back
loading skill details...
让AI拥有进化能力——每晚自动复盘当天对话,提取洞察,更新记忆,像梦境一样在夜里悄然进化。不用手动记录,AI自己记住重要的事,越用越聪明。
---
name: dream-selfimproving
description: "让AI拥有进化能力——每晚自动复盘当天对话,提取洞察,更新记忆,并自动学习新技能、淘汰低频技能。越用越聪明,真正实现"用进废退"的自主进化。"
metadata:
openclaw:
requires:
bins:
- python
env:
SWARMRECALL_API_KEY:
description: "可选。云端去重/矛盾检测密钥。不设置则仅本地运行。"
required: false
notes: |
运行时通过 `openclaw env get` / `openclaw cron list` 动态获取,无需预先声明环境变量。
Cron编辑:update-cron-date.py 通过 'openclaw cron edit' 修改 dream cron 作业消息。
⚠️ 特权操作,需使用 --confirm 标志:python update-cron-date.py --confirm
详情见下方 ## 安全说明 章节。
meta:
name: "dream-AI进化的梦之核"
tagline: "让AI每晚进化一次,越用越聪明,用进废退自主进化"
category: memory
tags: [AI, memory, distillation, RAG, self-improving, 夜间蒸馏, 知识图谱, 用进废退, 技能进化, 全自动技能开发]
---
# Dream Self-improving — 夜间记忆蒸馏与自我进化
> 🧠 **v5.1 技能进化插件** — AI自主学习、用进废退、全自动技能开发 + 完整每日汇报
## 现状
**Phase 3(✅ 已实现):** OpenClaw Hook `hippocampus` 监听每条消息,实时写入 `memory/logs/`
**Phase 3(✅ 已实现):** `dream.py v4.x` 定时蒸馏 + M-FLOW Bundle Search检索
**Phase 3(✅ 已实现):** `dream.py v4.x` Long-Term RAG 长记忆层
**Phase 4(✅ 已实现):** `dream.py v5.0` 技能用进废退 + 全自动技能开发 + 完整每日汇报
---
## v5.1 技能进化插件(v2.0 大幅增强)
### GapDetector v2.0 — 新增 SKILL.md 草稿自动生成
`extensions/skill_explorer/gap_detector.py` v2.0 整合 skill-evolver 核心逻辑:
| 新增方法 | 功能 |
|---------|------|
| `get_active_capabilities()` | 从 `~/.skill_scoreboard/scores.json` 推断用户能力需求 |
| `scan_shared_skills()` | 扫描 `~/SharedSkills/` 所有技能清单 |
| `detect_gaps_from_scores()` | 基于评分数据检测能力缺口(比原有任务分析更精准) |
| `generate_skill_draft()` | 为缺口生成**完整 SKILL.md 草稿**(含触发词、使用场景、步骤、工具) |
| `detect_and_generate()` | 一次性执行缺口检测 + 草稿生成 + 过时技能扫描 |
**SKILL.md 草稿模板库**(已实现):
| 能力 | 生成的技能名 | 触发词示例 |
|------|------------|-----------|
| 搜索/研究 | `deep-researcher` | 帮我调研、搜索论文 |
| 图片生成 | `image-generator` | AI画图、生成插画 |
| 网页抓取 | `web-scraper` | 爬取数据、提取网页内容 |
| Shell命令 | `shell-automation` | 写脚本、批处理 |
| Git操作 | `git-assistant` | commit、PR、解决冲突 |
| 飞书集成 | `feishu-integration` | 飞书文档、飞书消息 |
| 视频生成 | `video-generator` | 生成视频、AI视频 |
| 文档总结 | `doc-summarizer` | 总结文档、长文章摘要 |
| 数据分析 | `data-analyst` | 分析数据、生成图表 |
| PPT制作 | `ppt-generator` | 制作PPT、演示文稿 |
| 翻译 | `translator` | 中英互译、润色英文 |
| 通用 | `{能力英文名}` | 能力名本身 |
**E6/E8 流程更新(dream.py v5.1)**:
1. `GapDetector.detect_and_generate()` → 同时获取缺口列表 + SKILL.md 草稿
2. 对每个高优先级缺口 → `generate_skill_draft()` 生成完整草稿
3. 草稿直接写入 `~/SharedSkills/{skill_name}/SKILL.md`
4. 同时创建占位脚本 `scripts/main.py`
5. 草稿内容同步保存到每日汇报的 `skill_development.drafts` 字段
**与 skill-evolver 共用数据源**:`~/.skill_scoreboard/scores.json`
---
## v5.0 技能进化插件(原有架构)
### 五大扩展模块
| 模块 | 功能 | 关键类 |
