ClaWiser memory-deposit

install

source · Clone the upstream repo

git clone https://github.com/MattWenJun/ClaWiser

Claude Code · Install into ~/.claude/skills/

T=$(mktemp -d) && git clone --depth=1 https://github.com/MattWenJun/ClaWiser "$T" && mkdir -p ~/.claude/skills && cp -r "$T/assets/memory-deposit" ~/.claude/skills/mattwenjun-clawiser-memory-deposit && rm -rf "$T"

manifest: assets/memory-deposit/SKILL.md

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：

```
memory/transcripts/
```
存在？
```
memory/projects/
```
存在？
```
scripts/merge-daily-transcript.js
```
存在？
```
scripts/auto-commit.sh
```
存在？
```
.git/
```
存在？
HEARTBEAT.md 包含
```
merge-daily-transcript
```
和
```
auto-commit
```
？
AGENTS.md 包含
```
## 记忆规则
```
？
```
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：

方案	模型	价格	说明
Gemini	`gemini-embedding-001`	很低	MTEB 总分第一，配置最简单
阿里云百炼 DashScope	`text-embedding-v4`	很低	OpenAI 兼容接口
OpenAI	`text-embedding-3-small`	很低	效果稳定

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