OpenClaw记忆Skill入门指南：从零构建你的第一个记忆增强应用

2次阅读

共计 1793 个字符，预计需要花费 5 分钟才能阅读完成。

记忆 Skill 与传统技能最大的不同在于它能记住上下文（context）并持久化状态（state persistence）。比如传统天气查询技能每次都是独立请求，而记忆 Skill 可以记住用户上次查询的城市，自动作为默认值。这种连续性体验依赖两个核心技术：上下文保持（context retention）和状态存储（state storage）。

先看基础技能注册模板，特别注意带 memory_capabilities 的声明部分：

from openclaw.skill import Skill

class WeatherMemorySkill(Skill):
    def __init__(self):
        super().__init__(
            name="weather_memory",
            description="Weather query with city memory",
            # NOTE: 必须声明记忆权限才能使用存储 API
            memory_capabilities={"read": ["user_preferences"],
                "write": ["user_preferences"]
            },
            oauth_scopes=["weather_api:read"]  # 按需添加第三方 API 权限
        )

存储用户偏好的关键代码示例（key-value 结构设计）：

def handle_query_intent(self, user_id, context):
    # 尝试读取记忆
    last_city = self.memory.get(f"{user_id}:last_city")

    if not last_city:
        # NOTE: 首次使用时的默认值处理
        return "请告诉我您要查询的城市"

    try:
        weather_data = fetch_weather(last_city)
        return f"{last_city}的天气是{weather_data}"
    except Exception as e:
        # NOTE: 异常时清除错误记忆
        self.memory.delete(f"{user_id}:last_city")
        return "查询失败，请重新指定城市"

通过 <<context_id>> 实现多轮对话关联的 JSON 示例：

{
  "context_id": "abcd1234",
  "memory_slots": {
    "user_preferences": {
      "last_city": "北京",
      "unit": "celsius"
    }
  },
  "dialog_state": "awaiting_time_selection"
}

对话 session 务必在结束时清理：

def on_session_end(self, session_id):
    self.memory.clear(f"{session_id}:*")  # 通配符删除所有相关 key

本地缓存推荐使用 LRU 策略

方案	适用场景	示例
Redis	分布式环境	使用 WATCH/MULTI 原子操作
本地锁	单机高并发	threading.Lock()

def memory_crud_demo(user_id):
    # Create/Update
    self.memory.set(key=f"{user_id}:preferences",
        value={"city": "上海", "unit": "celsius"},
        ttl=3600  # NOTE: 1 小时过期
    )

    # Read
    prefs = self.memory.get(f"{user_id}:preferences")
    if not prefs:
        return "未找到用户设置"

    # Delete
    if prefs["unit"] == "fahrenheit":
        self.memory.delete(f"{user_id}:preferences")