用途
Context Memory Keeper 用于管理持久化记忆，解决模型在长对话中上下文遗忘的问题，同时保持上下文窗口的整洁。它通过双层记忆结构，把长期稳定的规则与短期变化的任务状态分开管理，使复杂任务在多次调用、长对话或会话恢复时仍能保持连贯。
主要能力
该 Skill 维护以下记忆文件：
- memoryskill.md（活动记忆）：
- 长期准则：用户偏好、角色设定、全局约束，基本为只读。
- 短期工作台：当前任务状态、变量、正在进行的步骤、外部文献/数据索引，频繁读写。
- memory_archive.md（归档）：历史记录、已完成的任务详情，基本为只写。
此外还包含可执行的工作流记忆脚本。在工作流守卫检查或 Skill 交接后运行：
python .claude/skills/context-memory-keeper/scripts/update_workflow_memory.py
该脚本读取 paper_output/qa/workflow_guard_report.json 及关键工作流产物，写入：
- paper_output/context/workflow_memory.json
- paper_output/context/workflow_memory.md
长对话和恢复的会话应优先读取 workflow_memory.json，而不是依赖聊天历史。
使用方式
读取：每次开始复杂任务前，或感到上下文模糊时，读取 memoryskill.md。
更新：
- 获得新指令或完成小步骤后，更新 memoryskill.md 的“短期工作台”。
- 用户修改全局规则后，更新 memoryskill.md 的“长期准则”。
归档（清理）：
- 当“短期工作台”内容过长或阶段性任务结束，将旧内容剪切到 memory_archive.md，并在 memoryskill.md 中仅保留关键结论。
压缩策略（自动清理）：
- 触发条件：当 memoryskill.md 超过 100 行时，必须执行压缩。
- 保留原则：用户强烈要求的命令、偏好、红线（高优先级）；项目核心框架、关键路径、当前阶段里程碑（中优先级）；正在阻碍当前任务的问题（高优先级）。
- 丢弃/归档原则：已完成任务的执行细节移至 memory_archive.md；过程性的成功/失败日志移至 memory_archive.md 或直接删除；已失效的临时变量或不再相关的上下文直接删除。
工作流协作约束
本 Skill 不得作为孤立入口。用户要求完整论文、生成 Word、继续流程或不确定阶段时，先回到 paper-workflow-orchestrator 判断当前 S0-S8 阶段。
启动或继续本 Skill 的正式任务前，必须运行：
python .claude/skills/paper-workflow-orchestrator/scripts/workflow_guard.py --skill context-memory-keeper
如果输出 [WORKFLOW FAIL] 或报告 status != "PASS"，停止本 Skill，按 paper_output/qa/workflow_guard_report.json 的失败项回补前置阶段，不得凭记忆继续。
本 Skill 只写入自己契约范围内的 paper_output/ 产物；完成后必须回到 paper-workflow-orchestrator 判断下一步，并用 context-memory-keeper 记录已完成产物、阻塞项和下一步。
长对话中如果上下文变长、阶段不确定或用户分开调用 Skill，先运行：
python .claude/skills/paper-workflow-orchestrator/scripts/workflow_guard.py --status
再读取 paper_output/qa/workflow_guard_report.json、paper_output/preflight_report.json、paper_output/input_manifest.json、paper_output/results/run_manifest.json 和本 Skill 的上游 JSON 契约，按报告里的 recommended_skill 与 next_action 继续。
继续流程前，必须把 paper_output/context/workflow_memory.json 视为长期断点记录；若其中的 current_step、next_step、recommended_skill 与 workflow_guard.py --status 不一致，以 guard 报告为准。
每次完成本 Skill 的产物后，先回到 paper-workflow-orchestrator 或运行 workflow_guard.py --status，再更新工作流记忆：
python .claude/skills/context-memory-keeper/scripts/update_workflow_memory.py
更新后读取 paper_output/context/workflow_memory.json / .md，确认下一步和推荐 Skill 已记录。
执行契约
- 上游输入：当前赛题约束、模型路线、数据源、图表路径、QA 结论、用户新增偏好和流程断点。
- 必须输出：更新后的 memoryskill.md；当短期工作台过长时，将旧任务摘要归档到 memory_archive.md。
- 下游交接：其他 Skill 在复杂任务开始前读取 memoryskill.md，避免遗忘当前模型路线、数据来源和用户要求。
- 推荐下一步：完成记忆更新后回到调用它的当前 Skill；若目标是完整论文，回到 paper-workflow-orchestrator 判断后续阶段。
- 失败回退：若无法安全更新记忆文件，应在本轮回复中明确保留关键结论，并提示后续手动补写到记忆文件。
适用场景
- 长对话中需要防止上下文漂移、保持任务连贯。
- 多 Skill 协作流程中，需要在交接前后记录已完成产物、阻塞项和下一步。
- 会话恢复时，需要从持久化记忆而非聊天历史中恢复当前阶段与推荐 Skill。
- 需要将已完成任务细节与过程日志从活动记忆中清理出去，保持活动记忆轻量（建议少于 100 行）。
限制
- 本 Skill 不得作为孤立入口使用，必须配合 paper-workflow-orchestrator 判断阶段。
- 启动或继续正式任务前必须通过 workflow_guard.py 检查，未通过时不得凭记忆继续。
- 只写入自己契约范围内的 paper_output/ 产物。
- 归档是手动触发的动作，由模型决定何时剪切粘贴。
- 若无法安全更新记忆文件，需在回复中保留关键结论并提示手动补写。
- 关于收费、价格、平台支持范围等信息，资料暂未提供。