核心用法
OpenClaw Memory Librarian 是一个自动化记忆管理技能，核心流程包含三步：读取近期每日日志（memory/YYYY-MM-DD.md）、将高价值信息提炼并追加至月度期刊（memory/journal/YYYY-MM.md）、删除超过14天的原始日志以释放上下文空间。
在信息提炼阶段，系统遵循严格的"信号提取"原则：忽略问候语、确认消息和已修复的中间错误；保留最终成果、架构决策、新增能力和安全变更；并始终链接相关文件。提炼后的期刊按四大维度结构化存储：决策记录（Decisions）、变更日志（Changes）、阻塞与错误（Blockers & Errors）、洞察发现（Insights），形成可追溯的知识资产。
显著优点
1. 上下文空间优化：通过定期清理过期原始日志，显著降低token消耗，提升长对话场景的响应质量
2. 知识沉淀机制：将碎片化对话转化为结构化的月度知识库，便于后续检索与模式识别
3. 智能降噪过滤：内置噪音过滤规则，自动剔除无价值信息，降低人工整理成本
4. 可追溯性设计：通过文件链接和日期索引，保持原始信息源的引用能力
潜在局限
1. 14天固定保留期：对于低频但重要的长期项目，可能因自动删除导致信息断层
2. 摘要质量依赖：信号提取的准确性高度依赖底层模型的语义理解能力
3. 无版本控制：原始日志删除后不可逆，若摘要遗漏关键细节则无法回溯
4. 单用户视角：期刊结构围绕个人工作流设计，多协作者场景下可能需要扩展
适合人群
- 长期高频使用AI助手的重度用户
- 需要维护复杂项目上下文的开发者、研究者
- 对对话历史检索效率有要求的效率工具爱好者
- 关注token成本优化的企业级部署场景
常规风险
| 风险类型 | 说明 | 缓解建议 |
|---------|------|---------|
| 数据丢失风险 | 14天后原始日志永久删除 | 关键项目建议手动备份或使用`keep raw files`模式 |
| 摘要偏差风险 | 模型可能误判信息价值，过滤关键信号 | 定期抽查期刊完整性，调整Noise Filter规则 |
| 日期边界风险 | 系统时间错误可能导致误删 | 启用时验证当前日期准确性 |
| 并发写入风险 | 多会话同时执行可能导致文件冲突 | 建议单会话串行执行，或使用文件锁机制 |