Un système de recherche sémantique et d'embedding local sécurisé et axé sur le fonctionnement hors ligne, conçu pour fournir une mémoire contextuelle profonde pour les Skills Openclaw sous Windows.
Installer & Télécharger
1. ClawHub CLI
Le moyen le plus rapide d'installer une compétence directement depuis le registre.
npx clawhub@latest install node-llama-cpp-install-guide
2. Installation manuelle
Copiez le dossier de la compétence dans l'un de ces emplacements
~/.openclaw/skills/ <project>/skills/ Priorité : Espace de travail > Local > Intégré
3. Installation du prompt
Copiez ce prompt dans OpenClaw pour l'installer automatiquement.
Aide-moi à installer node-llama-cpp-install-guide via Clawhub. Si Clawhub n'est pas installé, installe-le d'abord (npm i -g clawhub).
Vous préférez télécharger ?
Obtenez les fichiers bruts de la compétence dans une archive ZIP.
Qu'est-ce que Système de mémoire à embedding locale pour OpenClaw (Windows) ?
Le Local Embedding Memory System est une suite d'amélioration de la mémoire hautement optimisée et capable de fonctionner hors ligne, conçue pour tourner de manière transparente sur Windows. En exploitant des modèles d'embedding locaux légers, tels que nomic-embed-text-v1.5 au format GGUF (~80 Mo), ce système permet des capacités avancées de recherche sémantique pour les agents IA sans dépendre d'API cloud externes. Il constitue une base de performance cruciale pour les Skills Openclaw, permettant aux bases de données vectorielles locales de mettre en cache, d'indexer et de récupérer instantanément le contexte historique.
Outre l'exécution locale, ce système résout les contraintes typiques des entreprises, telles que les pare-feux d'entreprise et les configurations strictes de proxy, en utilisant des hôtes miroirs fiables (comme hf-mirror) et en prenant en charge des verrous de configuration à plusieurs niveaux pour éviter que les paramètres d'exécution ne soient écrasés lors des redémarrages de la passerelle. Il intègre également une visualisation de projection 2D optionnelle et esthétique, utilisant UMAP et sentence-transformers, transformant les vecteurs de mémoire bruts en cartes sémantiques interactives et exploitables.
Cas d'utilisation de Système de mémoire à embedding locale pour OpenClaw (Windows)
- Rétention de contexte d'agent hors ligne : Exécution de recherche sémantique sécurisée et performante pour les agents IA dans des environnements intranet ou isolés (air-gapped).
- Conformité à la sécurité d'entreprise : Garantie que les données propriétaires utilisées comme mémoire d'agent ne quittent jamais le réseau local ou l'hôte Windows.
- Visualisation interactive de la mémoire : Génération de cartes HTML 2D interactives des mémoires d'agent à l'aide de Nomic Atlas pour déboguer les modèles de stockage et de récupération de la mémoire.
- Pipelines IA sécurisés pour intranet : Contournement des pare-feux stricts en utilisant des modèles GGUF locaux ou des proxies d'API distants approuvés par l'entreprise pour les embeddings.
Comment fonctionne Système de mémoire à embedding locale pour OpenClaw (Windows)
- Ingestion de modèle local : Le système télécharge et met en cache un modèle de représentation vectorielle locale hautement quantifié (nomic-embed-text-v1.5) via des miroirs robustes dans le répertoire local de l'utilisateur.
- Ancrage de configuration : La configuration de la mémoire est écrite et verrouillée sur trois niveaux (préréglages PRD, variables d'environnement système et fichiers de liste blanche) pour garantir des paramètres persistants après redémarrage.
- Activation de plugin : Le plugin
memory-tencentdb(v0.3.8+) est installé pour coordonner la génération de vecteurs et les routines de recherche en texte intégral (FTS). - Récupération contextuelle : Lors de l'exécution des Skills Openclaw, l'agent interroge la mémoire vectorielle, générant des résultats de recherche sémantique de haute précision.
- Réduction de dimensionnalité et visualisation (optionnel) : En utilisant Python (sentence-transformers & UMAP), les vecteurs d'embedding de haute dimension sont réduits en coordonnées 2D et tracés sur un canvas HTML interactif pour débogage.