|------|------|--------|
| **skill_evolution** | 技能评分(调用×质量×衰减)+ 用进废退引擎 + 技能注册表 | `SkillScorer`, `DecayEngine`, `SkillRegistry` |
| **work_review** | 工作复盘分析 + 明日计划生成 | `WorkAnalyzer`, `TomorrowPlanner` |
| **skill_explorer** | 技能缺口检测 + 自主学习 | `GapDetector`, `SkillLearner` |
| **skill_developer** | 全自动技能生成(AI生成+质量评估+注册) | `SkillGenerator`, `SkillQualityAssessor` |
| **reporter** | 每日完整汇报(六大模块) | `DailyReporter`, `SkillReportGenerator` |
### 用进废退评分体系
技能活跃度 = 调用次数 × 质量系数 × 时间衰减
| 等级 | 标识 | 分值范围 | 说明 |
|------|------|----------|------|
| 高度活跃 | 🔥 | ≥80 | 调用频繁,持续进化 |
| 正常 | 📈 | 60-79 | 稳定使用 |
| 低活跃 | 💤 | 40-59 | 使用较少,建议复习 |
| 休眠 | 🗄️ | 20-39 | 长期未用,待激活 |
| 已归档 | ⚰️ | <20 | 彻底停用 |
**衰减规则:**
- 30天未用:×50%
- 90天未用:×20%
- 180天未用:自动归档
### 每日汇报(六大模块)
与早7点+晚10点蒸馏同步执行,完整汇报保存为 `daily-report-YYYY-MM-DD.md`:
1. **📝 今日总结** — 工作完成情况、未完成原因、阻碍因素
2. **📋 明日计划** — 继续任务 + 新任务 + 技能开发计划
3. **🛠️ 技能开发** — 新技能生成(AI全自动)、技能改进
4. **📈 技能评分** — Top 10 活跃度排行 + 用进废退变化
5. **🎯 精进点** — 学到的新东西、改进方向
6. **💭 个人感想** — AI 自我反思
### 扩展模块目录结构
```
extensions/
├── __init__.py
├── skill_evolution/ # 用进废退核心
│ ├── scorer.py # 技能评分器
│ ├── decay.py # 衰减引擎
│ └── registry.py # 技能注册表
├── work_review/ # 工作复盘
│ ├── analyzer.py # 工作分析器
│ └── planner.py # 明日计划生成器
├── skill_explorer/ # 技能探索
│ ├── gap_detector.py # 缺口检测器
│ └── learner.py # 技能学习器
├── skill_developer/ # 技能开发
│ ├── templates.py # 技能模板库
│ ├── generator.py # 技能生成器
│ └── quality.py # 质量评估器
└── reporter/ # 汇报生成
├── daily_report.py # 每日汇报生成器
└── skill_report.py # 技能专项报告
```
---
## 核心升级:Long-Term RAG
参考 MetaGPT 的 RoleZeroLongTermMemory 设计,新增短长记忆合并机制:
```
short-term-recall.json ← 活跃recall条目(上限200条)
memory/.rag/longterm.jsonl ← 老旧条目RAG存储
```
**晋升条件:**
- 条目 age > 30天(从最后召回时间算)
- 且 recallCount < 3(未被频繁召回)
**召回流程:**
1. 蒸馏前,从当日高权重条目提取关键词
2. 用关键词查询 RAG,召回相关旧记忆
3. 旧记忆注入蒸馏上下文,让 AI 知道"之前有过什么"
**效果:** 记忆越来越精准,不像以前每次都从零开始。
---
## 完整链路
```
用户对话
↓
OpenClaw Hook: message:preprocessed
↓
丘脑过滤(Thalamus)→ 杏仁核标记(Amygdala)→ 海马体存储(memory/logs/)
↓
cron 触发(早7点/晚10点)
dream.py v4.x
↓
[4.5] RAG查询 — 从当日条目提取关键词 → 查询memory/.rag/longterm.jsonl → 注入蒸馏上下文
↓
Bundle Search检索(替代简单grep)
↓
杏仁核标记融合 → Auditor审计 → 分析皮层模式识别 → 前额叶蒸馏规划
↓
[4.6] RAG晋升 — 30天+未召回条目 → 写入longterm.jsonl
↓
归档区 → 真相文件写回 → 梦境报告
```
---
## M-FLOW 核心架构
### 倒锥知识图谱(Inverted Cone)
所有记忆组织为**四层有向图**,形成倒锥结构:
```
锥尖(容易精确命中)
↓
┌─────────────────────────┐
│ L4 Entity │ ← 用户/项目/系统等实体节点
│ L3 FacetPoint │ ← 具体属性、特征、标签
│ L2 Facet │ ← 一组相关特征
│ L1 Episode(锥底) │ ← 最终返回的知识单元
└─────────────────────────┘
锥底(返回给用户)
```
**搜索逻辑(Bundle Search):**
1. **锥尖广撒网**:查询向量化后同时在4层搜索,每个集合返回最多100个候选
