🦀 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。
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:
📋 功能清单
Agent 管理
文件管理
智能检索
🚀 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)
在 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
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:
🔍 技术栈
🛠️ 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