local memory skills - 治理项目长期记忆的skills

适用人群:学习者/产品/开发岗的本地记忆知识库
推荐使用场景:初次使用Claude,Claude接入DeepSeek,对MCP工具有强需求的场景
keyword ：no RAG,Local Memory,Auto Updating,git/agent/user三方可读,接近0的部署门槛/成本,适用Obsidian知识图谱

0. 先说结论

LMS 链接点击转跳Github仓库 √

我想做的 LMS，不是 Learning Management System。

这里的 LMS 是：

Local Memory Skill

它是一个给 AI Agent 用的本地记忆 Skill。

它的目标很朴素：

让 Agent 不要每次都像失忆一样重新认识我、重新理解项目、重新学习限制条件。

但我不想第一版就上 RAG、SQLite、向量数据库、embedding、服务端、Web UI。

所以第一版只用：

Markdown + sidecar YAML + Python + Git

一句话：

Markdown 给人看，YAML 给 Agent 读，Git 负责历史。

1. 为什么我要做这个？

高强度使用 Agent 之后，我遇到的最大问题不是模型不够聪明，而是：

它会忘。

不是那种完全忘，而是更麻烦的忘：

忘记我之前已经做过的技术决策。
忘记我不想在 MVP 阶段引入 RAG / SQLite / 向量库。
忘记我的沟通偏好：先解释方案，再让我做判断。
忘记项目边界，开始自作主张扩展范围。
忘记哪些内容只是推理，哪些内容才是事实。

这会导致一个很真实的成本：

我不得不反复解释自己。

如果一个 Agent 每次都要我重新介绍背景，它就不是第二大脑，而是一个高级输入框。

2. 为什么不用传统知识库？

大部分知识库默认是给人看的。Agent 可以读，但不一定能稳定理解。

所以我希望记忆系统同时满足三方：

对象	需要什么
Human	打开 Markdown 就能读，能手动改
Agent	通过 YAML 知道类型、状态、摘要、tags
Git	能 diff、能回滚、能审计

这就是 LMS 的底层设计：

Human / Agent / Git 共读同一套本地记忆。

3. 为什么不用 RAG / SQLite / 向量库？

因为这是 MVP。

第一版要验证的不是“检索技术有多强”，而是：

记忆结构本身是否可维护。

如果目录、字段、写回规则都没稳定，一上来做向量库，只会把问题藏起来。

所以第一版我选择非常克制：

不做 RAG。
不做 SQLite。
不做向量库。
不依赖外部服务。
不默认联网。

只做三件事：

bootstrap.py        初始化 Memory 仓库
validate_memory.py  校验 Memory 不要坏掉
startup_memory.py   每次任务前生成启动上下文包

4. LMS 的目录长什么样？

初始化后大概是这样：

<memory-root>/
  memory/
    user/
    project/
    restriction/
    task/
    submemory/
  scripts/
    bootstrap.py
    validate_memory.py
    startup_memory.py
  runtime/
  .lms/
    config.yaml
    config.example.yaml

其中最核心的是：

user         记录我是谁、我怎么工作、我喜欢什么、不喜欢什么
project      记录持续项目的上下文和决策
restriction  记录 Agent 必须遵守的硬边界
task         记录一次具体任务
submemory    记录从任务里沉淀出来的可复用判断
runtime      记录本次启动读取的临时上下文

我很喜欢这个分层，因为它避免了两个极端：

目录太少：所有文件堆在一起，Agent 又开始全量读取
目录太多：人类根本不想维护，系统变成目录迷宫

所以我的规则是：

目录表达稳定边界，tags 表达灵活主题。

5. 小白配置教程

第一步：下载项目

会用 Git 的用户：

git clone <repo-url>
cd local-memory-skill

不会用 Git 的用户：

打开 GitHub 项目页面。
点击绿色的 Code。
选择 Download ZIP。
解压。
打开解压后的 local-memory-skill 文件夹。

第二步：安装依赖

pip install pyyaml

第三步：运行初始化

python scripts/bootstrap.py

它只问两个问题：

你的主要角色是什么？
你的 Memory 仓库路径是什么？

比如我可以这样填：

游戏产品经理
D:/Project_Mine/Memory

注意：这个路径只是示例。你可以放到任何你自己的本地目录。

第四步：检查是否成功

python <memory-root>/scripts/validate_memory.py --memory-root <memory-root>

看到：

OK: validation passed with N warning(s).

就说明结构基本可用了。

第五步：生成启动上下文包

python <memory-root>/scripts/startup_memory.py \
  --memory-root <memory-root> \
  --role <role-slug> \
  --project lms-mvp \
  --task "测试我的 LMS 是否能读取本地记忆"

然后打开：

<memory-root>/runtime/context_bundle.md
<memory-root>/runtime/loaded_files.json

如果你看到 restriction、user profile、project、submemory、Agent Instruction，就说明 Agent 的启动读取流程跑通了。

6. Skill 安装包是什么？

源码仓库是给人看的，Skill 安装包是给 Agent runtime 用的。

源码仓库：适合 GitHub、文档、开发和测试
skill.zip：适合安装到支持 Skill 的环境

一个 Skill 包通常包含：

SKILL.md
agents/
scripts/
references/
templates/
examples/
README.md
README_CN.md
Skill-Analysis.md

如果你的 zip 解压后第一层是 local-memory-skill/，有些 runtime 可以接受；如果 runtime 要求 SKILL.md 在 zip 根目录，就把 local-memory-skill/ 里面的内容重新压缩一次。

7. 我现在怎么看这个项目？

我觉得 LMS 第一版的价值不是“技术炫”。

它的价值是：

让 AI Agent 的记忆变得可读、可控、可验证、可迁移。

这对新手尤其重要。

因为新手不一定懂 RAG、向量数据库、embedding，但他们能理解：

这是我的 profile。
这是我的 project。
这是我的 restriction。
这是我的 task。
这是我沉淀出来的 submemory。

只要能理解，就能维护。

而只要能维护，Agent 的长期记忆就不再是黑盒。

Written By Six_moon