（751期）总结 – 经验结构化沉淀，知识自动分级

经验结构化沉淀，知识自动分级 结构化沉淀经验至三层记忆系统，智能分级归档故障排查与配置方案，避免重复踩坑。 使用说明 核心功能 「总结」是面向 AI 工作流的记忆沉淀技能，基于 OpenViking 三层记忆架构（L0 核心索引/L1 重要记忆/L2 归档记忆）实现经验结构化存储。通过 M1-M6 标准化流程，自动完成价值判断→优先级分级→内容提取→合并去重→分类归档→索引更新。 显著优点 三层分级设计：L0 常驻核心规则、L1 按需加载故障方案、L2 查询触发历史记录，平衡性能与召回 双维度优先级：P0 永不过期（人设/规则）、P1 90 天（故障修复）、P2 30 天（调试过程），自动生命周期管理 结构化模板：强制提取「问题-根因-步骤-关键信息-结果-经验」六要素，避免碎片化记录 智能合并机制：M4 阶段自动识别同类问题，迭代更新解决步骤而非重复创建 潜在局限 依赖人工 M1 价值判断，简单问答/闲聊场景存在误存风险 文件路径硬编码（如 memory/topics/03-系统调试.md），跨平台迁移需适配 索引更新依赖外部 Python 脚本，环境缺失时降级为手动维护 P2 级 30 天自动清理可能误删仍有参考价值的调试记录 适合人群 运维/开发者：系统故障排查后的方案固化 自动化工作流用户：GitHub Actions、Cron 等配置变更追踪 多 Agent 协作场景：需要共享 memory/shared/ 团队规范 常规风险 数据持久化风险：memory/ 目录未纳入版本控制时存在丢失风险 敏感信息泄露：日志/报错信息可能含 IP、密钥等，需 M3 阶段人工脱敏 索引不一致：脚本执行失败时 L0 摘要与实际文件内容可能脱节 权限问题：memory_mgr.py 需文件系统写权限，受限环境（如容器只读）失效 原始说明 将问题解决过程整理成结构化文档，沉淀经验并保存到指定记忆文件，便于后续查阅和复盘。