mem-record（AI记忆记录）Skill 是什么？

AI记忆记录Skill：让每一次对话都沉淀为可复用的个人记忆

它是什么：mem-record 是一个面向 AI 个人记忆系统的「记忆写入」技能，负责从对话中自动提炼事件、决策、偏好、情绪，并按四层记忆结构归档。
核心机制：内置 L1 情境层、L2 行为层、L3 认知层、L4 核心层的分级判断逻辑，自动决定一条信息该记到哪一层。
最大亮点：会主动做「重复模式检测」——同一偏好出现 3 次以上时，主动建议从情境层提炼到行为层。
安全边界：L4 核心层（价值观、人生信念、身份认同）只读，AI 只能建议、不能写入，避免价值观被自动推断。
适用人群：长期用 AI 做项目管理、决策复盘、个人知识管理的开发者与效率工具重度用户。

该技能叫什么？如何一键安装 AI 技能提升开发效率？

技能基本信息

项目	内容
技能中文名	AI记忆记录Skill
技能英文名	mem-record
技能ID	12498
一句话定位	AI 个人记忆系统的记忆记录入口，负责把对话沉淀成分层、可检索的长期记忆

它解决什么问题

大多数人使用 AI 的常态是「聊完即忘」：今天定下的技术方案、上周表达的审美偏好、三个月前做出的关键决策，下一次对话时 AI 完全不知道。反复重复背景信息，既浪费时间，也让 AI 给出的建议始终停留在「陌生人视角」。

mem-record 解决的正是这个「记忆断层」问题。它不去做一个庞大的向量数据库，而是把记忆组织成四个层级，并提供了明确的写入规则：

L1 情境层：日常事件、对话、重要决策、任务完成、情绪表达（按年月归档）；
L2 行为层：出现 3 次以上的偏好表达、习惯性行为模式、工具使用偏好；
L3 认知层：多个行为指向同一原则时形成的决策框架与思考模型；
L4 核心层：价值观、人生信念、身份认同——只能由用户手动修改。

这种设计让记忆不是「一堆碎片」，而是能随着时间自我提炼的认知资产。

一键安装思路与步骤

安装前提：需要一个支持 Skill（技能）机制的 AI 助手客户端或开发环境，并已具备读写本地/工作区文件的能力（因为记忆最终以 Markdown 文件形式存放在 AI_MEMORY/ 目录下）。

找到技能入口：在所用 AI 客户端的技能市场、技能管理页或插件中心，使用技能英文名 mem-record 或技能ID 12498 搜索。具体入口路径与是否支持一键安装，以官方说明为准。
执行安装：按页面提示完成添加/启用，将技能挂载到当前会话或工作区。若平台提供命令行安装方式，同样以官方文档给出的命令为准。
初始化记忆目录：按技能约定的文件结构准备 AI_MEMORY/ 目录，其中包含 L1_情境层/、L2_行为层/、L3_认知层/、L4_核心层/ 四个子目录。L1 文件按 {年}-{月}.md 命名，例如 AI_MEMORY/L1_情境层/2025-12.md。
验证是否生效：开启一个新会话，对 AI 说一句「记住这个：我决定采用 Claude Code 方案搭建 AI 记忆系统，因为它不需要向量数据库」。如果技能已生效，AI 应当走完「提炼 → 判断层级 → 查重 → 写文件 → 提示」的流程，并返回类似 ✅ 已记录到 L1_情境层/2025-12.md 的结果。看到这个反馈，说明安装与调用链路正常。

该技能的主要功能和特点

自动信息提炼：无需用户手工整理，技能会从当前会话中抽取五类要素——事件（发生了什么、何时发生）、决策（做了什么决定、考虑了什么因素）、偏好（喜好或厌恶）、情绪（情绪反应）、后续行动（接下来要做什么）。
四层分级归档：根据内容类型自动判断写入层级，日常事件进 L1，重复偏好进 L2，跨行为的共性原则进 L3，价值观类内容仅在 L4 给出建议。
重复模式检测：通过关键词检索（如 Grep "图表" AI_MEMORY/L1_情境层/）统计出现次数，达到 3 次即提示升级到 L2，让记忆从「流水账」自动向「用户画像」演进。
L4 核心层保护机制：明确划出 AI 的能力边界——可以建议更新、可以生成建议内容、可以展示当前内容，但绝不能直接写入或自动推断价值观。这在个人记忆类工具中是一个非常关键的设计取舍。
结构化的写入格式：L1 条目采用固定模板（内容 / 情绪 / 后续行动 / 标签），保证长期积累后依然可读、可检索、可机器解析。
配套辅助脚本：scripts/update_memory.py 可获取当前月份文件路径、格式化 L1 条目、生成模式检查提示，减少重复性手工操作。
可扩展的规则文档：详细的分层判断规则放在 references/protocol.md，完整文件结构放在 references/structure.md，用户可自行调整适配自己的记忆体系。

