用途：该技能用于设计、实现与审查智能体记忆系统，解决跨会话遗忘、记忆检索与记忆形成问题。触发场景包括用户提到 agent memory、long-term memory、memory systems、remember across sessions、memory retrieval、episodic memory 等。
主要能力：采用 CoALA 认知架构框架划分三类记忆——语义记忆（事实与偏好）、情景记忆（带时间戳的经历与任务结果）、程序性记忆（规则、技能与工作流，常以 few-shot 示例实现）。覆盖短期（上下文窗口）、长期（向量存储）与工作记忆，并涉及记忆形成、记忆衰减与运行时检索。
使用方式：先读 metadata.json 与 ORIGIN.md 确认来源与提交信息，再按需加载 SKILL.md 及最小必要的参考、示例或脚本，避免整包加载。资料给出 LangMem 的 MemoryStore 用法示例（semantic.upsert、episodic.add、procedural.add），以及运行时 prepare_context 检索用户画像、相似经历与相关技能；还包含 LangGraph 后台记忆处理示例，在会话结束或空闲超时后提取洞察并写入长期记忆。
选型参考：记忆框架包括 LangMem、MemGPT/Letta、Mem0；向量库包括 Pinecone、Qdrant、Weaviate、ChromaDB、pgvector；嵌入模型包括 OpenAI text-embedding-3-large/small、nomic-embed-text-v1.5、all-MiniLM-L6-v2。资料还给出各向量库在规模、托管、过滤、混合检索、成本与延迟上的对比，以及分块策略的一般建议。
适用场景：为对话智能体增加跨会话记忆、构建用户偏好层、设计检索管线与记忆类型划分。
限制：资料未提供具体安装命令、版本要求、完整 API 文档与实测效果；部分内容为上游导入的编辑性打包说明，实际实现细节需以原始仓库为准。偏好更新建议采用先删除后写入而非追加。