🎁 Get the FREE AI Skills Starter GuideSubscribe →
BytesAgainBytesAgain
🦀 ClawHub

Context Manager

by @janussilence

管理多个 AI Agent 的长期记忆与文件,通过向量和时间双重过滤,实现高效语义检索和减少 LLM 调用。

Versionv1.0.0
Downloads387
TERMINAL
clawhub install autoglm-context-manager

📖 About This Skill

Context Manager Skill

长上下文管理器技能。为多个 AI Agent 提供智能的长期记忆管理,通过向量索引和时间轴双重命中判断,大幅减少 LLM 调用次数。

🎯 适用场景

当用户需要:

  • 管理多个 Agent 的文件和上下文
  • 在大型项目中快速检索相关信息
  • 减少 LLM 调用以降低成本
  • 建立长期记忆系统
  • 在多个 Agent 之间共享上下文
  • 基于语义相似度搜索文件
  • 按时间维度过滤和检索内容
  • 📋 功能清单

    Agent 管理

  • 创建新的 Agent
  • 查看 Agent 列表
  • 获取 Agent 详情
  • 删除 Agent
  • 文件管理

  • 为 Agent 创建文件
  • 获取文件内容
  • 列出 Agent 的所有文件
  • 删除文件
  • 智能检索

  • 语义向量搜索
  • 时间轴过滤
  • 双重命中判断(向量+时间)
  • 智能调取详情
  • LLM 集成(可选)
  • 🚀 使用方法

    基本用法

    #### 创建 Agent

    为项目 "文档编写" 创建一个 Agent
    

    #### 创建文件

    将以下内容保存到 Agent "agent001" 的文件 "设计文档.md" 中:
    [文件内容]
    

    #### 查询

    在 Agent "agent001" 中搜索 "深度学习算法"
    

    #### 查询(带详情)

    查找 "微服务架构设计" 相关内容,并获取详情
    

    #### 列出文件

    显示 Agent "agent001" 的所有文件
    

    高级用法

    #### 带标签的文件

    创建一个关于 "机器学习" 的文件,标签为 "research, ai, ml"
    

    #### 跨 Agent 搜索

    在所有 Agent 中搜索 "Python 编程"
    

    #### 强制 LLM 调用

    用 LLM 分析 "如何优化数据库查询" 相关内容
    

    🔧 配置

    环境变量(可选)

    # OpenAI API Key(用于 LLM 功能)
    export OPENAI_API_KEY="your-api-key"

    Redis 配置(用于缓存)

    export CONTEXT_MANAGER_REDIS_HOST="localhost" export CONTEXT_MANAGER_REDIS_PORT=6379

    配置参数(可选)

    config.py 中可调整:

  • vector_threshold: 向量相似度阈值(默认 0.7)
  • time_threshold: 时间相关性阈值(默认 0.5)
  • combined_threshold: 综合评分阈值(默认 0.6)
  • cache_ttl: 缓存过期时间(默认 3600 秒)
  • 📊 工作原理

    文件索引流程

    1. 接收文件内容 2. 生成向量嵌入 3. 存储到向量数据库 4. 提取时间轴信息 5. 更新索引

    智能检索流程

    1. 向量搜索找到相关文件 2. 时间轴过滤 3. 双重命中判断 4. 智能调取详情 5. LLM 集成(如需要)

    💡 最佳实践

    1. 文件命名:使用有意义的文件名 2. 标签使用:为文件添加相关主题标签 3. 时间标签:使用时间标签帮助时间轴匹配 4. 批量操作:批量创建文件以提高效率 5. 定期清理:删除不再需要的文件

    ⚠️ 注意事项

  • 文件内容会进行向量嵌入,需要网络连接(首次)
  • LLM 功能需要配置 OpenAI API Key
  • Redis 可选,未配置时使用内存缓存
  • 向量数据库存储在本地 vector_db 目录
  • 🔄 数据存储

    所有数据存储在:

    ~/.openclaw-autoclaw/workspace/context-manager/
    ├── agents/           # Agent 数据
    ├── vector_db/        # 向量数据库
    ├── cache/            # 缓存数据
    └── logs/             # 日志文件
    

    📈 性能优化

    预期效果:

  • LLM 调用减少:60-80%
  • 检索速度提升:10-50 倍
  • 项目完成度显著提高
  • 🔍 技术栈

  • 向量数据库: ChromaDB
  • 嵌入模型: Sentence Transformers
  • 缓存: Redis + 内存
  • API: FastAPI
  • LLM: OpenAI GPT(可选)
  • 🛠️ 故障排除

    问题:向量数据库初始化失败

    解决:删除 vector_db 目录后重试

    问题:Redis 连接失败

    解决:系统会自动使用内存缓存

    问题:LLM 调用超时

    解决:检查网络连接和 API Key 配置

    📚 示例对话

    用户:为 "研究项目" 创建一个 Agent
    AI:✓ 已创建 Agent "research-project"

    用户:将以下内容保存到研究项目的文件 "文献综述.md": 深度学习是机器学习的一个子集... AI:✓ 文件 "文献综述.md" 已创建并索引(索引时间: 452ms)

    用户:在研究项目中搜索 "神经网络" AI:找到 3 个相关文件: 1. 文献综述.md(相似度: 0.89) 2. 算法总结.md(相似度: 0.76) 3. 项目计划.md(相似度: 0.65)

    用户:获取 "神经网络" 相关内容的详情 AI:已获取 2 个文件的详情。LLM 回复: [详细答案]

    🎓 更多信息

    查看完整文档: cat ~/.openclaw-autoclaw/workspace/context-manager/README.md

    运行示例: python ~/.openclaw-autoclaw/workspace/context-manager/example.py

    🔗 相关技能

  • memory - 简单的内存管理
  • wecom-doc - 企业微信文档管理