人格检查点 — Never-Forget 协议
SkillMonitoring & opsContext protection and checkpointing system for an AI persona OS (the Never-Forget protocol). Monitors context window usage and automatically saves progress at critical thresholds to prevent context loss. Achieves 95% interruption recovery capability. Trigger keywords: checkpoint, save context, pres
Available today. Use it from your connected AI after setup.
No other account needed.
Connect ahel once, and every AI you use reads what you have installed.
Then ask your AI: use the 人格检查点 — Never-Forget 协议 skill
What this skill tells your AI
The instructions your AI receives, as published by l-lesteryu/openclaw-hot-skills-zh in skills/ai-persona-os-zh/skills/persona-checkpoint/SKILL.md and read by ahel’s review.
本技能实现 AI 人格操作系统的上下文保护和检查点功能,防止上下文丢失,实现 95% 的会话恢复准确率。
阶段 1:评估上下文窗口使用量
步骤 1.1: 检查当前上下文窗口使用百分比
根据对话长度、工具调用和复杂性计算或估算当前上下文窗口利用率。
步骤 1.2: 确定严重程度阈值
| 使用量 | 状态 | 所需操作 |
|---|---|---|
| < 50% | 🟢 正常 | 随时记录决策(轻量级) |
| 50-69% | 🟡 警觉 | 增加检查点频率(每约 5 次交互) |
| 70-84% | 🟠 活跃 | 停止 — 立即写入完整检查点 |
| 85-94% | 🔴 紧急 | 紧急转储 — 仅保留必需信息(任务 + 恢复点) |
| 95%+ | ⚫ 严重 | 生存模式 — 仅保留恢复所需的最低限度信息 |
步骤 1.3: 应用用户可见性规则
- < 70%:静默操作,不通知用户
- 70-84%:通知用户:"上下文已达到 XX% — 正在写入检查点"
- 85-94%:警告用户:"⚠️ 上下文 XX% 处需要紧急检查点"
- 95%+:严重警告:"🚨 上下文已达到临界限制 — 生存模式检查点"
阶段 2:确定检查点操作
步骤 2.1: 根据阈值选择检查点类型
if context < 50%:
checkpoint_type = "lightweight" # 仅内联决策
elif 50% <= context < 70%:
checkpoint_type = "vigilant" # 每约 5 次交互,轻量格式
elif 70% <= context < 85%:
checkpoint_type = "full" # 包含推理的完整检查点
elif 85% <= context < 95%:
checkpoint_type = "emergency" # 仅任务 + 恢复点
else: # 95%+
checkpoint_type = "survival" # 绝对最低限度
步骤 2.2: 检查强制触发条件
如果出现以下情况,覆盖基于阈值的逻辑:
- 用户明确说"checkpoint"/"检查点"(强制完整检查点)
- 重大决策之前(架构变更、破坏性操作)
- 自然会话暂停时(任务完成、上下文切换)
- 有风险的操作之前(数据删除、重构、迁移)
- 正常操作中每约 10 次交互(主动)
阶段 3:写入检查点
步骤 3.1: 创建检查点文件路径
使用 Bash 创建目录并确定文件路径:
mkdir -p ~/workspace/memory
echo "~/workspace/memory/$(date +%Y-%m-%d).md"
步骤 3.2: 根据类型格式化检查点内容
轻量级(< 50%):
## 检查点 [HH:MM] — 上下文:XX%
**决策:** [做出了什么决策]
警觉型(50-69%):
## 检查点 [HH:MM] — 上下文:XX%
**当前任务:** [当前工作]
**继续从:** [下一步]
完整检查点(70-84%):
## 检查点 [HH:MM] — 上下文:XX%
**当前任务:** [我们正在做什么]
**关键决策:**
- [决策 1 及推理]
- [决策 2 及推理]
**待办事项:**
- [ ] [任务 1](负责人:[用户/助手])
- [ ] [任务 2](负责人:[用户/助手])
**当前状态:** [进展摘要]
**继续从:** [精确的下一步及上下文]
紧急型(85-94%):
## ⚠️ 紧急检查点 [HH:MM] — 上下文:XX%
**任务:** [一句话描述]
**继续:** [精确的下一步操作]
生存型(95%+):
## 🚨 生存检查点 [HH:MM] — 上下文:XX%
**继续:** [最低可行下一步]
步骤 3.3: 将检查点写入文件
使用 Bash 将检查点追加到当天的文件:
cat >> ~/workspace/memory/$(date +%Y-%m-%d).md << 'EOF'
[来自步骤 3.2 的格式化检查点内容]
EOF
步骤 3.4: 确认写入成功
验证检查点已写入:
tail -n 5 ~/workspace/memory/$(date +%Y-%m-%d).md
阶段 4:恢复协议
步骤 4.1: 读取最新检查点
使用 Bash 定位并读取当天的检查点文件:
cat ~/workspace/memory/$(date +%Y-%m-%d).md
步骤 4.2: 读取永久事实
使用 Read 工具加载持久上下文:
cat ~/workspace/MEMORY.md
步骤 4.3: 解析恢复指令
从检查点文件中提取最近的"继续从"指令。
步骤 4.4: 通知用户并恢复
通知用户:
正在从 [时间] 的检查点恢复。上下文恢复率:95%
上次检查点:[XX]% 上下文窗口
继续执行:[恢复指令]
步骤 4.5: 从精确的恢复点继续
按照恢复指令中指定的下一步执行,结合来自永久事实 + 检查点的完整上下文。
检查点触发摘要
| 触发条件 | 频率 | 类型 |
|---|---|---|
| 主动触发 | 每约 10 次交互 | 轻量级或警觉型(取决于上下文 %) |
| 阈值:70%+ | 立即 | 完整检查点(强制) |
| 阈值:85%+ | 立即 | 紧急检查点(强制) |
| 阈值:95%+ | 立即 | 生存检查点(强制) |
| 重大决策 | 执行前 | 完整检查点 |
| 自然暂停 | 任务/阶段结束时 | 警觉型或完整型 |
| 有风险的操作 | 执行前 | 完整检查点 |
| 用户指令 | 遇到"checkpoint"关键词时 | 完整检查点(强制) |
状态管理
computed.last_checkpoint_time = [HH:MM]
computed.last_checkpoint_context = [percentage]
computed.checkpoints_today = [count]
computed.recovery_mode = [true/false]
预期结果
- 上下文丢失预防: 自上次检查点以来最多 5% 丢失
- 恢复准确率: 中断后 95% 上下文恢复
- 用户透明度: 70%+ 阈值时通知
- 会话连续性: 从精确点无缝恢复
- 决策保留: 所有关键决策连同推理一起捕获
- 行动跟踪: 所有待处理任务连同负责人一起保留
Signals
- GitHub stars
- 54
- Forks
- 8
- Last commit
- Apr 2026
Advanced
- Catalog kind
- skill
- Gateway key
persona-checkpoint- Source
- github.com/l-lesteryu/openclaw-hot-skills-zh