名称： penfield
描述： 为 OpenClaw 智能体提供持久化记忆。存储决策、偏好和上下文，使其在不同会话间持续存在。构建随时间增长的知识图谱。混合搜索（BM25 + 向量 + 图谱）能在需要时准确召回重要信息。
元数据： {"openclaw":{"emoji":"🧠","install":[{"id":"npm","kind":"node","package":"openclaw-penfield","global":true,"label":"安装 Penfield 插件"}],"requires":{"config":["plugins.entries.openclaw-penfield.enabled"]}}}

Penfield 记忆系统

持久化、可积累的记忆。您的智能体能够记住对话、学习偏好、关联想法，并在会话、日期和渠道之间实现无缝衔接，随时从上次中断的地方继续。

工具集

记忆

知识图谱

上下文与分析

工件

如何撰写真正有效的记忆

记忆内容的质量决定了 Penfield 是有用还是无用。关键在于具体性和上下文。

反面示例 — 模糊、无上下文、日后难以查找：

"用户喜欢 Python"

正面示例 — 具体、有上下文、易于查找：

"[偏好] 对于后端工作，用户更喜欢 Python 而非 JavaScript。
原因：对 JS 的回调模式和缺乏类型安全感到沮丧。
重视类型提示和明确的错误处理。使用 FastAPI 构建 API。"

让记忆易于查找的要素：

1. 方括号内的上下文前缀：[偏好]、[项目: API 重构]、[调查: 支付故障]、[决策]
2. “是什么”背后的“为什么” — 理由比事实本身更重要
3. 具体细节 — 名称、数字、日期、版本，而非模糊的总结
4. 引用相关记忆 — “这建立在[关于 X 的早期发现]之上”或“与先前认为 Y 的假设相矛盾”

记忆类型

使用正确的类型。系统会利用这些类型进行过滤和分析。

重要性评分

充分利用评分范围。并非所有事情都是 0.5。

连接记忆

连接是 Penfield 强大的关键。孤立的记忆只是一条笔记。连接起来的记忆才是理解。

存储记忆后，始终要问： 这与什么相关？然后连接它。

关系类型 (24 种)

知识演进： supersedes · updates · evolution_of
当理解发生变化时使用。“我们曾认为 X，现在我们知道 Y。”

证据： supports · contradicts · disputes
当新信息验证或挑战现有信念时使用。

层次结构： parent_of · child_of · sibling_of · composed_of · part_of
用于结构关系。包含子主题的主题，包含组件的系统。

因果关系： causes · influenced_by · prerequisite_for
用于因果链和依赖关系。

实现： implements · documents · tests · example_of
当某事物演示、描述或验证另一事物时使用。

对话： responds_to · references · inspired_by
用于归属和对话线程。

序列： follows · precedes
用于流程或时间线中的有序步骤。

依赖： depends_on
当一件事物需要另一件事物时使用。

召回策略

好的查询能找到东西。坏的查询只会返回噪音。

根据查询类型调整搜索权重：

积极使用过滤器：
- memory_types: ["correction", "insight"] 以查找发现和更正
- importance_threshold: 0.7 以跳过噪音
- enable_graph_expansion: true 以跟随连接 (默认开启，通常保持)

工作流程示例

用户分享偏好

penfield_store({
  content: "[偏好] 用户希望回复不超过 3 段，除非复杂度要求更多。不喜欢在随意对话中使用项目符号列表。",
  memory_type: "fact",
  importance: 0.8,
  tags: ["preferences", "communication"]
})

调查跟踪

// 开始
penfield_store({
  content: "[调查: 部署失败] 报告称每次周五部署后都会出现 500 错误。正在检查发布流水线、配置漂移和流量模式。",
  memory_type: "task",
  importance: 0.7,
  tags: ["investigation", "deployment"]
})

// 发现 — 连接到调查
discovery = penfield_store({
  content: "[调查: 部署失败] 洞察：周五部署与每周 17:00 UTC 的批处理作业时间重合。两者竞争数据库连接池。这不是部署问题，而是资源争用。",
  memory_type: "insight",
  importance: 0.9,
  tags: ["investigation", "deployment", "root-cause"]
})
penfield_connect({
  from_memory_id: discovery.id,
  to_memory_id: initial_report.id,
  relationship_type: "responds_to"
})

// 更正 — 取代错误的假设
correction = penfield_store({
  content: "[调查: 部署失败] 更正：不是 CI/CD 问题。周五批处理作业 + 部署 = 连接池耗尽。修复：将批处理作业错开到 03:00 UTC。",
  memory_type: "correction",
  importance: 0.9,
  tags: ["investigation", "deployment", "correction"]
})
penfield_connect({
  from_memory_id: correction.id,
  to_memory_id: initial_report.id,
  relationship_type: "supersedes"
})

会话交接

penfield_save_context({
  name: "deployment-investigation-2026-02",
  description: "调查了部署超时问题。记忆 ID: " + discovery.id,
  memory_ids: [discovery.id, correction.id, initial_report.id]
})

下一个会话或不同智能体：

penfield_restore_context({
  name: "deployment-investigation-2026-02"
})

不应存储的内容

• 逐字对话记录 (过于冗长，信号价值低)
• 易于搜索到的事实 (使用网络搜索代替)
• 临时任务状态 (使用工作记忆)
• 用户未同意存储的关于其自身的任何信息
• 每一次微小的交流 (要有选择性 — 质量重于数量)

标签

保持简短、一致、小写。每条记忆使用 2–5 个标签。

好例子：preferences、architecture、investigation、correction、project-name
坏例子：2026-02-02、important-memory-about-deployment、UserPreferencesForCommunicationStyle

也可在 OpenClaw 之外使用

原生 OpenClaw 插件是最快的途径，但 Penfield 可与任何 AI 工具配合使用：

Claude 连接器

**名称：** Penfield
Remote MCP server URL: https://mcp.penfield.app

Claude Code

Claude mcp add --transport http --scope user penfield https://mcp.penfield.app

MCP 服务器 — 适用于 Gemini CLI、Cursor、Windsurf、Intent、Perplexity Desktop 或任何 MCP 兼容工具：

{
  "mcpServers": {
    "penfield": {
      "command": "npx",
      "args": [
        "mcp-remote@latest",
        "https://mcp.penfield.app/"
      ]
    }
  }
}

API — 通过 api.penfield.app 直接进行 HTTP 访问，用于自定义集成。

相同的记忆、相同的知识图谱、相同的账户。插件速度快 4-5 倍 (无 MCP 代理层)，但无论您如何连接，所有内容都保持同步。

链接

• 插件：npm 上的 openclaw-penfield
• 源代码：github.com/penfieldlabs/openclaw-penfield
• 注册：portal.penfield.app/sign-up
• 网站：penfield.app
• X：@penfieldlabs