memory && python3 src/cli.py --json verify-pending << EOF
{"max_count": 3}
EOF

场景 6：生成总结#

text

用户: "总结一下这周我们讨论了什么"
智能体:
  执行命令生成总结
  展示给用户确认

调用方式:

bash

cd ~/.openclaw/workspace/skills/tag-memory && python3 src/cli.py --json summarize << EOF
{"days": 7}
EOF

场景 7：确认总结#

text

智能体: "这是阶段性总结... 这对吗？"
用户: "对，存档"
智能体:
  执行确认命令
  回应: "✅ 总结已存档"

调用方式:

bash

cd ~/.openclaw/workspace/skills/tag-memory && python3 src/cli.py --json summarize-confirm << EOF
{"feedback": "confirm"}
EOF

CLI 命令速查#

命令用途store存储记忆query <内容>查询记忆list列出所有记忆stats查看统计verify-pending待核对列表summarize [--days N]生成总结summarize-confirm [feedback]确认总结

Agent 追踪#

每条记忆都会记录是哪个 agent 产生的：

字段说明agent_idagent 标识（main/agent-bot2/agent-bot3 等）🤖在查询结果中显示

存储时指定 agent_id：

bash

echo '{"content": "内容", "tags": ["#标签"], "agent_id": "main"}' | python3 src/cli.py --json store

查询结果示例：

text

1. ❓ [-1.22分] 这是小学蛋 agent 的记忆
   🏷️ #测试 | 📅 2026-03 | 🤖 agent-bot2

设计理念#

TagMemory 的核心理念是 人类参与记忆维护：

text

存储 ──→ 闲时核对 ──→ 定期归纳 ──→ 确认存档
  │          │            │           │
  ↓          ↓            ↓           ↓
打标签    纠正错误      生成总结     用户确认

为什么这样做？

1. AI 自动存储的记忆可能有错误
2. 没有人类审核，错误会累积
3. 定期归纳 + 确认 = 确保记忆准确
4. 闲时核对 = 发现错误及时纠正

与 LCM 的关系#

系统用途数据LCM对话压缩/上下文管理AI 自己和用户说了什么TagMemory用户记忆/知识管理用户告诉 AI 的重要信息

两者互补，不会冲突。