持久化记忆集成
Convex + Obsidian - Integração de Memória Persistente
by andreytsushima
安装
claude skill add --url https://github.com/openclaw/skills文档
🎯 Objetivo
Memória persistente automática para o OpenClaw:
- Convex (Hot): Salva cada conversa automaticamente
- Obsidian (Deep): Conhecimento histórico consolidado
- Busca Híbrida: Contexto de memória injetado quando relevante
✅ Status: OPERACIONAL
Arquitetura
Usuário fala → OpenClaw processa
↓
[Auto-save] → Convex (memória recente)
↓
Se detectar referência ao passado:
↓
[Busca Híbrida] → Convex + Obsidian
↓
[Contexto injetado] → "Lembre-se que ontem..."
Componentes
1. Backend Convex
- URL:
https://energized-goshawk-977.convex.cloud - Schema:
convex/schema.ts - Funções:
convex/memory.ts
2. Scripts Python
| Script | Função |
|---|---|
memory.py | CLI completo (save/search/stats) |
search.py | Busca híbrida (Convex + local) |
hook.py | Integração automática (chamado pelo OpenClaw) |
3. CLI Tools
# Busca híbrida
./search.sh "nvidia" -n 5
# Salvar manualmente
./memory.sh save "Conteúdo" --session main-2026-03-27
# Estatísticas
./memory.sh stats
Integração Automática no OpenClaw
Opção 1: Hook pós-mensagem (Recomendado)
Editar ~/.openclaw/openclaw.json para adicionar um hook:
{
"skills": {
"entries": {
"convex-obsidian": {
"autoSave": true,
"autoContext": true,
"deploymentUrl": "https://energized-goshawk-977.convex.cloud"
}
}
}
}
Comportamento:
- Cada mensagem salva automaticamente no Convex
- Se usuário mencionar "ontem", "antes", "lembra" → busca contexto
- Contexto injetado no início da resposta
Opção 2: Comandos manuais
/memory search <query> # Busca híbrida
/memory save <texto> # Salvar no Convex
/memory context # Ver contexto atual
Opção 3: Via ferramenta memory_search
O OpenClaw já usa memory_search para buscar em arquivos locais.
Para incluir Convex, usar:
# skills/convex-obsidian/search.py
./search.sh "query" --json
Uso Atual (Testado)
cd /home/andrey/.openclaw/workspace/skills/convex-obsidian
# Buscar em ambas as fontes
./search.sh "amw" -n 5
./search.sh "nvidia configuracao" --json
# Salvar memória
./memory.sh save "Cliente pediu orçamento" \
--session main-2026-03-27 \
--tags cliente orcamento \
--importance 8
# Salvar no Obsidian
./memory.sh save-obsidian "Resumo reunião..." \
--title "Reunião Cliente XYZ" \
--folder "05-AMW/Reuniões"
Configuração de Variáveis
# ~/.openclaw/.env ou exportar
export CONVEX_DEPLOYMENT_URL="https://energized-goshawk-977.convex.cloud"
export VAULT_PATH="/home/andrey/Vault"
Deploy/Redeploy do Convex
Se precisar atualizar o backend:
cd /home/andrey/.openclaw/workspace/skills/convex-obsidian
# Usar a chave preview
export CONVEX_DEPLOY_KEY="109326a5533f411792dae76dc8ae3f6f"
npx convex@latest deploy --preview-create openclaw-memory
# Ou com a chave completa
export CONVEX_DEPLOY_KEY="preview:andrey-tsushima:openclaw|eyJ2MiI6IjEwOTMyNmE1NTMzZjQxMTc5MmRhZTc2ZGM4YWUzZjZmIn0="
npx convex@latest deploy --preview-create openclaw-memory
Exemplo de Busca Híbrida
$ ./search.sh "amw" -n 5
🔍 Resultados para: 'amw'
Fontes: 2 Convex + 3 local
1. 🔥 convex://... (score: 3.80)
[CONVEX - conversation] Cliente AMW pediu orçamento...
2. 📄 memory/2026-03-19.md (score: 0.70)
Análise Técnica Integral de Inexecução — AMW...
Próximos Passos (Para Integração Total)
- Auto-save: Hook no ciclo de vida do OpenClaw
- Auto-context: Detectar quando buscar memórias
- Sincronização: Mover Convex → Obsidian após 30 dias
- Embeddings: Busca semântica além de keyword
Notas
- Convex gratuito: 1M operações/mês (suficiente)
- Obsidian: Armazenamento local ilimitado
- Latência: Convex ~50-100ms, Obsidian ~10ms
相关 Skills
技能工坊
by anthropics
覆盖 Skill 从创建到迭代优化全流程:起草能力、补测试提示、跑评测与基准方差分析,并持续改写内容和描述,提升效果与触发准确率。
✎ 技能工坊把技能从创建、迭代到评测串成闭环,方差分析加描述优化,特别适合把触发准确率打磨得更稳。
PPT处理
by anthropics
处理 .pptx 全流程:创建演示文稿、提取和解析幻灯片内容、批量修改现有文件,支持模板套用、合并拆分、备注评论与版式调整。
✎ 涉及PPTX的创建、解析、修改到合并拆分都能一站搞定,连备注、模板和评论也能处理,做演示文稿特别省心。
PDF处理
by anthropics
遇到 PDF 读写、文本表格提取、合并拆分、旋转加水印、表单填写或加解密时直接用它,也能提取图片、生成新 PDF,并把扫描件通过 OCR 变成可搜索文档。
✎ PDF杂活别再来回切工具了,文本表格提取、合并拆分到OCR识别一次搞定,连扫描件也能变可搜索。
相关 MCP 服务
文件系统
编辑精选by Anthropic
Filesystem 是 MCP 官方参考服务器,让 LLM 安全读写本地文件系统。
✎ 这个服务器解决了让 Claude 直接操作本地文件的痛点,比如自动整理文档或生成代码文件。适合需要自动化文件处理的开发者,但注意它只是参考实现,生产环境需自行加固安全。
by wonderwhy-er
Desktop Commander 是让 AI 直接执行终端命令、管理文件和进程的 MCP 服务器。
✎ 这工具解决了 AI 无法直接操作本地环境的痛点,适合需要自动化脚本调试或文件批量处理的开发者。它能让你用自然语言指挥终端,但权限控制需谨慎,毕竟让 AI 执行 rm -rf 可不是闹着玩的。
EdgarTools
编辑精选by dgunning
EdgarTools 是无需 API 密钥即可解析 SEC EDGAR 财报的开源 Python 库。
✎ 这个工具解决了金融数据获取的痛点——直接让 AI 读取结构化财报,比如让 Claude 分析苹果的 10-K 文件。适合量化分析师或金融开发者快速构建数据管道。但注意,它依赖 SEC 网站稳定性,高峰期可能延迟。