和普通笔记/记忆工具比强在哪：普通笔记工具是「你写它存」，一切靠人工；通用 AI 记忆功能往往是黑盒，你既不知道它记了什么，也无法干预。mem-record 的差异点在于写入规则透明、层级结构清晰、关键层级有人工闸门——既能自动记录，又保留了人对自身认知模型的控制权。

如何使用该技能？

触发方式：三种场景会激活技能——用户显式说「记录到记忆系统」「记住这个」「把这次对话记下来」；技能检测到重要事件、决策或偏好表达；用户完成重要任务或做出决策时。

标准执行流程（五步）

提炼关键信息：从当前会话中提取事件、决策、偏好、情绪、后续行动。
确定记录层级：按内容类型判断进 L1、L2、L3，还是提示更新 L4。
检测重复模式：用 Grep 在 L1 目录中检索关键词，统计历史出现次数。
更新文件：读取对应月份文件，在「按日期记录」部分按模板追加条目；若命中重复模式，则同步创建或更新 L2 对应文件。
建议提炼：命中 3 次以上时，主动向用户提出升级建议。

示例一：记录一个决策

输入：

今天我决定采用 Claude Code 方案来搭建 AI 记忆系统，因为它不需要向量数据库，基于现有工具就能跑。

执行结果：提炼出「决策 = 采用 Claude Code 方案」「考虑因素 = 无需向量数据库」；判定为重要决策，写入 L1；查重发现是首次提及；最终输出 ✅ 已记录到 L1 情境层。

示例二：命中重复偏好，触发升级建议

输入：

我更喜欢用图表而不是大段文字来解释概念。

执行结果：提炼出「偏好 = 图表优于文字」；Grep 检索「图表」后发现这是第 3 次出现；输出提示：

✅ 已记录到 L1_情境层/2025-12.md

💡 检测到这是第 3 次出现"图表偏好"，
   是否记录到 L2_行为层/工作习惯.md？

此时用户只需回一句「是」，偏好就从一次性表达升格为稳定画像。

示例三：涉及价值观时的保护性拦截

输入：

对我来说，成长比赚钱更重要。

执行结果：识别为价值观表达，涉及 L4，不写入，而是返回提示：

⚠️ 这次对话涉及核心价值观，
   建议手动更新 L4_核心层/核心价值观.md

   要不要我生成建议内容供你审核？

用户可以选择让 AI 起草内容，但最终落笔仍由人完成。

输入示例模板：日常使用中，最省事的方式是自然表达后补一句「记一下」，例如「今天把记忆系统的 L2 层补完了，挺有成就感的，记一下」——技能会自动完成后续所有结构化工作。

同类型竞品对比分析

方案名称	定位	核心功能	安装/使用门槛	适用场景	优势与不足
mem-record（AI记忆记录Skill）	个人 AI 记忆系统的分层写入器	信息提炼、四层分级归档、重复模式检测、L4 只读保护、Markdown 文件存储	需支持 Skill 机制的环境；依赖本地 `AI_MEMORY/` 目录结构；配置一次即可长期使用	个人决策复盘、长期偏好沉淀、与 AI 深度协作的知识工作者	优势：结构透明、可人工干预、层级演进逻辑清晰；不足：依赖文件系统写入权限，跨设备同步需自行解决
通用 AI 助手内置记忆	平台级黑盒记忆	自动记住用户信息与对话偏好	零门槛，默认开启	日常闲聊、轻量个性化	优势：开箱即用；不足：记什么不可见、不可编辑、无分层，难以形成结构化认知资产
向量数据库记忆框架（如 mem0 类方案）	工程化 AI 记忆中间件	向量化存储、语义检索、召回注入	需部署服务、配置数据库与嵌入模型，开发成本较高	面向应用的 AI 产品开发、多用户场景	优势：检索能力强、可规模化；不足：对个人用户偏重，缺少「人工审核」和「价值观保护」这类认知层设计
手动笔记工具（如 Obsidian 类）	人工知识库	双向链接、标签、全文检索	零技术门槛，但需要长期手工维护	长期知识管理、写作素材积累	优势：完全可控、生态成熟；不足：全靠手写，AI 对话中的高价值信息极易流失

选型建议：如果你追求极致的可解释性与可控性，且主要与 AI 做长期深度协作，mem-record 的四层结构是明显差异点；如果你是团队在做产品级 AI 应用，向量方案更合适；如果你只想「AI 别忘了我叫啥」，内置记忆就够了。

