⚠️ 作者信息待填写：ClawHub 上传前需要确认你的 ClawHub/GitHub 用户名

💬 Conversation Archive（对话记忆仓库）

核心理念

「记忆会骗人，但对话记录不会。」

当缪斯说「我不记得了」「我可能理解错了」——去对话仓库里找原始记录，比问老豆更快、更准。

工作流程

Session 结束
    ↓
1. ARCHIVE（归档）
   - 保存原始对话 JSON
   - 生成结构化摘要
   - 提取关键信息（主题/决策/教训）
   ↓
2. INDEX（索引）
   - 按日期/主题/关键词写入 index.json
   - （未来：生成 embedding 向量）
   ↓
3. RETRIEVE（检索）
   - 当需要回溯时 → 搜对话仓库
   - 当发现误解时 → 拉原始记录纠正
   ↓
4. INTEGRATE（整合）
   - 与 memory-never-forget 联动
   - 从归档中提取值得记忆的内容 → 4层分类

目录结构

conversation_archive/
├── sessions/           # 原始对话存档
│   └── YYYY-MM/
│       └── {session_id}.json
├── index.json          # 内存索引
└── embeddings/         # 预留：向量索引（未来）

Session JSON 格式

{
  "sessionId": "ccba19e7-...",
  "date": "2026-04-07",
  "channel": "webchat",
  "participants": ["Simon", "Muse"],
  "topics": ["OpenClaw升级", "Dreaming", "记忆系统"],
  "decisions": [
    {"text": "开启Dreaming每天0点运行", "context": "老豆同意"}
  ],
  "feedback": [
    {"user": "不要用Markdown表格", "from": "Simon"}
  ],
  "summary": "讨论了OpenClaw升级和记忆系统...",
  "messages": [
    {"role": "user", "content": "...", "time": "..."},
    {"role": "assistant", "content": "...", "time": "..."}
  ],
  "archivedAt": "2026-04-07T17:30:00+08:00"
}

工具（Tools）

1. archive_session — 归档当前 session

触发时机： session 结束前 / 手动触发 / cron 触发

{
  "name": "archive_session",
  "arguments": {
    "sessionKey": "agent:main:main",
    "includeMessages": true
  }
}

自动触发逻辑：

• 当 session 被 compact 或 restart 时自动归档
• 每次 webchat 超过 30 分钟无活动时归档

2. search_archive — 搜索对话

触发时机： 老豆问「我之前说过什么」「那次对话」「记得3月29日吗」

{
  "name": "search_archive",
  "arguments": {
    "query": "OpenClaw升级",
    "date": "2026-03-29",
    "limit": 5
  }
}

3. get_session — 获取原始对话

触发时机： 发现缪斯理解错了，用原始记录纠正

{
  "name": "get_session",
  "arguments": {
    "sessionId": "ccba19e7-..."
  }
}

4. extract_memories — 从归档中提取记忆

触发时机： 与 memory-never-forget 联动时

{
  "name": "extract_memories",
  "arguments": {
    "sessionId": "ccba19e7-...",
    "types": ["user", "feedback", "project"]
  }
}

检索策略

当前（关键词模式）

# 搜索逻辑
1. 在 index.json 中模糊匹配 query
2. 匹配 topic、keywords、summary 字段
3. 按日期倒序返回 top N
4. 展示匹配的摘要片段

未来（向量模式）

当 embedding 配置好后：

# 向量搜索
1. query → embedding 向量
2. 在 embeddings/ 目录做余弦相似度搜索
3. 返回 top N 最语义相关的对话

接入条件： agents.defaults.memorySearch 配置了 embedding provider

与 memory-never-forget 的联动

conversation_archive  ──→  memory-never-forget
     │                              │
     │ 提取值得记忆的内容              │ 使用4层分类
     ↓                              ↓
decisions/feedback/          memory/{user,feedback,
project/                     project,reference}/
     │                              │
     └───────────升华──────────────→ knowledge/

联动触发： 每次归档后，自动调用 extract_memories 把值得记忆的内容传给 memory-never-forget 处理。

自动归档规则