龙虾失忆了？我给PaiFlow装上记忆和Skills，审核速度直接翻倍！
大家好，我是二哥呀。
今天早上一开口让龙虾干活，好家伙，它把昨天的事情忘得一干二净。
上来直接搞错方向，把我发的 GitCode 审核请求，当成了我对数字身份的要求，认认真真给我保存到了 USER.md 里。
what？why？——这才过了一夜，龙虾就失忆了？
如果你在养龙虾的过程中也遇到过类似的情况，说明 MEMORY.md 文件丢了。
因为养龙虾的过程中需要大量调试，比如说我就经常配合 Claude Code 来优化，那有可能 CC 会犯错把我们的龙虾养殖给搞废了。
所以前期的坑踩的很有必要。
今天这篇内容，我会讲一下龙虾的记忆原理、以及怎么用 Skills 来武装龙虾，让他更智能。
搞清楚 Memory 和 Skills 之后，面试中如果遇到类似的问题，也能游刃有余。
01、龙虾为什么会失忆？
OpenClaw 本身是没有持久记忆的。
每次打开新会话，龙虾就是一张白纸，什么都不记得。你上次告诉它的任务、它学会的操作流程、你们之间的约定——通通不知道。
因为龙虾的大脑是 LLM，LLM 本身也是没有记忆的，所以我们才搞了上下文。
换句话说，龙虾的记忆需要文件系统。
机制是这样的：每次打开新会话，龙虾会先读取工作目录下的 MEMORY.md 文件，从里面恢复上下文。然后读取今天的 Daily 文件，匹配 Skills 触发流程，执行完之后再把新的记忆写回去，下次会话继续读取。
所以失忆的原因有可能是——昨天我用 Claude Code 清除了 session，把记忆文件也一起删掉了。
没有 MEMORY.md，龙虾就什么都不知道了。
02、给龙虾装上记忆
解决方案很简单：重新和龙虾对话，明确告诉它把任务记录到 MEMORY.md 文件中。
重新告诉 PaiFlow 我们要它干的事情——帮我审核 GitCode 账号。
等龙虾把这次审核任务干完之后，直接告诉它：记住了，下次别再失忆了。
PaiFlow 接到指令，开始整理这次会话的关键信息，写入 MEMORY.md：它负责什么事、审核的页面在哪、用什么方式找到用户。
下次打开新会话，它读取这个文件，就能直接知道自己要干什么。
那 MEMORY.md 会不会越写越大？
这是个好问题，确实存在这个隐患。
好在 OpenClaw 有一套切片压缩与摘要机制来应对。当 MEMORY.md 超过一定大小，或者接近模型上下文窗口限制时，OpenClaw 会自动触发压缩：把旧的、重复的内容提炼成摘要，只保留最核心的部分。
具体来说，记忆管理分三层：
- 长期记忆放在 MEMORY.md 里，是精华库，只记最重要的事。比如我负责 GitCode 审核，审核页面是 xxx 这种不变的核心信息。
- 短期记忆是当次会话的上下文，会话结束就清空，不会累积。
- 日志记录写入每日 Daily 文件，用于回溯，但不直接参与下次会话的上下文构建。
所以实际运作起来，MEMORY.md 不会无限膨胀。它更像是一本精炼的工作手册，龙虾每次上班前翻一遍，知道今天要干什么、怎么干。
如果非常在乎记忆的体验，可以试试 mem0，可以和主流 AI 框架和工具无缝集成。
https://docs.mem0.ai/integrations/openclaw
03、用 Skills 让龙虾变得更专业
有了记忆，龙虾下次就不会失忆了。但还有个问题：每次审核，它都要重新理解一遍任务，翻页找人、判断用不用邀请按钮……每个步骤都要重新思考，花时间。
能不能把这套流程固定下来，让龙虾直接按剧本走？
可以，这就是 Skills 的用武之地。
等龙虾干完这次审核，告诉它：把这次流程保存为 Skills。
PaiFlow 接到指令，在工作目录下创建了一个 Skills 文件夹，生成了 SKILL.md 文件，把审核流程的每个步骤都写进去了：先翻页查找、找不到就用邀请按钮、找到后通过申请、最后汇报数据变化。
这个 SKILL.md 的格式是固定的，YAML 头部定义技能名称和触发描述，Markdown 正文写具体操作步骤。下次我说帮我审核一个 GitCode 账号，龙虾识别到这个意图，就会自动加载这个 Skill，按步骤执行，不需要再现想。
Skills 的工作原理
这里稍微展开一下 Skills 的运作机制，对理解龙虾的成长很有帮助。
Skills 是以文件夹为单元的可移植能力包，核心文件就是 SKILL.md。
它采用渐进式披露的加载策略：
①、启动会话时，只加载 Skills 的元数据（名称和描述），供模型快速发现有哪些技能可用。这一步消耗的 token 极少。
②、用户意图匹配到某个 Skill 时，才加载完整的 SKILL.md 正文，里面有具体的执行指令。