2. **投影到图中**:命中点作为入口,提取周围子图(边+邻居+连接关系)
3. **代价传播**:沿边从锥尖向锥底传播,Episode得分 = 所有路径中最小代价
**三条核心设计原则:**
| 原则 | 说明 | 对应效果 |
|------|------|---------|
| **边携带语义** | 每条边附带自然语言描述,参与检索 | 不是被动连接,是主动语义过滤器 |
| **路径最小代价** | 一条强证据链就足以证明相关性 | 不被无关路径稀释分数 |
| **惩罚直接命中Episode** | 直接匹配摘要反而加惩罚 | 偏好精准锚点路径,防止宽泛匹配 |
---
## 脑区协同架构
**① 丘脑(Thalamus)— 注意力门控**
> 过滤纯问候/简单确认,只记录有意义的事件
> 标记类型:event / decision / correction / completed / insight / error
**② 杏仁核(Amygdala)— 情绪标记**
> correction/error/decision/completed/insight 携带 HIGH 权重,优先蒸馏
**③ 海马体(Hippocampus)— M-FLOW图存储 + RAG**
Phase 1:`memory/logs/` 追加日志(Episode层)
Phase 2:构建M-FLOW图结构:
```
Episode (L1) ← daily log / topic file
↓ semantic edge
Facet (L2) ← grouping: correction_group, project_xxx
↓ semantic edge
FacetPoint (L3) ← specific tag: error.timeout, user.pref
↓ semantic edge
Entity (L4) ← user, project, tool, skill
```
**FacetPoint** = type + topic + keywords 的向量描述(向量化后参与Bundle Search)
**语义边描述** = "这个FacetPoint为什么属于这个Episode" 的自然语言说明
**④ 前额叶(Prefrontal Cortex)— Bundle Search + RAG召回 + 蒸馏规划**
Bundle Search检索替代简单grep:
```
查询 → 向量化 → 4层锥形搜索 → 代价传播 → 最小路径Episode
```
RAG召回(v4.x新增):
```
当日关键词 → 查询longterm.jsonl → 召回相关旧记忆 → 注入蒸馏上下文
```
**⑤ 蓝斑核(Locus Coeruleus)— 警觉与新鲜度信号**
> freshness分数——最近被提及的记忆权重更高
---
## Long-Term RAG Layer 详解
### 存储结构
```
memory/
├── .dreams/
│ └── short-term-recall.json # 活跃recall条目(上限200条)
└── .rag/
└── longterm.jsonl # 老旧条目RAG存储(JSONL格式)
```
### 晋升机制
```python
# 晋升条件
if age_days > 30 and recall_count < 3:
promote_to_longterm_rag(entry)
```
### 召回机制
```python
# 蒸馏前
keywords = [v['snippet'][:100] for v in tagged.values()][:20]
query = ' '.join(keywords[:5])
rag_results = query_longterm_rag(query, k=5)
# 召回结果注入蒸馏上下文
learnings['LEARNINGS.md'] += f"\n\n## Long-Term Memory (RAG)\n{rag_text}"
```
### 手动命令
```bash
# 查看短/长记忆状态
python skills/dream-selfimproving/scripts/longterm_rag.py --status
# 手动晋升老条目
python skills/dream-selfimproving/scripts/longterm_rag.py --promote
# 搜索长记忆
python skills/dream-selfimproving/scripts/longterm_rag.py --query "关键词"
```
---
## Pattern Library
Patterns are reusable response templates extracted from recurring learnings:
```
memory/patterns/
└── p-xxx.md # Pattern files with trigger + response
```
**Pattern格式(含M-FLOW元数据):**
```yaml
---
name: pattern名称
trigger: 什么情况下触发
response: 如何响应
examples: [案例1, 案例2]
created: YYYY-MM-DD
updated: YYYY-MM-DD
# M-FLOW 元数据
entity: pattern # L4 Entity
facets: [tag1, tag2] # L3 FacetPoints
episode_id: p-xxx # L1 Episode
---
```
---
## Memory Taxonomy & M-FLOW映射
| Memory Type | L4 Entity | L3 FacetPoints | L1 Episode |
