mattwenjun/clawiser/memory-deposit

Memory Deposit — 记忆沉淀

出厂有 3 层记忆（对话上下文、每日笔记、长期记忆），本 skill 补齐第 4、5、6 层。

快速检查

先跑一遍，判断是否需要安装：

1. memory/transcripts/ 存在？
2. memory/projects/ 存在？
3. scripts/merge-daily-transcript.js 存在？
4. scripts/auto-commit.sh 存在？
5. .git/ 存在？
6. HEARTBEAT.md 包含 merge-daily-transcript 和 auto-commit？
7. AGENTS.md 包含 ## 记忆规则？
8. memory_search(query="test memory recall") 有结果？（如果 memory/ 下有文件的话）

全部通过 → 跳到「完成」报告状态。 任一未通过 → 按下面的步骤补齐。

步骤 A：文件就位

A1. 目录

mkdir -p memory/transcripts memory/projects memory/voice scripts

A2. 脚本

从本 skill 的 scripts/ 目录复制到 workspace 的 scripts/：

• merge-daily-transcript.js → 对话合并（支持归档文件 .deleted/.reset、session 类型过滤、delivery-mirror 过滤）
• auto-commit.sh → Git 自动提交

验证：两个文件都在 scripts/ 下。

A3. Voice JSONL 格式约定

如果你会保存语音对话到 memory/voice/YYYY-MM-DD.jsonl，每条记录必须包含 role 字段：

{"ts":"2026-03-15T20:00","role":"user","text":"语音转写内容"}
{"ts":"2026-03-15T20:01","role":"assistant","text":"TTS回复内容"}

role 用 "user" 或 "assistant"，不要用实际名字。merge 脚本依赖这个字段区分发话人。

STT 适配建议： 如果你的语音转写工具（Whisper CLI、mlx_whisper 等）在输出中混入了时间戳、进度条、模型加载信息等非文本内容，建议写一个 adapter 脚本：接受音频文件路径作为输入，内部调用 STT 工具并清洗输出，只把纯文本写到 stdout。这是经典的 adapter pattern——把不干净的接口包装成干净的接口。具体实现取决于你用的 STT 工具，agent 可以自行判断。

A4. ⚠️ 合并输出的名字

merge 脚本生成的 transcript 里，发话人标识默认是 👤 用户 和 🤖 Agent。执行合并时，读取 USER.md 和 IDENTITY.md，用真实名字替换通用称谓。 例如：用户叫 Jack、agent 叫 Alice → 输出 👤 Jack 和 🤖 Alice。

A5. ⚠️ 索引范围

确保所有重要目录纳入向量索引。OpenClaw 的 memorySearch.extraPaths 支持多个目录：

memorySearch: {
  extraPaths: ["data/transcripts", "AGENTS.md", "TOOLS.md"]
}

不要只索引 memory/——如果有其他包含重要内容的目录（项目文档、转写存档、参考资料），都应加入 extraPaths。用 gateway(action=config.patch) 修改。

步骤 B：配置

B1. Git

检查 .git/ 是否存在。

不存在 →

cd ~/.openclaw/workspace && git init

写入 .gitignore（排除 tmp/、.env、.secrets、node_modules/、.DS_Store），执行首次提交。

已存在 → 检查 .gitignore 包含上述排除项，缺的补上。

B2. Heartbeat

检查 HEARTBEAT.md 是否包含对话合并和自动提交。缺的追加：

# 对话合并
运行 node scripts/merge-daily-transcript.js $(date +%Y-%m-%d)
 
# Git 自动提交
运行 bash scripts/auto-commit.sh

B3. 记忆规则

检查 AGENTS.md 是否包含 ## 记忆规则。

不存在 → 读取 references/memory-rules.md，追加到 AGENTS.md 末尾。写入后告诉用户：已把记忆规则写进 AGENTS.md，后续可以根据需要调整。

步骤 C：验证向量召回

执行 memory_search(query="记忆")。

• 有结果 → 向量召回在工作。
• 无结果或报错 → 可能是 embedding key 未配置，也可能是 memory 目录下还没有足够内容。

区分方法：检查 memory/ 下是否有 .md 文件。

• 有文件但搜不到 → embedding key 未配置。⚠️ 这是关键步骤，必须向用户明确说明并协助配置，不能跳过。 告诉用户：

向量搜索需要一个 embedding API key，这是记忆系统的核心能力——没有它，我就无法从历史记忆中检索信息。

然后根据用户的网络环境和已有的 API key，推荐方案：

配置示例：

Gemini：

memorySearch: { provider: "gemini", remote: { apiKey: "<Gemini API Key>" } }

OpenAI：

memorySearch: { provider: "openai", remote: { apiKey: "<OpenAI API Key>" } }

阿里云百炼（OpenAI 兼容）：

memorySearch: {
  provider: "openai",
  model: "text-embedding-v4",
  remote: {
    baseUrl: "https://dashscope.aliyuncs.com/compatible-mode/v1",
    apiKey: "<DashScope API Key>"
  }
}

API Key 获取：https://bailian.console.aliyun.com/

确认用户选定方案后，用 gateway(action=config.patch) 帮用户配好，再跑一次 memory_search 验证。

• 没有文件 → 正常，还没有数据。告诉用户：向量搜索已就绪，等你用几天积累了笔记后就能搜到了。

完成

报告当前状态（根据实际检查结果标注）：

Memory Deposit 检查完成：

- ✅/⚠️ 对话上下文（出厂自带）

- ✅/⚠️ 每日笔记（出厂自带）

- ✅/⚠️ 长期记忆（出厂自带）

- ✅/⚠️ 完整对话合并（transcripts/）

- ✅/⚠️ 向量召回

- ✅/⚠️ Git 版本管理

未通过的项标 ⚠️ 并说明原因。

与其他 ClaWiser 模块的关系

• noise-reduction → 对话合并降噪的进阶策略
• retrieval-enhance → 向量召回的高级用法（query expansion、reranking）
• save-game / load-game → 依赖 memory/projects/
• project-skill-pairing → 依赖本 skill 的目录结构

故障排查

如果 6 层记忆都就位但召回质量仍然差：

• transcript 里噪声太多 → 跑 noise-reduction 诊断降噪规则
• 搜索命中不准 → 跑 retrieval-enhance 优化检索策略