名称： memory-pipeline
描述： 完整的智能体记忆与性能系统。该系统提取结构化事实、构建知识图谱、生成简报，并通过赛前准备、工具策略、结果压缩和事后复盘来强化执行纪律。支持将外部知识（如 ChatGPT 导出数据）导入可搜索的记忆库。适用于记忆管理、简报生成、知识整合、外部数据导入、智能体一致性维护，以及提升跨会话执行质量。

记忆管道

为你的 AI 智能体赋予真正有效的记忆。

AI 智能体每次会话启动时都一片空白。记忆管道解决了这个问题——它从过往对话中提取关键信息，建立关联，并生成每日简报，让你的智能体每次会话都能有备而来，而非茫然无知。

核心功能

独特之处

大多数“记忆”方案只是对聊天记录进行向量搜索。这是一个认知架构——灵感来源于人类记忆的实际工作方式：

• 提取而非堆积 —— 不是将所有内容都丢进数据库，而是识别值得记住的内容：决策、偏好、学习心得、承诺。其余皆为噪音。
• 知识图谱，而非仅是嵌入 —— 事实通过双向关系相互连接。你的智能体不仅能找到相似的文本，更能理解关于技术栈的决策与项目截止日期相关，而后者又与三周前你陈述的偏好相关。
• 简报而非检索 —— 与其寄希望于在查询时检索到正确的上下文，不如让你的智能体在每次会话开始时都拥有一份精心策划的备忘单。包括进行中的项目、近期决策、个性提醒。实现零冷启动延迟。
• 避免中途指导 —— 借鉴绩效心理学。纠错发生在会话之间，而非会话之中。事后复盘为下一次简报提供输入。循环是闭合的——只是不在执行过程中进行。

快速开始

安装

clawdhub install memory-pipeline

设置

bash skills/memory-pipeline/scripts/setup.sh

设置脚本将检测你的工作空间，检查依赖项（Python 3 及任意 LLM API 密钥），创建 memory/ 目录，并运行完整的管道流程。

要求

• Python 3
• 至少一个 LLM API 密钥（自动检测）：
• OpenAI (OPENAI_API_KEY 或 ~/.config/openai/api_key)
• Anthropic (ANTHROPIC_API_KEY 或 ~/.config/anthropic/api_key)
• Gemini (GEMINI_API_KEY 或 ~/.config/gemini/api_key)

手动运行

# 完整管道
python3 skills/memory-pipeline/scripts/memory-extract.py
python3 skills/memory-pipeline/scripts/memory-link.py
python3 skills/memory-pipeline/scripts/memory-briefing.py

通过 Heartbeat 自动化

添加到你的 HEARTBEAT.md 以实现每日自动运行：

### 每日记忆管道
- **频率:** 每日一次（早晨）
- **操作:** 运行记忆管道：
  1. `python3 skills/memory-pipeline/scripts/memory-extract.py`
  2. `python3 skills/memory-pipeline/scripts/memory-link.py`
  3. `python3 skills/memory-pipeline/scripts/memory-briefing.py`

导入外部知识

已经在 ChatGPT 中积累了多年的对话？将它们导入，让你的智能体了解你所知的一切。

ChatGPT 导出

# 1. 从 ChatGPT 导出：设置 → 数据控制 → 导出数据
# 2. 将 zip 文件放入你的工作空间
# 3. 运行：
python3 skills/memory-pipeline/scripts/ingest-chatgpt.py ~/imports/chatgpt-export.zip

# 建议先预览（推荐）：
python3 skills/memory-pipeline/scripts/ingest-chatgpt.py ~/imports/chatgpt-export.zip --dry-run

功能说明：
- 解析 ChatGPT 的对话树格式
- 过滤掉一次性对话（可配置：--min-turns, --min-length）
- 支持主题排除（编辑 EXCLUDE_PATTERNS 以跳过不需要的主题）
- 输出干净、带日期的 Markdown 文件到 memory/knowledge/chatgpt/
- 文件会自动被 OpenClaw 的语义搜索索引

选项：
- --dry-run —— 预览而不写入文件
- --keep-all —— 跳过所有过滤
- --min-turns N —— 保留对话所需的最少用户消息数（默认：2）
- --min-length N —— 最少总字符数（默认：200）

添加其他来源

该模式是可扩展的。创建 ingest-<source>.py，解析格式，将 Markdown 写入 memory/knowledge/<source>/。索引器会处理其余部分。

管道工作原理

阶段 1：提取

脚本： memory-extract.py

读取每日笔记（memory/YYYY-MM-DD.md）和会话记录，然后使用 LLM 提取结构化事实：

{"type": "decision", "content": "后端使用 Rust", "subject": "项目架构", "confidence": 0.9}
{"type": "preference", "content": "偏好 Google Drive 而非 Notion", "subject": "工具", "confidence": 0.95}

输出： memory/extracted.jsonl

阶段 2：关联

脚本： memory-link.py

获取提取的事实并构建知识图谱：
- 生成用于语义相似度的嵌入向量
- 在相关事实之间创建双向链接
- 检测矛盾并标记被取代的事实
- 自动生成领域标签

输出： memory/knowledge-graph.json + memory/knowledge-summary.md

阶段 3：简报

脚本： memory-briefing.py

生成简洁的每日简报（< 2000 字符），整合以下内容：
- 个性特征（来自 SOUL.md）
- 用户上下文（来自 USER.md）
- 活跃项目和近期决策
- 待办事项

输出： BRIEFING.md（工作空间根目录）

性能钩子（可选）

四个生命周期钩子，用于在会话期间强化执行纪律。基于绩效心理学的一个原则：将准备与执行分离。

用户消息 → 智能体循环
  ├── before_agent_start  →  简报包（记忆 + 检查清单）
  ├── before_tool_call    →  策略执行（拒绝列表）
  ├── tool_result_persist →  输出压缩（防止上下文膨胀）
  └── agent_end           →  事后复盘（持久化笔记）

配置

{
  "enabled": true,
  "briefing": {
    "maxChars": 6000,
    "checklist": [
      "用一句话重述任务。",
      "列出约束条件和成功标准。",
      "仅检索最相关的记忆。",
      "当事实重要时，优先使用工具而非猜测。"
    ],
    "memoryFiles": ["memory/IDENTITY.md", "memory/PROJECTS.md"]
  },
  "tools": {
    "deny": ["dangerous_tool"],
    "maxToolResultChars": 12000
  },
  "afterAction": {
    "writeMemoryFile": "memory/AFTER_ACTION.md",
    "maxBullets": 8
  }
}

钩子详情

输出文件

自定义

• 更改 LLM 模型 —— 在每个脚本中编辑模型名称（支持 OpenAI、Anthropic、Gemini）
• 调整提取 —— 修改 memory-extract.py 中的提取提示，以关注不同的事实类型
• 微调关联敏感度 —— 更改 memory-link.py 中的相似度阈值（默认：0.3）
• 过滤导入内容 —— 编辑 ingest-chatgpt.py 中的 EXCLUDE_PATTERNS 以排除主题

故障排除

另请参阅

• 设置指南 —— 详细的安装和配置说明