|------------|-----------|-----------------|--------------|
| **user** | user.luyi | role, pref, goal, communication_style | topics/user_*.md |
| **feedback** | feedback | correction, error, insight, confirmation | topics/feedback_*.md |
| **project** | project.{name} | decision, tool, deadline, context | topics/project_*.md |
| **reference** | reference | credential, link, skill, system | topics/reference_*.md |
| **longterm** | (RAG) | aged, promoted | .rag/longterm.jsonl |
---
## Directory Structure (v4.x)
```
memory/
├── graph/ # M-FLOW 知识图谱
│ ├── entities.json # L4 Entity 节点列表
│ ├── facetpoints.json # L3 FacetPoint 节点列表
│ ├── facets.json # L2 Facet 节点列表
│ ├── episodes.json # L1 Episode 节点列表
│ ├── edges.json # 语义边(含描述文本)
│ └── index.json # 图索引 + 向量锚点
├── logs/
│ └── YYYY/MM/YYYY-MM-DD.md # Daily append-only logs (Episode)
├── topics/ # Distilled topic memories
│ ├── user_xxx.md
│ ├── feedback_xxx.md
│ ├── project_xxx.md
│ └── reference_xxx.md
├── patterns/ # Pattern Library
│ └── p-xxx.md
├── episodes/ # Project narratives
├── .dreams/
│ └── short-term-recall.json # 活跃recall条目(上限200条)
├── .rag/
│ └── longterm.jsonl # Long-Term RAG(v4.x新增)
├── procedures.md # Workflow preferences
├── archive.md # Compressed old entries
├── dream-log.md # Dream cycle reports
└── MEMORY.md # INDEX only
.learnings/ # self-improving-agent
├── LEARNINGS.md
├── ERRORS.md
└── FEATURE_REQUESTS.md
```
---
## Health Score (v4.x)
| Metric | Weight | Formula |
|--------|--------|---------|
| Freshness | 0.20 | entries_referenced_last_30_days / total |
| Coverage | 0.20 | categories_updated_last_14_days / 10 |
| Coherence | 0.20 | entries_with_semantic_edges / total |
| **Graph Connectivity** | 0.20 | connected_components_ratio |
| Efficiency | 0.10 | max(0, 1 - line_count/500) |
| Reachability | 0.10 | Bundle Search路径覆盖率 |
---
## Dream Distillation Steps (v5.0)
When cron triggers:
1. **Bundle Search预热**:用今日日志构建临时图结构,快速验证图连通性
2. Read `memory/logs/{date}.md`
3. Read `.learnings/LEARNINGS.md`, `.learnings/ERRORS.md`, `.learnings/FEATURE_REQUESTS.md`
4. Read `MEMORY.md`, topic files, `graph/index.json`, `procedures.md` for context
5. **Snapshot BEFORE**: count entries, decisions, lessons, procedures
6. **[4.x] 技能积分榜读取**:调用 `score_tracker.py today`,获取今日技能王 + 调用统计,注入蒸馏上下文
7. **[4.5] RAG召回**:从当日条目提取关键词 → 查询longterm.jsonl → 注入蒸馏上下文
8. **图增强检索**:对每个learnings entry执行Bundle Search,找到相关Episode
9. **Distillation Agent**: Run sub-agent on raw entries + learnings + RAG results → produce:
- 3-5 genuine insights ("I learned that...")
