{"id":"a2da64d3-c97a-46a6-b599-e32f3ac61f85","shortId":"Pd387u","kind":"skill","title":"ai-native-memory-system","tagline":"'AI Native 产品方法论——记忆系统设计的实操 Skill。","description":"# AI Native 记忆系统设计 Skill\n\n## 使用场景\n\n- 产品需要让 AI 记住用户偏好、历史交互和过往案例\n- 需要设计短期记忆、长期记忆和案例记忆的存储策略\n- 需要避免记忆系统从\"能力复利\"变成\"错误复利\"\n\n## 核心概念\n\n- **记忆系统（Memory）**：系统对用户、任务、案例和过程状态的持续性保留机制\n- **短期记忆**：围绕当前任务或近期会话保留的临时状态\n- **长期记忆**：可跨会话、跨任务复用的稳定背景、偏好、案例或经验\n- **案例记忆**：对成功样本、失败样本和人工修正的结构化沉淀\n\n## 记忆系统的三类价值\n\n- **帮助实验更贴近真实场景**：实验可以使用历史任务数据\n- **帮助系统构建更稳定**：流程状态、案例库和用户上下文可以被复用\n- **帮助生产运行形成复利**：系统随着使用积累越来越多的有效材料\n\n## 记忆系统流程\n\n```\n真实事件\n  → 记忆分类\n    → 权限与时效判断\n      → 存储与索引\n        → 后续任务检索使用\n          → 人工修正与再沉淀\n```\n\n如果没有分类、权限和时效判断，记忆系统很容易从\"能力复利\"变成\"错误复利\"。\n\n## 记忆的三种类型\n\n### 1. 用户记忆\n\n- 用户偏好、历史选择、长期背景\n- 例如：客服偏好某种解释风格、用户常见问题类型\n\n### 2. 任务记忆\n\n- 当前流程状态、中间结论、执行历史\n- 例如：当前会话中已提供的订单号、投诉点、已做过的解释\n\n### 3. 案例记忆\n\n- 过去成功案例、失败案例、人工修正与经验模板\n- 例如：\"这类物流异常最后是如何解释并安抚用户的\"\n\n三类记忆的保存方式、更新方式和使用方式都不一样。把它们混成一种\"通用记忆\"，最后往往会让系统既难解释，又难治理。\n\n## 记忆系统与数据循环\n\n```\nUsage\n  → Data\n    → 记忆系统\n      → Better Capability\n        → Better Product\n```\n\n记忆系统的本质不是\"存储更多\"，而是\"把使用转化为可再次使用的经验\"。\n\n## 记忆系统在三个阶段的角色\n\n### 试验展开阶段\n\n- 使用历史任务数据做实验\n- 沉淀失败样本作为评估输入\n\n### 系统构建阶段\n\n- 流程状态、案例库和用户上下文被复用\n- 记忆系统成为连接实验、工程和生产的公共底座\n\n### 生产运行阶段\n\n- 系统随着使用积累越来越多有效材料\n- 形成数据循环和能力复利\n\n## 什么记忆值得保留，什么不该保留\n\n### 值得保留\n\n- 高质量的人工修正结果\n- 反复出现的成功模式\n- 用户明确表达的偏好\n- 经过验证的业务规则和案例\n\n### 不该保留\n\n- 未经验证的模型输出\n- 含有敏感信息的原始对话\n- 已经过时的业务规则\n- 明显错误的案例（除非作为反例特意保留）\n\n## 记忆系统设计原则\n\n1. **分类存储**：用户记忆、任务记忆、案例记忆分开存储\n2. **权限控制**：不同角色只能访问其权限范围内的记忆\n3. **时效管理**：记忆有有效期，过期资料自动降级或清理\n4. **人工审核**：重要记忆的沉淀应该经过人工确认\n5. **可解释性**：系统能说清楚\"为什么使用这条记忆\"\n\n## 输出物：记忆系统方案\n\n1. **记忆分类架构**：用户记忆 / 任务记忆 / 案例记忆的分类和存储策略\n2. **权限与时效策略**：谁能访问什么记忆、记忆保留多久\n3. **存储与索引方案**：如何存储、如何索引、如何检索\n4. **人工修正流程**：如何收集人工修正、如何审核、如何沉淀\n5. **记忆质量评估**：如何判断记忆是否在提升产品能力\n\n## 使用方式\n\n当用户提供产品场景时，自动执行：\n\n1. 分析场景需要哪些类型的记忆\n2. 设计记忆分类架构\n3. 制定权限与时效策略\n4. 设计存储与索引方案\n5. 设计人工修正与再沉淀流程\n6. 设计记忆质量评估机制\n7. 输出记忆系统方案\n\n## 示例\n\n### 示例：AI 客服记忆系统设计\n\n**场景描述**：\nAI 客服系统需要记住用户偏好、会话历史、成功案例，并支持多轮对话上下文。\n\n**用户输入**：\n\"我们的 AI 客服经常忘记用户之前说过什么，每次都要重复问订单号，体验很差\"\n\n**Skill 执行流程**：\n\n1. **记忆需求分析**\n\n| 痛点 | 需要的记忆类型 | 优先级 |\n|------|---------------|--------|\n| 重复询问订单号 | 任务记忆（当前会话上下文） | P0 |\n| 不了解用户历史 | 用户记忆（长期偏好、常见问题） | P1 |\n| 同样的错误重复犯 | 案例记忆（失败案例+修正） | P1 |\n| 无法连续对话 | 短期记忆（多轮状态） | P0 |\n\n2. **记忆分类设计**\n\n```yaml\n记忆分类架构:\n  \n  短期记忆（Session-level）:\n    - 当前会话的订单号、问题类型\n    - 已提供的解释、用户的反馈\n    - 生命周期: 会话结束后保留24小时\n    - 存储: Redis\n    \n  