③、执行过程中如果需要参考资料或脚本，才按需读取 references/ 下的文件或运行 scripts/ 里的脚本——脚本是执行的，不是加载进上下文的，这个细节很重要，直接决定了 token 消耗不会随着 Skills 数量线性增长。
说白了，Skills 解决的是三个问题：让龙虾在特定场景下自动触发、按照预设流程执行、不会因为新会话而失忆。
Skill 就是龙虾的肌肉记忆。普通记忆是知道要干什么，肌肉记忆是直接就知道怎么干。
OpenClaw 的 Skills 有三个来源。
①、Bundled Skills (内置)
~/.nvm/.../node_modules/openclaw/skills/- 随 OpenClaw 安装，自动更新
- 如：github, gemini, healthcheck
②、Plugin Skills (插件)
~/.nvm/.../openclaw/extensions/feishu/skills/- 插件自带的技能
- 如：feishu-doc, feishu-wiki, feishu-drive
③、Personal Skills (个人)
~/.agents/skills/- 用户自己创建的技能
- 如：gitcode-approval, agent-browser
- 不会被 npm update 覆盖
个人的 Skills 可以单独存入 Git，这样无论你的龙虾迁移到哪里，都不会丢失。
04、加了 Skills 之后，速度快了多少
来看实测效果。
装上审核专属 Skills 之后，我发了同样的昵称，PaiFlow 直接按剧本走，没有多余的"理解"过程。
好，这次明显速度就加快了。
中间还可以随时对龙虾提出约束，比如不要关闭标签页：
再比如，不用自动刷新，因为 GitCode 自己会刷新：
这种即时约束非常灵活，你不需要重新生成 Skill，直接在对话里说就行，龙虾会把这个约束合并进当次执行流程里。
现在，整体的审核速度就快多了，也高效多了。
Token 消耗情况
执行完成后，我去 session logs 里看了一下这次的 token 消耗：
重点看 Cache Read 这个数字：83520 tokens，83% 的命中率。
Input ~1,198 tokens（净输入）
Output ~122 tokens
Cache Read 83,520 tokens（83% 命中率，从缓存读取不扣费）这意味着，这次任务里绝大多数的上下文信息都是从缓存里读出来的。Skills 的渐进式披露机制在这里发挥了作用——重复使用同一个 Skill，缓存命中率会越来越高，执行成本越来越低。
token 的消耗主要发生在浏览器 snapshot 返回的页面数据，但 83% 被缓存了（cacheRead），如果频繁审核，缓存命中率会更高，成本会更低。
05、整个养成流程复盘
加上昨天的内容，我们的龙虾养成任务已经正式开始了，这里简单做一个复盘：
第一步，分配任务。 用自然语言告诉龙虾要干什么，不需要精确的提示词，让它自己去理解和尝试。
第二步，写入记忆。 任务执行完之后，让龙虾把核心信息记入 MEMORY.md，下次打开新会话不会失忆。
第三步，固化为 Skills。 流程跑通之后，让龙虾把这套操作保存为 Skill，从此直接触发，不再重新理解。
第四步，持续调优。 执行过程中随时给出约束，Skills 也可以随时修改，让龙虾越来越符合你的习惯。
三个字总结：会，记，练。
第一次会了，记下来，反复练，形成肌肉记忆。
这套逻辑，对人有效，对龙虾一样有效。
ending
有时候我们会觉得 AI 不够聪明，其实很多时候不是它不够聪明，而是我们没有给它足够好的环境。
一个没有记忆的龙虾，每次都要重新出发，当然会重复犯错。就像求职，从来不复盘、不去刷算法、不去背八股、不去升级简历、不去升级项目，每次都会铩羽而归。
给龙虾装上 Memory，给它写 Skills，本质上是在做一件事：把龙虾养成我们预期的样子。
不止对龙虾，对我们自己也是。
你这个月踩过的坑，做过的决策，总结出来的方法论——如果只存在脑子里，下次遇到类似问题还是得重新想。但如果写下来，沉淀成文档、流程、checklist，就变成了可以直接用的东西。
【记忆不只是记住了，而是变成了可以随时调用的能力】
回到龙虾本身。
gitcode 账号审核只是一个很小的应用场景，但对于每天要审核几十个账号的我来说，的确省了不少力气。
我只需要把大家的昵称扔给飞书，手机端客户端都可以，接着去干别的事情就好了。
后面我可以尝试让大家去飞书里填写然后交给龙虾去干活，效率应该会更高。
去养一只真正能干活的龙虾吧。
效率永远大于安全，不要因为担心安全而不去尝试。
我们下期见。