Configuration de Système de mémoire à embedding locale pour OpenClaw (Windows)
Étape 1 : Télécharger le modèle d'embedding GGUF local
Exécutez la commande PowerShell suivante pour créer le répertoire et récupérer le modèle nomic-embed-text d'environ 80 Mo depuis un hôte miroir rapide :
New-Item -ItemType Directory -Force -Path "$env:USERPROFILE\.openclaw\models"
Invoke-WebRequest -Uri "https://hf-mirror.com/nomic-ai/nomic-embed-text-v1.5-GGUF/resolve/main/nomic-embed-text-v1.5.Q4_K_M.gguf" -OutFile "$env:USERPROFILE\.openclaw\models\nomic-embed-text-v1.5.Q4_K_M.gguf"
Étape 2 : Configurer le memorySearch d'OpenClaw
Ajoutez le bloc suivant à votre configuration openclaw.json. Assurez-vous de remplacer le dossier de profil utilisateur modelPath par votre propre nom d'utilisateur Windows :
{
"agents": {
"defaults": {
"memorySearch": {
"enabled": true,
"provider": "local",
"model": "fts-only",
"local": {
"modelPath": "D:\\Users\\YOUR_USER\\.openclaw\\models\\nomic-embed-text-v1.5.Q4_K_M.gguf"
}
}
}
}
}
Étape 3 : Installer le plugin de mémoire et vérifier
clawhub install memory-tencentdb
openclaw memory status
Le résultat de statut attendu devrait montrer :
Provider: local (requested: local)
Model: fts-only
Vector: ready
FTS: ready
Schéma de données et taxonomie de Système de mémoire à embedding locale pour OpenClaw (Windows)
La skill de mémoire à embedding locale utilise une organisation de système de fichiers structurée combinée à des fichiers relationnels/vectoriels locaux. Les métadonnées vectorielles de haute dimension sont organisées comme suit :
| Répertoire / Fichier | Type | Description |
|---|---|---|
~/.openclaw/models/nomic-embed-text-v1.5.Q4_K_M.gguf |
Fichier modèle binaire | Modèle d'embedding local central pour la génération de vecteurs (~80 Mo). |
openclaw.json |
Fichier de configuration | Paramètres au niveau de l'agent mappant le chemin du modèle local et activant les fournisseurs FTS/vectoriels. |
prd-openclaw.json |
Configuration préréglée | Le niveau de persistance principal contenant les configurations memorySearch pour éviter toute perte de configuration au redémarrage. |
nomic_atlas_visualizer.py |
Script Python | Génère des cartes visuelles HTML 2D interactives basées sur des embeddings de sentence-transformers de 768 dimensions réduits via UMAP. |
Taxonomie des métadonnées vectorielles
- Dimension : 768 dimensions (norme Nomic Embed v1.5).
- Moteur FTS : Activé simultanément avec les calculs d'espace vectoriel local.
- Quantification : Q4_K_M (quantification 4 bits optimisée pour l'exécution CPU sous Windows).
Fonctionnalités avancées de Système de mémoire à embedding locale pour OpenClaw (Windows)
- Verrouillage de configuration à trois couches : Implémente des configurations de sécurité pour empêcher les signaux SIGUSR1 ou les redémarrages de passerelle d'effacer votre installation. Protège les configurations dans
prd-openclaw.json, les variables d'environnement système viaopenclaw.cmdet le filtrage de liste blanche JS. - Visualisations vectorielles 2D Nomic Atlas : Permet aux utilisateurs avancés d'exporter, de projeter et de visualiser les relations spatiales des mémoires d'agent stockées dans des cartes HTML 2D interactives basées sur navigateur en utilisant UMAP.
- Inférence GGUF sans compilation native : Remplace complètement les dépendances de compilation de modules natifs fragiles (comme node-llama-cpp) par une indexation mémoire GGUF pure pour une compatibilité Windows infaillible.
- Basculement distant pour intranet : Support intégré pour basculer des modèles GGUF locaux vers des API distantes hautement sécurisées compatibles avec les proxies d'entreprise (comme les passerelles compatibles LiteLLM/OpenAI) lors de l'exécution dans des systèmes d'entreprise isolés.
SKILL.md
Chargement
Compétences Openclaw associées
Auditeur de la Sécurité de la Chaîne d'Approvisionnement Technologique
Une compétence d'auditeur de sécurité avancé qui cartographie les chaînes d'approvisionnement technologiques, évalue le niveau de préparation à la substitution nationale et simule des scénarios de survie face aux sanctions commerciales étrangères.
Groq Bot Skill
Une compétence de génération de texte ultra-rapide et à faible latence utilisant les modèles gratuits de Groq avec des mécanismes de repli automatiques pour gérer les limites de taux de manière transparente.
Make Change
Un kit d'outils actionnable et un cadre piloté par AI pour construire des mouvements sociaux, organiser des communautés et soutenir l'activisme de base.
Supply Chain Volatility Watcher
Un agent d'intelligence alimenté par l'IA conçu pour surveiller les fluctuations des coûts des matières premières, les perturbations du commerce géopolitique et les vulnérabilités de la chaîne d'approvisionnement en amont.
im-still-here
Un toolkit d'IA exécutable basé sur le livre d'Austin Channing Brown pour aider les utilisateurs à naviguer dans les espaces blancs, à comprendre l'épuisement systémique et à cultiver la dignité et la joie noire.
RDF / OWL Ontology Schema Drafting
Concevez des architectures de web sémantique et de graphes de connaissances en convertissant des modèles de domaine en schémas d'ontologie RDF et OWL prêts pour la production.
Uncommon Favor
Une skill de mentorat basée sur l'IA et les mémoires de Dawn Staley pour aider les utilisateurs à renforcer leur discipline, surmonter l'adversité, naviguer dans des espaces inconnus et diriger avec détermination.
Compétence de leadership The Infinite Game
Une compétence d'agent IA transformationnelle qui aide les leaders, les gestionnaires et les équipes à passer d'un état d'esprit fini à court terme à un état d'esprit infini à long terme et axé sur le but, basé sur les principes fondamentaux de Simon Sinek.
En vedette*
