memU-lite - 轻量级结构化记忆系统

灵感来自 memU，零外部依赖，纯 Markdown + OpenClaw 原生工具实现

核心理念

memU-lite 将 Agent 记忆分为三层：

┌─────────────────────────────────────────┐
│  Category Layer: MEMORY.md (概览索引)    │
├─────────────────────────────────────────┤
│  Item Layer: items/{category}/ (原子记忆) │
├─────────────────────────────────────────┤
│  Resource Layer: raw/ (原始记录)         │
└─────────────────────────────────────────┘

安装

方式一：ClawHub (推荐)

openclaw skills install memu-lite

方式二：手动安装

git clone https://github.com/yoo-unison/memu-lite.git
cp -r memu-lite/memory ~/.openclaw/workspace/

快速开始

1. 初始化记忆结构

# 使用提供的初始化脚本
./memu-lite/init.sh

或手动创建：

mkdir -p ~/.openclaw/workspace/memory/{raw,items/{preferences,knowledge,relationships,tasks,skills},indexes}

2. 创建第一条记忆

在 items/preferences/ 下创建文件：

## P-20260302-001 用户决策风格偏好

- **类型**: preference
- **来源**: 2026-03-02 对话
- **日期**: 2026-03-02
- **置信度**: high
- **标签**: #偏好 #决策风格
- **内容**: 
  用户要求独立评估，不盲目跟风，偏好轻量方案。
- **关联**: [[R-20260302-001]]

3. 更新 MEMORY.md 索引

编辑 MEMORY.md 添加记忆条目到索引表格。

记忆类型

记忆 ID 规则

格式：<类型字母>-<日期>-<序号>

示例：

• P-20260302-001 (Preference, 2026-03-02, 第 1 条)
• K-20260302-002 (Knowledge, 2026-03-02, 第 2 条)

记忆文件格式

## [ID] 记忆标题

- **类型**: preference|knowledge|relationship|task|skill
- **来源**: 对话/文档链接
- **日期**: YYYY-MM-DD
- **置信度**: high|medium|low
- **标签**: #标签 1 #标签 2
- **内容**: 
  详细描述...

- **关联**: [[其他记忆 ID]]
- **状态**: active|archived|completed (仅 task 类型需要)

核心工作流

对话结束后自动记录

1. 提取关键信息（偏好/知识/任务等）
2. 创建原子记忆文件到对应 items/<category>/
3. 更新 MEMORY.md 索引

检索记忆

# 快速概览 - 查看 MEMORY.md
cat ~/.openclaw/workspace/memory/MEMORY.md

# 语义搜索 - 使用 OpenClaw memory_search 工具
memory_search "用户偏好"

# 精确读取 - 使用 OpenClaw memory_get 工具
memory_get --path ~/.openclaw/workspace/memory/items/preferences/P-20260302-001.md

每日收尾

• 汇总当日记忆到 MEMORY.md 时间线
• 更新标签索引 indexes/tags.md

目录结构

memory/
├── MEMORY.md                 # 顶层索引 + 快速概览
├── memu-lite-guide.md        # 使用指南
├── raw/                      # 原始对话记录
│   └── YYYY-MM-DD.md
├── items/                    # 原子化记忆单元
│   ├── TEMPLATE.md           # 记忆模板
│   ├── preferences/          # 用户偏好
│   ├── knowledge/            # 领域知识
│   ├── relationships/        # 人际关系
│   ├── tasks/                # 待办事项
│   └── skills/               # 技能方法
└── indexes/                  # 检索辅助
    ├── tags.md               # 标签索引
    └── timeline.md           # 时间线索引

最佳实践

1. 原子化

每条记忆只包含一个独立事实：

✅ 好：P-20260302-001 决策风格偏好 ❌ 差：P-20260302-001 所有用户信息

2. 及时更新

对话结束后立即记录，避免遗忘关键细节。

3. 标签具体

使用具体标签便于后续检索：

✅ 好：#项目 Alpha #技术栈 #后端 ❌ 差：#知识 #信息

4. 建立关联

相关记忆互相链接：

- **关联**: [[K-20260302-001]], [[S-20260302-001]]

5. 定期维护

• 每周回顾：合并过期任务，更新状态
• 每月清理：归档旧记忆，提炼核心

与原始 memU 对比

示例记忆

用户偏好 (Preference)

## P-20260302-001 用户决策风格偏好

- **类型**: preference
- **来源**: 2026-03-02 对话
- **日期**: 2026-03-02
- **置信度**: high
- **标签**: #偏好 #决策风格 #AI 使用
- **内容**: 
  1. 要求独立评估 - 不盲目接受外部建议
  2. 借鉴思路而非照搬 - 适配自身情况
  3. 偏好轻量方案 - 无外部依赖
  4. 重视实用性 - 关注实际效果
- **关联**: [[R-20260302-001]]

领域知识 (Knowledge)

## K-20260302-001 编程语言偏好

- **类型**: knowledge
- **来源**: 2026-03-02 对话
- **日期**: 2026-03-02
- **置信度**: high
- **标签**: #技术 #编程语言 #偏好
- **内容**: 
  用户主要使用 Python 和 JavaScript 进行开发。
  偏好简洁、可读性强的代码风格。
- **关联**: [[S-20260302-001]]

技能方法 (Skill)

## S-20260302-001 代码审查清单

- **类型**: skill
- **来源**: 通用最佳实践
- **日期**: 2026-03-02
- **置信度**: high
- **标签**: #技能 #代码审查 #开发流程
- **内容**: 
  Step 1: 检查代码规范和风格
  Step 2: 验证功能逻辑正确性
  Step 3: 确认错误处理完善
  Step 4: 检查性能优化点
  Step 5: 确认测试覆盖关键路径
- **关联**: [[K-20260302-001]]

迁移路径

如果未来需要升级到完整 memU：

1. items/ 目录结构可直接映射到 memU Item Layer
2. MEMORY.md 可作为初始知识库导入
3. 记忆 ID 和标签系统保持一致

脚本工具

init.sh - 初始化记忆结构

#!/bin/bash
mkdir -p ~/.openclaw/workspace/memory/{raw,items/{preferences,knowledge,relationships,tasks,skills},indexes}
echo "memU-lite 记忆结构已创建"

backup.sh - 备份记忆

#!/bin/bash
DATE=$(date +%Y%m%d-%H%M%S)
tar -czf ~/.openclaw/workspace/backups/memory-$DATE.tar.gz ~/.openclaw/workspace/memory/
echo "记忆备份完成：memory-$DATE.tar.gz"

常见问题

Q: 记忆文件太多怎么办？

A: 定期归档旧记忆到 archive/ 目录，保持 items/ 精简。

Q: 如何搜索特定标签的记忆？

A: 使用 grep -r "#标签" ~/.openclaw/workspace/memory/items/

Q: 可以和现有 memory-core 共存吗？

A: 可以。memU-lite 使用相同的 memory_search/memory_get 工具，只是文件结构更规范。

许可证

Apache 2.0

项目地址

GitHub: https://github.com/yoo-unison/memu-lite

Inspired by memU (https://github.com/NevaMind-AI/memU)