用户记忆（User-level）:\n    - 用户偏好: 解释详细程度、沟通风格\n    - 历史问题模式: 常见咨询类型\n    - 生命周期: 永久保留，可更新\n    - 存储: SQL + 向量数据库\n    \n  案例记忆（Case-level）:\n    - 成功案例: 有效的解释话术和解决方案\n    - 失败案例: 被投诉/升级的对话及原因\n    - 人工修正: 客服主管的改写样本\n    - 生命周期: 通过审核后永久保留\n    - 存储: 向量数据库（可检索）\n```\n\n3. **权限与时效策略**\n\n| 记忆类型 | 可见范围 | 保留周期 | 清理策略 |\n|----------|----------|----------|----------|\n| 短期记忆 | 当前会话 | 24小时 | 自动过期清除 |\n| 用户偏好 | 该用户所有会话 | 永久 | 用户可删除 |\n| 案例记忆 | 全局可检索 | 永久 | 人工审核后删除 |\n| 原始对话 | 审计人员 | 30天 | 自动匿名化 |\n\n4. **存储与索引方案**\n\n```yaml\n存储架构:\n  \n  会话状态（Redis）:\n    key: \"session:{session_id}\"\n    value: \n      order_id: \"12345\"\n      issue_type: \"物流延迟\"\n      explained: [\"预计送达时间\", \"延迟原因\"]\n      user_feedback: \"不满意\"\n    ttl: 86400\n  \n  用户画像（PostgreSQL）:\n    user_id: \"U123\"\n    preferences:\n      detail_level: \"简洁\"\n      preferred_style: \"直接\"\n    common_issues: [\"物流咨询\", \"退换货\"]\n    updated_at: \"2024-01-15\"\n  \n  案例库（向量DB）:\n    - 成功案例向量化存储\n    - 支持语义相似度检索\n    - 关联: 问题类型 + 解决方案 + 满意度评分\n```\n\n5. **人工修正与再沉淀流程**\n\n```\n客服人员修改AI回复\n  → 标记修正原因（不准确/不完整/风格不合适）\n    → 提交审核（主管审批）\n      → 通过后进入案例库\n        → 定期用作模型微调样本\n```\n\n**输出结果**：\n\n```yaml\n# 记忆系统方案：AI 客服\n\n记忆分类:\n  类型1_短期记忆:\n    用途: 维持当前会话的连贯性\n    内容: [订单号, 问题类型, 已解释内容, 用户情绪状态]\n    存储: Redis Cluster\n    TTL: 24h\n    \n  类型2_用户记忆:\n    用途: 个性化服务\n    内容: [沟通偏好, 常见需求, 历史满意度]\n    存储: PostgreSQL\n    更新: 每次会话后自动更新\n    \n  类型3_案例记忆:\n    用途: 经验复用\n    内容: [问题向量, 解决方案, 满意度, 标签]\n    存储: Pinecone + S3\n    入库: 人工审核后\n    检索: 相似度 > 0.85\n\n权限矩阵:\n  客服专员: 查看当前会话记忆\n  客服主管: 查看所有记忆 + 修正案例\n  系统: 全局检索案例记忆\n  用户: 查看/删除自己的偏好记忆\n\n质量评估:\n  指标1: 重复询问率 < 5%\n  指标2: 案例采纳率 > 60%\n  指标3: 修正样本质量评分 > 4.0/5.0\n\n风险防控:\n  - 敏感信息（手机号/地址）不进入记忆\n  - 用户可随时删除自己的偏好数据\n  - 案例库定期人工审核，移除过时样本\n```","tags":["memory","system","native","product","agent","skills","gmaxxxie","agent-skills","ai-agent","ai-native","ai-product","methodology"],"capabilities":["skill","source-gmaxxxie","skill-p5-memory-system","topic-agent-skills","topic-ai-agent","topic-ai-native","topic-ai-product","topic-methodology","topic-product-management","topic-product-methodology","topic-product-thinking","topic-skills"],"categories":["ai-native-product-agent-skills"],"synonyms":[],"warnings":[],"endpointUrl":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/p5-memory-system","protocol":"skill","transport":"skills-sh","auth":{"type":"none","details":{"cli":"npx skills add gmaxxxie/ai-native-product-agent-skills","source_repo":"https://github.com/gmaxxxie/ai-native-product-agent-skills","install_from":"skills.sh"}},"qualityScore":"0.478","qualityRationale":"deterministic