核心用法
memory-tiering 是一套指导AI Agent进行上下文记忆管理的纯文档型技能，采用三层记忆架构：
| 层级 | 存储位置 | 内容类型 | 更新频率 |
|------|---------|---------|---------|
| 🔥 HOT | `memory/hot/HOT_MEMORY.md` | 当前会话、活跃任务、临时凭证 | 高频，积极清理 |
| 🌡️ WARM | `memory/warm/WARM_MEMORY.md` | 用户偏好、系统配置、稳定工具 | 偏好变更时更新 |
| ❄️ COLD | `MEMORY.md` | 长期归档、项目里程碑、经验总结 | 归档阶段，细节转摘要 |
触发方式：用户主动指令「Run memory tiering」或 /compact 命令后自动执行。
显著优点
1. 上下文效率优化：通过分层将高频访问数据与归档数据分离，减少token消耗
2. 结构化工作流：提供四步标准化流程（审计→迁移→精简→验证），降低记忆管理复杂度
3. 零代码依赖：纯Markdown实现，无执行代码带来的注入或供应链风险
4. 隐私合规：仅操作本地记忆文件，无外部数据传输
潜在缺点与局限
- T3来源风险：维护者 sarielwang93 未能验证GitHub背景，需用户自行审查
- 依赖Agent正确执行：作为提示词引导型技能，实际效果取决于Agent对指令的理解
- 凭证管理隐患：虽文档建议不存储原始secret，但HOT层仍涉及敏感信息操作建议
- 无自动化保障：缺乏强制性的执行校验机制，依赖Step 4的人工验证环节
适合人群
- 长期对话项目用户（需跨会话保持上下文）
- 多任务并行场景（需要区分活跃/暂停任务）
- 对token成本敏感的企业级部署
常规风险
- 低风险：记忆文件操作属于声明功能范围，无越权行为
- 信息持久化偏差：COLD层摘要可能丢失关键决策细节
- 来源可信度：建议首次使用前完整审阅SKILL.md内容