该技能的典型应用场景与实际体验情况

场景一：技术方案决策的长期追踪（开发者）

痛点：半年后回看「当初为什么选这个方案」，往往只剩一个模糊结论，理由全忘了。

使用方式：在做出技术选型的当下说一句「记录一下」，技能会把决策、考虑因素一并写入 L1 对应月份文件。未来复盘时按时间检索，决策链完整可追溯。

实际体验：门槛很低，不需要学任何命令，唯一要养成的习惯是「重要决定后补一句记一下」。效果稳定，因为写入格式固定，长期积累后文件依然清爽。

场景二：个人偏好画像的自动形成（内容创作者）

痛点：反复告诉 AI「我不喜欢这种表达」「排版再克制一点」，但每次新会话都要重来。

使用方式：正常对话即可，技能会在后台检测同一偏好是否已达 3 次。达到阈值时弹出升级建议，由用户一键确认写入 L2。

实际体验：这是该技能最有「惊喜感」的环节——它不是在记录，而是在替你发现自己的模式。需要注意的是，检测基于关键词 Grep，同一偏好换个说法（如「图表」与「可视化」）可能漏检，必要时手动确认层级更稳妥。

场景三：价值观层面的谨慎沉淀（管理者/自我复盘者）

痛点：想让 AI 真正理解自己，又害怕它把一时的情绪波动固化成「你就是这样的人」。

使用方式：当对话触及价值观时，技能不会写入，而是给出提示并询问是否需要生成建议内容供审核。

实际体验：这个「只建议、不落笔」的约束设计得非常克制，初用时可能觉得多了一步，但正因为这一步，L4 文件里的每一条都经过本人确认，可信度远高于自动推断。

场景四：个人记忆系统的工程化搭建（AI 工具爱好者）

痛点：想搭自己的 AI 记忆体系，但不知道从哪里开始拆结构。

使用方式：直接复用其 AI_MEMORY/ 四层目录约定与 references/protocol.md 判断规则，配合 scripts/update_memory.py 做格式化和月份路径处理。

实际体验：结构文档清晰，辅助脚本能省掉「这个月文件名是什么」这类琐碎判断。注意事项是各客户端对 Skill 的挂载方式不同，具体路径与命令需以官方说明为准。

整体上手难度评价：属于「零学习成本 + 一点点习惯养成」的类型。不需要写代码，但需要接受「重要信息主动说一句」的交互约定。

该技能能为用户带来的价值

效率层面：把「整理对话记录」这件事从手动变成自动。原本需要单独开一页笔记、复制粘贴、重新归纳的工作，现在一句「记一下」即可完成，且格式统一。

记忆质量层面：L1→L2→L3 的提炼机制，让记忆不是越堆越乱，而是随时间自动收敛。零散的日常记录会逐步沉淀为可复用的偏好画像与决策框架，这正是单纯「聊天记录导出」做不到的。

信任层面：L4 只读保护把最关键的一层认知交还给人。任何涉及价值观的内容都必须经本人手动写入，杜绝了「AI 替我定义我是谁」的失控风险，这是长期使用记忆工具的前提。

长期价值：所有记忆以 Markdown 文件形式存在本地目录中，数据归属清晰、可迁移、可版本管理。这意味着你今天积累的每一条记录，都不会因为换一个 AI 工具而清零——这是一份真正属于你自己的认知资产。

常见问题 FAQ

Q1：怎么安装这个技能？

在支持 Skill 机制的 AI 客户端中，用英文名 mem-record 或技能ID 12498 搜索并启用即可。启用后需准备 AI_MEMORY/ 目录结构（含四个层级子目录）。具体安装命令、入口位置依平台而异，以官方说明为准。

Q2：收费吗？

技能详情中未涉及任何定价信息，收费标准请以官方说明为准。需要说明的是，该技能的记忆以本地 Markdown 文件保存，不依赖付费的向量数据库服务。

Q3：适合谁用？

适合长期用 AI 做决策、复盘、创作和项目推进的人。如果你只是偶尔问答，收益有限；如果你把 AI 当作长期协作者，分层记忆的价值会随时间显著放大。开发者、产品经理、内容创作者、自我管理者是典型受益群体。

Q4：为什么 L4 核心层不能自动写入？

因为 L4 存放的是价值观、人生信念和身份认同。这类内容一旦被模型基于只言片语自动推断并固化，会持续影响后续所有对话，风险很高。所以技能明确规定：AI 可以建议、可以生成草稿、可以展示现状，但落笔必须由用户手动完成。

Q5：和平台自带的「记忆」功能怎么选？

平台自带记忆胜在零配置、自动生效，但记了什么不可见、不可编辑、不分层。mem-record 的优势是过程透明、层级明确、文件在你手里，还能做重复模式检测和升级建议。两者并不冲突——追求可控与可迁移，选 mem-record；追求省事，用内置即可。