score 0.48 from registry signals: · indexed on github topic:agent-skills · 56 github stars · SKILL.md body (3,839 chars)","verified":false,"liveness":"unknown","lastLivenessCheck":null,"agentReviews":{"count":0,"score_avg":null,"cost_usd_avg":null,"success_rate":null,"latency_p50_ms":null,"narrative_summary":null,"summary_updated_at":null},"enrichmentModel":"deterministic:skill-github:v1","enrichmentVersion":1,"enrichedAt":"2026-05-18T18:57:32.921Z","embedding":null,"createdAt":"2026-05-01T01:03:00.484Z","updatedAt":"2026-05-18T18:57:32.921Z","lastSeenAt":"2026-05-18T18:57:32.921Z","tsv":"'-01':346 '-15':347 '/5.0':437 '0.85':415 '1':64,132,153,178,210 '12345':315 '2':72,137,158,180,233 '2024':345 '24h':386 '24小时':288 '3':81,140,162,182,280 '30天':300 '4':144,167,184,302 '4.0':436 '5':147,172,186,356,430 '6':188 '60':433 '7':190 '86400':326 'ai':2,6,11,17,194,197,204,370 'ai-native-memory-system':1 'better':98,100 'capabl':99 'case':266 'case-level':265 'cluster':384 'common':339 'data':96 'detail':333 'explain':319 'feedback':323 'id':311,314,330 'issu':316,340 'key':308 'level':240,252,267,334 'memori':4,28 'nativ':3,7,12 'order':313 'p0':218,232 'p1':223,228 'pinecon':409 'postgresql':328,396 'prefer':332,336 'product':101 'redi':248,307,383 's3':410 'session':239,309,310 'session-level':238 'skill':10,14,208 'skill-p5-memory-system' 'source-gmaxxxie' 'sql':262 'style':337 'system':5 'topic-agent-skills' 'topic-ai-agent' 'topic-ai-native' 'topic-ai-product' 'topic-methodology' 'topic-product-management' 'topic-product-methodology' 'topic-product-thinking' 'topic-skills' 'ttl':325,385 'type':317 'u123':331 'updat':343 'usag':95 'user':251,322,329 'user-level':250 'valu':312 'yaml':235,304,368 '三类记忆的保存方式':88 '不了解用户历史':219 '不准确':360 '不同角色只能访问其权限范围内的记忆':139 '不完整':361 '不满意':324 '不该保留':125 '不进入记忆':442 '个性化服务':390 '中间结论':75 '为什么使用这条记忆':150 '主管审批':364 '产品方法论':8 '产品需要让':16 '人工修正':273 '人工修正与再沉淀':56 '人工修正与再沉淀流程':357 '人工修正与经验模板':85 '人工修正流程':168 '人工审核':145 '人工审核后':412 '人工审核后删除':297 '什么不该保留':119 '什么记忆值得保留':118 '任务':30 '任务记忆':73,135,156,216 '优先级':214 '会话历史':199 '会话状态':306 '会话结束后保留24小时':246 '体验很差':207 '使用历史任务数据做实验':108 '使用场景':15 '使用方式':175 '例如':69,77,86 '保留周期':284 '修正':227 '修正样本质量评分':435 '修正案例':421 '值得保留':120 '偏好':37 '入库':411 '全局可检索':295 '全局检索案例记忆':423 '关联':352 '内容':377,391,403 '分析场景需要哪些类型的记忆':179 '分类存储':133 '删除自己的偏好记忆':426 '制定权限与时效策略':183 '升级的对话及原因':272 '历史交互和过往案例':19 '历史满意度':394 '历史选择':67 '历史问题模式':256 '原始对话':298 '又难治理':93 '反复出现的成功模式':122 '变成':24,61 '可更新':260 '可检索':279 '可见范围':283 '可解释性':148 '可跨会话':35 '同样的错误重复犯':224 '后续任务检索使用':55 '向量db':349 '向量数据库':263,278 '含有敏感信息的原始对话':127 '围绕当前任务或近期会话保留的临时状态':33 '地址':441 '场景描述':196 '多轮状态':231 '失败样本和人工修正的结构化沉淀':41 '失败案例':84,226,270 '如何判断记忆是否在提升产品能力':174 '如何存储':164 '如何审核':170 '如何收集人工修正':169 '如何检索':166 '如何沉淀':171 '如何索引':165 '如果没有分类':57 '存储':247,261,277,382,395,408 '存储与索引':54 '存储与索引方案':163,303 '存储更多':103 '存储架构':305 '定期用作模型微调样本':366 '实验可以使用历史任务数据':44 '审计人员':299 '客服':371 '客服专员':417 '客服主管':419 '客服主管的改写样本':274 '客服人员修改ai回复':358 '客服偏好某种解释风格':70 '客服系统需要记住用户偏好':198 '客服经常忘记用户之前说过什么':205 '客服记忆系统设计':195 '对成功样本':40 '工程和生产的公共底座':114 '已做过的解释':80 '已提供的解释':243 '已经过时的业务规则':128 '已解释内容':380 '帮助实验更贴近真实场景':43 '帮助生产运行形成复利':48 '帮助系统构建更稳定':45 '常见咨询类型':257 '常见问题':222 '常见需求':393 '并支持多轮对话上下文':201 '延迟原因':321 '当前会话':287 '当前会话上下文':217 '当前会话中已提供的订单号':78 '当前会话的订单号':241 '当前流程状态':74 '当用户提供产品场景时':176 '形成数据循环和能力复利':117 '成功案例':200,268 '成功案例向量化存储':350 '我们的':203 '手机号':440 '执行历史':76 '执行流程':209 '把使用转化为可再次使用的经验':105 '把它们混成一种':90 '投诉点':79 '指标1':428 '指标2':431 '指标3':434 '提交审核':363 '支持语义相似度检索':351 '敏感信息':439 '无法连续对话':229 '时效管理':141 '明显错误的案例':129 '更新':397 '更新方式和使用方式都不一样':89 '最后往往会让系统既难解释':92 '有效的解释话术和解决方案':269 '未经验证的模型输出':126 '权限与时效判断':53 '权限与时效策略':159,281 '权限和时效判断':58 '权限控制':138 '权限矩阵':416 '查看':425 '查看当前会话记忆':418 '查看所有记忆':420 '标签':407 '标记修正原因':359 '核心概念':26 '案例和过程状态的持续性保留机制':31 '案例库':348 '案例库和用户上下文可以被复用':47 '案例库和用户上下文被复用':112 '案例库定期人工审核':444 '案例或经验':38 '案例记忆':39,82,225,264,294,400 '案例记忆分开存储':136 '案例记忆的分类和存储策略':157 '案例采纳率':432 '检索':413 '每次会话后自动更新':398 '每次都要重复问订单号':206 '永久':292,296 '永久保留':259 '沉淀失败样本作为评估输入':109 '沟通偏好':392 '沟通风格':255 '流程状态':46,111 '清理策略':285 '满意度':406 '满意度评分':355 '物流咨询':341 '物流延迟':318 '生产运行阶段':115 '生命周期':245,258,275 '用户':424 '用户偏好':66,253,290 '用户可删除':293 '用户可随时删除自己的偏好数据':443 '用户常见问题类型':71 '用户情绪状态':381 '用户明确表达的偏好':123 '用户画像':327 '用户的反馈':244 '用户记忆':65,134,155,220,249,388 '用户输入':202 '用途':375,389,401 '痛点':212 '直接':338 '相似度':414 '真实事件':51 '短期记忆':32,230,237,286,374 '示例':192,193 '移除过时样本':445 '简洁':335 '类型1':373 '类型2':387 '类型3':399 '系统':422 '系统对用户':29 '系统构建阶段':110 '系统能说清楚':149 '系统随着使用积累越来越多有效材料':116 '系统随着使用积累越来越多的有效材料':49 '经过验证的业务规则和案例':124 '经验复用':402 '维持当前会话的连贯性':376 '而是':104 '能力复利':23,60 '自动匿名化':301 '自动执行':177 '自动过期清除':289 '被投诉':271 '解决方案':354,405 '解释详细程度':254 '订单号':378 '记住用户偏好':18 '记忆保留多久':161 '记忆分类':52,372 '记忆分类架构':154,236 '记忆分类设计':234 '记忆有有效期':142 '记忆的三种类型':63 '记忆类型':282 '记忆系统':27,97 '记忆系统与数据循环':94 '记忆系统在三个阶段的角色':106 '记忆系统很容易从':59 '记忆系统成为连接实验':113 '记忆系统方案':152,369 '记忆系统流程':50 '记忆系统的三类价值':42 '记忆系统的本质不是':102 '记忆系统设计':13 '记忆系统设计原则':131 '记忆系统设计的实操':9 '记忆质量评估':173 '记忆需求分析':211 '设计人工修正与再沉淀流程':187 '设计存储与索引方案':185 '设计记忆分类架构':181 '设计记忆质量评估机制':189 '试验展开阶段':107 '该用户所有会话':291 '谁能访问什么记忆':160 '质量评估':427 '跨任务复用的稳定背景':36 '输出物':151 '输出结果':367 '输出记忆系统方案':191 '过去成功案例':83 '过期资料自动降级或清理':143 '这类物流异常最后是如何解释并安抚用户的':87 '退换货':342 '通用记忆':91 '通过后进入案例库':365 '通过审核后永久保留':276 '重复询问率':429 '重复询问订单号':215 '重要记忆的沉淀应该经过人工确认':146 '错误复利':25,62 '长期偏好':221 '长期背景':68 '长期记忆':34 '长期记忆和案例记忆的存储策略':21 '问题向量':404 '问题类型':242,353,379 '除非作为反例特意保留':130 '需要的记忆类型':213 '需要设计短期记忆':20 '需要避免记忆系统从':22 '预计送达时间':320 '风格不合适':362 '风险防控':438 '高质量的人工修正结果':121","prices":[{"id":"bed0d83f-4cbd-4820-a402-c397bfe1f9c6","listingId":"a2da64d3-c97a-46a6-b599-e32f3ac61f85","amountUsd":"0","unit":"free","nativeCurrency":null,"nativeAmount":null,"chain":null,"payTo":null,"paymentMethod":"skill-free","isPrimary":true,"details":{"org":"gmaxxxie","category":"ai-native-product-agent-skills","install_from":"skills.sh"},"createdAt":"2026-05-01T01:03:00.484Z"}],"sources":[{"listingId":"a2da64d3-c97a-46a6-b599-e32f3ac61f85","source":"github","sourceId":"gmaxxxie/ai-native-product-agent-skills/p5-memory-system","sourceUrl":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p5-memory-system","isPrimary":false,"firstSeenAt":"2026-05-01T01:03:00.484Z","lastSeenAt":"2026-05-18T18:57:32.921Z"}],"details":{"listingId":"a2da64d3-c97a-46a6-b599-e32f3ac61f85","quickStartSnippet":null,"exampleRequest":null,"exampleResponse":null,"schema":null,"openapiUrl":null,"agentsTxtUrl":null,"citations":[],"useCases":[],"bestFor":[],"notFor":[],"kindDetails":{"org":"gmaxxxie","slug":"p5-memory-system","github":{"repo":"gmaxxxie/ai-native-product-agent-skills","stars":56,"topics":["agent-skills","ai-agent","ai-native","ai-product","methodology","product-management","product-methodology","product-thinking","skills"],"license":null,"html_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills","pushed_at":"2026-05-06T07:19:36Z","description":"AI Native Product Methodology — 80 executable skills across P0-P14 stages, covering needs discovery to aesthetic authority. From 8 books.","skill_md_sha":"e858e789a461cef79c82a426602507429e02c345","skill_md_path":"skills/p5-memory-system/SKILL.md","default_branch":"main","skill_tree_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p5-memory-system"},"layout":"multi","source":"github","category":"ai-native-product-agent-skills","frontmatter":{"name":"ai-native-memory-system","description":"'AI Native 产品方法论——记忆系统设计的实操 Skill。"},"skills_sh_url":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/p5-memory-system"},"updatedAt":"2026-05-18T18:57:32.921Z"}}