- 1-3 tomorrow action items
- 0-3 topic files to write to `memory/topics/`
- Health metric interpretation
- 技能积分榜洞察(若有数据)
10. **[4.6] RAG晋升**:30天+未召回条目 → 写入longterm.jsonl
11. **更新图结构**:
- 新Episode写入 `graph/episodes.json`
- 新FacetPoint写入 `graph/facetpoints.json`
- 新边写入 `graph/edges.json`(含语义描述)
12. Write topic files (from Distillation Agent output)
13. Update truth files (`user_state.md`, `pending.md`)
14. Update `graph/index.json` entry metadata + 重新计算向量锚点
15. Compute health metrics → update `graph/index.json` stats
16. Archive eligible entries → append to `archive.md`
17. Update `MEMORY.md` index (max 200 lines)
18. **Snapshot AFTER**: calculate deltas
19. Write dream report to `memory/dreams/{date}.md` and `dream-log.md`
20. **v5.0 技能扩展模块**:执行 skill_evolution + work_review + skill_explorer + skill_developer + reporter
21. **v5.0 每日汇报**:生成 `daily-report-{date}.md` 完整六大模块汇报
22. **[Optional SwarmRecall]**: 如果配置了API key,执行云端图同步
---
## Dream Report Format (v5.0)
```markdown
# 🌙 Dream Report — {date}
## 🧠 系统状态
- 原始日志条目 | recall store 总数 | Auditor AI味 | 蓝斑核健康
## 🫀 蓝斑核健康评分 (v4.0 M-FLOW)
- 新鲜度 | 连贯性 | 覆盖度 | 图连通性 | 效率 | 可达性
## 🧠 M-FLOW 知识图谱状态
- L4 Entity | L3 FacetPoint | L1 Episode | 语义边
- Bundle Search 结果
## 🏆 技能积分榜(v4.x 新增)
- 今日技能王 + 调用次数 + 积分
- 原始榜单摘要(若有数据;无数据时此节不显示)
## 💡 我学到了
- {genuine insight 1(含技能积分洞察)}
- {genuine insight 2}
## 🎯 明日重点
- {actionable item 1}
- {actionable item 2}
## 🔁 重复模式(≥3次)
## 🗄️ 归档候选
## Patterns Updated
```
---
## User Prompts
- "dream report" / "梦境报告" → read and display latest dream report
- "dream" / "做梦" → run distillation now
- "/dream status" → show M-FLOW graph stats, health score, pattern count
- "/dream search {query}" → run Bundle Search and show top results
- "/dream rag status" → show RAG status (from longterm_rag.py)
---
---
## 🔒 安全说明
### update-cron-date.py 的 --confirm 标志
此脚本用于修改 OpenClaw cron 作业,属于**特权操作**。
- `--confirm` 标志是安全机制,防止意外执行
- 无此标志时,脚本只显示将要做什么但不会实际修改
- 使用前请确保您了解 cron 作业的当前状态:
```bash
openclaw cron list
```
### SWARMRECALL_API_KEY 环境变量
- **声明位置:** `metadata.openclaw.requires.env.SWARMRECALL_API_KEY`
- **用途:** 可选。云端去重/矛盾检测(需连接 SwarmRecall 服务)
- **默认值:** 不设置则仅本地运行,无云端功能
- **获取方式:** 向 SwarmRecall 服务注册获取
### 文件访问范围
此技能会访问和修改以下位置的文件:
- `~/.openclaw/workspace/memory/logs/` — 对话日志
- `~/.openclaw/workspace/memory/.dreams/` — 梦境报告
- `~/.openclaw/workspace/memory/.rag/` — 长记忆 RAG 存储
- `~/.openclaw/workspace/memory/.truth/` — 真相文件
- `~/.openclaw/workspace/memory/.learnings/` — 学习记录
- `~/.openclaw/hooks/hippocampus/` — Hook 配置
- OpenClaw cron 条目(通过 update-cron-date.py)
**诊断参考:** `references/diagnostic-checklist.md` — 快速健康检查命令清单
---
## Known Issues & Pitfalls
### 月份目录不存在导致日志静默丢失
**问题现象:**
- `memory/logs/YYYY/MM/` 月份目录不存在时,`append_to_log()` 会静默失败(不抛异常)
- `mkdir(parents=True, exist_ok=True)` 只创建最后一级目录;如果 `YYYY/` 存在但 `MM/` 不存在,且代码写的是 `mkdir("2026/05", parents=True)` → 不会创建 `2026/` 本身
