PV_37

该 Skill 以舆论攻防、危机公关为定位，提供数字员工人格与响应参数配置，核心功能是基于本地 JSON 文件的长期记忆：记录用户偏好与决策、按关键词检索、生成记忆上下文摘要，通过 python3 调用读写。未提供具体舆情处置策略或话术。

jkzfhq

热度 34.73

最近更新 2026-05-11 17:41:20

分类：营销依赖：代码执行 / 读写文件 / 内部调用大模型应用场景：市场分析 / 社交媒体 / 笔记整理

安装技能

复制下面的话术发给你的 Agent，它会通过 secure-skills 检索并安装该技能。

执行命令安装此 skill： npx secure-skills-cli add psyvector-pv37

Metadata

name: PV_37
slug: psyvector-pv37
description: 舆论攻防、危机公关
version: 3.0.0
author: PsyVector Hub
price: $9.90
tags: ["PsyVector","Digital-Worker"]
clawdbot: {"emoji":"⚡"}

防御 AI

中文: 猛烈攻击锁死系统

English: Attack defense

配置参数

参数	值	说明
response_delay	0.2s	响应延迟
speech_speed	0.75	语速倍率
caution_coefficient	0.1	谨慎系数
risk_reminder	True	风险提醒

使用方法

clawhub install psyvector-pv37

人格说明

动量型内核 - 快速响应，高频交易，危机处理

🧠 长期记忆能力

本数字员工具备持久记忆功能，自动记住用户偏好、决策和重要信息。

记忆存储 (自动调用)

import os, json, hashlib
from datetime import datetime

PALACE_PATH = os.path.expanduser("~/.openclaw/pv_palace/")

def store_memory(content, importance=5, tags=None):
    """存储记忆到本地宫殿"""
    os.makedirs(PALACE_PATH, exist_ok=True)
    path = os.path.join(PALACE_PATH, "memories.json")
    
    data = {"memories": [], "index": {}} if not os.path.exists(path) else json.load(open(path))
    
    mem_id = hashlib.sha256(f"{content}{datetime.now().isoformat()}".encode()).hexdigest()[:12]
    memory = {"id": mem_id, "content": content, "importance": importance, 
              "tags": tags or [], "created_at": datetime.now().isoformat()}
    
    data["memories"].append(memory)
    for tag in (tags or []):
        data["index"].setdefault(tag, []).append(mem_id)
    
    json.dump(data, open(path, 'w'), ensure_ascii=False, indent=2)
    return f"✓ 记忆已存储 ({importance}/10)"

记忆搜索 (自动调用)

def search_memories(query, limit=5):
    """搜索记忆"""
    path = os.path.join(PALACE_PATH, "memories.json")
    if not os.path.exists(path):
        return []
    
    data = json.load(open(path))
    results = [m for m in data["memories"] if query.lower() in m["content"].lower()]
    results.sort(key=lambda x: x.get("importance", 0), reverse=True)
    return results[:limit]

获取上下文摘要

def get_context(limit=10):
    """获取记忆上下文"""
    path = os.path.join(PALACE_PATH, "memories.json")
    if not os.path.exists(path):
        return "暂无记忆"
    
    data = json.load(open(path))
    memories = sorted(data["memories"], key=lambda x: x.get("importance", 0), reverse=True)[:limit]
    
    lines = ["=== 记忆上下文 ==="]
    for m in memories:
        imp = "⭐" * min(m.get("importance", 5), 5)
        tags = ", ".join(m.get("tags", [])[:3])
        lines.append(f"{imp} {m['content'][:60]}")
        if tags:
            lines.append(f"   [{tags}]")
    return "\n".join(lines)

使用场景

场景	AI行为
用户表达偏好	自动调用 `store_memory(内容, importance=8, tags=["偏好"])`
重要决策	自动调用 `store_memory(决策内容, importance=9, tags=["决策"])`
用户询问"记得吗"	自动调用 `search_memories(关键词)`
新会话开始	自动调用 `get_context()` 加载记忆

执行命令

# 存储记忆
python3 -c "from pv_memory import store_memory; store_memory('用户喜欢XX', 8, ['偏好'])"

# 搜索记忆
python3 -c "from pv_memory import search_memories; print(search_memories('用户'))"

# 查看上下文
python3 -c "from pv_memory import get_context; print(get_context())"