Ein robustes Langzeit-Gedächtnisverwaltungssystem für OpenClaw-Agenten, das strukturiertes PostgreSQL und vektorgestützte semantische Suche nutzt.
Installieren & Herunterladen
1. ClawHub CLI
Der schnellste Weg, einen Skill direkt aus der Registry zu installieren.
npx clawhub@latest install openclow-memory
2. Manuelle Installation
Kopiere den Skill-Ordner an einen dieser Orte
~/.openclaw/skills/ <project>/skills/ Priorität: Workspace > Lokal > Integriert (Bundled)
3. Prompt-Installation
Kopiere diesen Prompt in OpenClaw, um ihn automatisch zu installieren.
Hilf mir, openclow-memory über Clawhub zu installieren. Falls Clawhub nicht installiert ist, installiere es bitte zuerst (npm i -g clawhub).
Lieber herunterladen?
Hole dir die rohen Skill-Dateien in einem ZIP-Archiv.
Was ist Memory-System-Skill?
Der Memory-System-Skill ist eine hochentwickelte Langzeit-Gedächtnisschicht, die darauf ausgelegt ist, Openclaw Skills die Fähigkeit zu geben, Kontext über längere Zeiträume zu behalten und abzurufen. Er schließt die Lücke zwischen dem kurzfristigen Sitzungsgedächtnis und permanentem Wissen durch einen dualen Speicheransatz: strukturierte relationale Daten in PostgreSQL für diskrete Fakten und Vektoreinbettungen für die semantische Suche.
Durch die Implementierung dieses Skills können Entwickler sicherstellen, dass sich ihre KI-Coding-Agenten über verschiedene Sitzungen hinweg an spezifische Projektziele, Architekturentscheidungen und Benutzerpräferenzen erinnern. Er bietet eine zuverlässige Infrastruktur für den Aufbau persistenter KI-Persönlichkeiten und die Aufrechterhaltung komplexer Projektzustände, ohne dass der Kontext aufgrund von Token-Fenster-Beschränkungen verloren geht.
Memory-System-Skill Anwendungsfälle
- Persistierung von Benutzer-Coding-Präferenzen und Architekturentscheidungen über mehrere Entwicklungssitzungen hinweg.
- Speichern und Abrufen von Langzeit-Projektzielen und Echtzeit-Status-Updates.
- Durchführung semantischer Suchen in historischen Interaktionsdaten unter Verwendung von bge-large-zh Einbettungen.
- Automatisches Archivieren lokaler Workspace-Dateien in eine permanente Datenbank, um eine saubere Umgebung aufrechtzuerhalten.
So funktioniert Memory-System-Skill
- Das System erfasst strukturierte Informationen wie Ziele oder Entscheidungen und speichert sie in einer kategorisierten relationalen PostgreSQL-Tabelle.
- Unstrukturierte Daten und der Konversationsverlauf werden durch ein Einbettungsmodell verarbeitet und als hochdimensionale Vektoren in pgvector gespeichert.
- Ein lokales Archivierungsskript überwacht den Workspace, behält Dateien 7 Tage lang und importiert sie dann automatisch in die Datenbank.
- Beim Abruf führt der Skill entweder direkte SQL-Abfragen für strukturierte Fakten oder Kosinus-Ähnlichkeitssuchen für semantisch verwandte Erinnerungen aus.
- Die integrierten Skripte verwalten den Lebenszyklus des Gedächtnisses und stellen sicher, dass die Daten zwischen lokalen Markdown-Dateien und der Datenbank synchronisiert werden.
Memory-System-Skill Einrichtung
Um den Memory-System-Skill in Ihrer Openclaw Skills-Umgebung einzurichten, folgen Sie diesen Schritten:
# Stellen Sie sicher, dass PostgreSQL auf lokalen Ports läuft
# Strukturiertes Gedächtnis: Postgres.app (Port 5432)
# Vektorgedächtnis: Homebrew PG (Port 5433)
# Mit den Datenbanken verbinden, um Tabellen zu initialisieren
psql -h localhost -p 5432 -U username -d postgres
psql -h localhost -p 5433 -U username -d postgres
# Das Management-Skript verwenden, um neue Erinnerungen hinzuzufügen
python scripts/memory_manager.py --add "goals" "Project Alpha" "Complete the API integration"
# Eine semantische Suche durchführen
python scripts/memory_search.py "What were my previous coding preferences?"
Memory-System-Skill Datenschema & Taxonomie
Der Skill organisiert seine Informationen unter Verwendung eines hybriden Schemas, das sowohl für Präzision als auch für Entdeckung optimiert ist:
| Tabelle | Typ | Zweck |
|---|---|---|
memory_structured |
Relational | Speichert diskrete Kategorien: Ziele, Entscheidungen, Status, Präferenzen und Referenz. |
longterm_memory |
Vektor | Speichert Inhalte mit 1024-dimensionalen Einbettungen für semantisches Matching. |
Kategorien im strukturierten Gedächtnis:
- goals: Langfristige Ziele.
- decisions: Historische Designentscheidungen.
- status: Aktueller Status laufender Aufgaben.
- preferences: Benutzerspezifische Konfigurations- und Stilwahl.
- reference: Externe Dokumentation und statische Daten.
Memory-System-Skill Erweiterte Funktionen
- Multi-Datenbank-Architektur: Trennt strukturierte Daten von Vektorsuchdaten für optimierte Leistung und Skalierung.
- HNSW-Indizierung: Nutzt Hierarchical Navigable Small World-Graphen für die schnelle, approximative Suche nach nächsten Nachbarn im Vektorraum.
- Unterstützung für chinesische Einbettungen: Optimiert für bge-large-zh, um hochpräzisen semantischen Abruf für chinesischsprachigen Kontext zu ermöglichen.
- Automatisierte Aufbewahrungsrichtlinie: Integrierte 7-tägige lokale Dateiaufbewahrungslogik mit automatisierten Datenbankmigrationsskripten.
- Erweiterbare Gedächtniskategorien: Fügen Sie dem strukturierten Gedächtnisschema einfach neue Metadaten-Tags und Kategorien hinzu, um sie an spezifische Agenten-Workflows anzupassen.
SKILL.md
Laden
Verwandte Openclaw-Skills
UI-Design-Optimierer
Ein automatisierter Design-System-Generator, der produktionsreife UI-Spezifikationen und Starter-Code aus lokalen Datensätzen erstellt.
Aufgabenabschluss-Vertrag
Ein Protokoll für KI-Agenten zur Erzwingung expliziter Statusverfolgung, evidenzbasierter Fertigstellung und zur Vermeidung von Stillständen während der Aufgabe.
Skill-Governance
Ein anspruchsvolles Governance-Framework zur Verwaltung des Lebenszyklus, der Prüfung und des Routings mehrerer KI-Agenten-Fähigkeiten.
Task Finisher
Ein protokollgesteuerter Skill, der Abschlussstandards und evidenzbasierte Verifizierung für KI-Agenten-Aufgaben erzwingt.
Skill-Manager
Ein zentrales Dienstprogramm zur Prüfung, Kategorisierung und Deduplizierung Ihres Openclaw-Skill-Ökosystems.
pgvector
Eine leistungsstarke PostgreSQL-Erweiterung zum Speichern von Embeddings und Durchführen von Vektor-Ähnlichkeitssuchen in KI-Anwendungen.