彭菲尔德记忆

持续积累的记忆。您的智能体能够记住对话、学习偏好、关联想法，并在不同会话、日期和渠道间精准衔接，无缝延续。

工具

记忆

知识图谱

上下文与分析

工件

个性

编写真正有效的记忆

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

差——模糊，无上下文，后期无法找到：

"User likes Python"

好——具体，有上下文，可找到：

"[Preferences] User prefers Python over JavaScript for backend work.
Reason: frustrated by JS callback patterns and lack of type safety.
Values type hints and explicit error handling. Uses FastAPI for APIs."

使记忆可被找到的关键：

1. 上下文前缀在括号内：[偏好],[项目：API 重新设计],[调查：支付错误],[决定]
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，而非模糊的概括
4. 关联记忆的引用—— "这基于[先前关于X的发现]" 或 "与先前假设Y相矛盾"

记忆类型

使用正确的类型。系统会据此进行筛选和分析。

重要性评分

请使用完整的评分范围。并非所有内容都是0.5分。

连接记忆

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

存储一条记忆后，总要问：这与什么相关？然后将其连接起来。

关系类型 (24种)

知识演进： 取代·更新·演进自当理解发生变化时使用。"我们曾以为X，现在我们知道Y。"

证据： 支持·反驳·质疑当新信息证实或挑战现有观点时使用。

层级： 父级·子级·兄弟姐妹关系·由...组成·属于...的一部分用于结构关系。包含子主题的主题，包含组件的系统。

因果关系： 导致·受...影响·是...的前提条件用于因果链和依赖关系。

实施关系： 实现·记录·测试·...的示例当某物展示、描述或验证另一事物时使用。

对话关系： 回应·参考资料·灵感来源用于归属和对话线索。

序列： 紧随其后·位于之前用于流程或时间线中的有序步骤。

依赖关系： 依赖于用于表示一事物需要另一事物。

检索策略

好的查询能找到内容。差的查询返回噪声。

根据您的查询类型调整搜索权重：

积极过滤：

• 记忆类型：["修正", "洞见"]以发现修正和洞见
• 重要性阈值：0.7以跳过噪音
• 启用图扩展：true以追踪关联（默认开启，通常保持开启）

工作流程

用户分享偏好

penfield_store({
  content: "[Preferences] User wants responses under 3 paragraphs unless complexity demands more. Dislikes bullet points in casual conversation.",
  memory_type: "fact",
  importance: 0.8,
  tags: ["preferences", "communication"]
})

调查追踪

// Start
penfield_store({
  content: "[Investigation: Deployment Failures] Reports of 500 errors after every Friday deploy. Checking release pipeline, config drift, and traffic patterns.",
  memory_type: "task",
  importance: 0.7,
  tags: ["investigation", "deployment"]
})

// Discovery — connect to the investigation
discovery = penfield_store({
  content: "[Investigation: Deployment Failures] INSIGHT: Friday deploys coincide with weekly batch job at 17:00 UTC. Both compete for DB connection pool. Not a deploy issue — it's resource contention.",
  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"
})

// Correction — supersede wrong assumption
correction = penfield_store({
  content: "[Investigation: Deployment Failures] CORRECTION: Not a CI/CD problem. Friday batch job + deploy = connection pool exhaustion. Fix: stagger batch job to 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: "Investigated deployment timeout issues. memory_id: " + discovery.id,
  memory_ids: [discovery.id, correction.id, initial_report.id]
})

下一会话或不同代理：

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

不存储的内容

• 逐字对话记录（过于冗长，信息价值低）
• 易于搜索的事实（请使用网络搜索）
• 临时任务状态（请使用工作记忆）
• 用户未同意存储的任何个人信息
• 所有琐碎交流（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2-5个标签。

良好示例：偏好设置,架构,调查,修正,项目名称不良示例：2026-02-02,关于部署的重要记忆,用户沟通风格偏好

同样可在OpenClaw之外使用

原生OpenClaw插件是最快捷的途径，但Penfield可与任何AI工具在任何地方协同工作：

Claude连接器

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

Claude代码

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— 可通过api.penfield.app直接进行HTTP访问，实现自定义集成。

相同的记忆存储、相同的知识图谱、相同的账户。插件速度提升4-5倍（无需MCP代理层），但无论您如何连接，所有内容都将保持同步。

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