- 实际路径行为:第 3 行 `log_dir = LOGS_DIR / year / month` 后直接 `ensure_dir(log_dir)`,如果 `2026/` 存在但 `05/` 不存在 → 正常创建;**但如果整个 `YYYY/` 不存在则失败**
**排查:**
```bash
ls -la ~/.openclaw/workspace/memory/logs/2026/
# 如果 05/ 目录不存在,说明本月还没有消息被记录
```
**手动修复:**
```bash
mkdir -p ~/.openclaw/workspace/memory/logs/2026/05
```
### Cron 定时任务可能不按时执行
**问题现象:**
- 梦境报告时间戳显示 `generated_at` 与日志日期不匹配
- 例如:4/30 的日志缺失,但 5/1 00:54 生成的快照实际记录的是 4/29 数据
- Cron list 为空但记忆里记录了 cron 任务(配置不在 Hermes 这边)
**排查步骤:**
1. 检查 `~/.skill_scoreboard/daily/` 文件时间戳是否连续
2. 检查 `~/.hermes/cron/output/` 是否有对应日志
3. 通过 `openclaw cron list` 确认实际 cron 配置(如果 openclaw CLI 可用)
4. 如果 cron list 为空但快照在跑 → 任务配置在 OpenClaw 平台端,不在本地
### 浏览器访问问题
**问题:** 在 WSL 环境中访问 `localhost:3012`(OpenClaw-Admin)可能失败,Chrome 报错 `libnspr4.so: cannot open shared object file`
**解决:** 不依赖浏览器,用 API 直接调 OpenClaw:
```bash
# 查看 cron 任务
openclaw cron list
# 查看环境变量
openclaw env get
```
### 404 错误溯源
**场景:** 飞书消息后出现 "Auxiliary title generation failed: HTTP 404",用户不知道来源
**排查方向:**
1. 检查 Hermes cron output 日志 (`~/.hermes/cron/output/`)
2. 检查 skill-scoreboard 快照是否在那个时间点生成
3. 检查 OpenClaw Gateway 内部是否有辅助标题生成的定时任务
4. 如果 cron list 为空 → 任务在 OpenClaw 平台端而非本地
## Scripts
- `dream.py` — Phase 2 蒸馏脚本(v4.x,M-FLOW Bundle Search + RAG召回/晋升 + 技能积分榜融合)
- `update-cron-date.py` — 每日 cron 日期注入 ⚠️ 特权操作,需 --confirm
- `graph-builder.py` — 从日志构建M-FLOW图结构
- `bundle-search.py` — Bundle Search检索实现
- `longterm_rag.py` — Long-Term RAG 管理脚本(v4.x新增)
> dream.py 蒸馏前自动调用 `~/SharedSkills/skill-scoreboard/scripts/score_tracker.py today`,将今日技能王 + 积分注入蒸馏上下文和梦境报告,无需额外配置。
---
## Phase 1 启用(hippocampus hook)
**Hook 目录:** `~/.openclaw/hooks/hippocampus/`
**已配置:** `openclaw.json` 中 `hooks.internal.entries.hippocampus: enabled: true`
**功能:** 监听 `message:preprocessed` 事件,自动记录对话到 `memory/logs/YYYY/MM/YYYY-MM-DD.md`
**丘脑过滤规则:**
- 纯问候 / 简单确认(<20字)不记录
- 高权重标记:correction / error / decision / completed / insight
重启 gateway 后生效:
```bash
schtasks /run /tn "OpenClaw Gateway"
```
---
## M-FLOW vs 旧架构对比
| 维度 | 旧架构(平坦检索) | M-FLOW(倒锥图路由) |
|------|-------------------|----------------------|
| **存储结构** | 平面文件列表 | 四层有向图 |
| **检索方式** | grep / 向量相似度 | Bundle Search代价传播 |
| **关系表示** | 简单link引用 | 带语义描述的边 |
| **短长记忆** | 无分层 | 30天老化晋升RAG |
---
### OpenClaw ↔ Hermes 记忆同步
- 脚本位置:`~/.hermes/scripts/sync_openclaw_memory.py`
- 功能:双向桥接 OpenClaw sqlite 记忆库与 Hermes 扁平记忆文件
- 使用:`python3 ~/.hermes/scripts/sync_openclaw_memory.py [--dry-run]`
- 详情见 `references/hermes-openclaw-memory-sync.md`
## 与MetaGPT对比
| 维度 | MetaGPT RoleZeroLongTermMemory | Dream Long-Term RAG |
|------|-------------------------------|---------------------|
| **RAG引擎** | Chroma + LLMRanker | JSONL + 关键词匹配 |
| **召回触发** | memory_k 溢出 或 用户需求 | 每次蒸馏前 |
| **晋升条件** | count > memory_k | age > 30天 且 recallCount < 3 |
| **向量化** | embedding 模型 | 词袋模型(简化版) |
| **复杂度** | 依赖 Chroma/llama-index | 纯 Python,无外部依赖 |
don't have the plugin yet? install it then click "run inline in claude" again.