Agent 记忆模块不能只把聊天记录塞进数据库。合理的设计需要区分工作记忆、情景记忆、语义记忆和程序记忆,并围绕写入、检索、反思、遗忘和存储架构做工程取舍。
围绕 AI 编程、智能体运行时、沙箱、爬虫、无头浏览器、上下文数据库和代码知识图谱,梳理 12 个开源项目的核心能力、适用场景和选型思路。
可进化 Skill 把用户交互、执行轨迹和环境反馈沉淀为可版本化的能力文档,让智能体不只会调用提示词,还能在持续使用中改进任务流程。AutoSkill 关注对话场景下的 Skill 自进化,XSKILL 关注多模态智能体中 Skill 与 Experience 的协同学习。
OpenClaw 展示了一类 AI Agent 的典型运行方式:用 System Prompt 构建身份,用 Tool Call 操作外部环境,用 Markdown 和 RAG 保存记忆,再通过 HEARTBEAT 触发主动任务。理解这些机制,也能看清 Agent 的能力边界和安全风险。
OpenClaw 把 IM 网关、Agent workspace、Skills、Session 和 Memory 组合成一套个人 Agent 运行框架。围绕部署、单 Agent 启动、多 Agent 通信、记忆压缩、Skills 管控和安全边界,讲清它如何运作以及如何落地。
Agent 记忆不能只依赖滑动窗口和向量数据库。围绕短期会话状态、长期异构存储、同步读链路、异步写链路和一致性兜底,讲清一套可落地的生产级记忆架构。
OpenViking 是面向 AI Agent 的上下文数据库,用虚拟文件系统统一管理资源、用户记忆、Agent 技能和任务经验。它通过分层上下文加载、目录递归检索和自动记忆提取,降低长任务中的 Token 成本,并让检索链路更可观察。
Code Review 在核心业务项目中不能只检查语法和代码风格,还要识别历史事故、业务约束和团队经验。这里讲解如何用 GitLab Webhook、Diff 预处理、RAG 知识召回和大语言模型搭建一套业务级 AI Code Review 系统。