openclaw-memory-enhancer

🧠 OpenClaw メモリーエンハンサー

OpenClaw に長期記憶を持たせ、セッションをまたいで重要な情報を記憶し、会話に関連するコンテキストを自動的に呼び出します。

主な機能

機能	説明
🔍 セマンティック検索	ベクトル類似度検索により、キーワードだけでなく意図も理解します
📂 自動読み込み	memory/ ディレクトリ内のすべてのファイルを自動的に読み込みます
💡 スマートリコール	会話中に関連する過去の記憶を見つけます
🔗 メモリーグラフ	関連する記憶同士のつながりを構築します
💾 ローカルストレージ	100%ローカルで動作し、クラウドを使わず、プライバシーを完全に保護します
🚀 エッジ最適化	メモリー使用量は <10MB。Jetson/Raspberry Pi で動作します

クイックリファレンス

タスク	コマンド（エッジ版）	コマンド（標準版）
記憶を読み込む	python3 memory_enhancer_edge.py --load	python3 memory_enhancer.py --load
検索	--search "query"	--search "query"
記憶を追加	--add "content"	--add "content"
エクスポート	--export	--export
統計	--stats	--stats

使用する場面

次のような場合にこのスキルを使用してください：

• OpenClaw にセッションをまたいで情報を記憶させたい
• チャット履歴からナレッジベースを構築したい
• コンテキストを必要とする長期プロジェクトに取り組んでいる
• 会話から FAQ を自動生成したい
• メモリーに制限のあるエッジデバイスで実行している

次のような場合は使用しないでください：

• シンプルなメモアプリで十分な場合
• セッションをまたいだ記憶が不要な場合
• メモリーに余裕があり、最大限の精度を求める場合（標準版を使用してください）

バージョン

エッジ版 ⭐ 推奨

最適な用途： Jetson、Raspberry Pi、組み込みデバイス

python3 memory_enhancer_edge.py --load

機能：

• 依存関係ゼロ（Python 標準ライブラリのみ）
• メモリー使用量 < 10MB
• キーワードとベクトルによる軽量な照合
• リソースに制約のあるデバイスに最適です

標準版

最適な用途： デスクトップ／サーバー、最大限の精度

pip install sentence-transformers numpy
python3 memory_enhancer.py --load

機能：

• 高品質な埋め込みの生成に sentence-transformers を使用します
• より優れたセマンティック理解
• メモリー使用量は 50-100MB
• モデルのダウンロード（~50MB）が必要です

インストール

ClawHub 経由（推奨）

clawhub install openclaw-memory-enhancer

Git 経由

git clone https://github.com/henryfcb/openclaw-memory-enhancer.git \
  ~/.openclaw/skills/openclaw-memory-enhancer

使用例

コマンドライン

# Load existing OpenClaw memories
cd ~/.openclaw/skills/openclaw-memory-enhancer
python3 memory_enhancer_edge.py --load

# Search for memories
python3 memory_enhancer_edge.py --search "voice-call plugin setup"

# Add a new memory
python3 memory_enhancer_edge.py --add "User prefers dark mode"

# Show statistics
python3 memory_enhancer_edge.py --stats

# Export to Markdown
python3 memory_enhancer_edge.py --export

Python API

from memory_enhancer_edge import MemoryEnhancerEdge

# Initialize
memory = MemoryEnhancerEdge()

# Load existing memories
memory.load_openclaw_memory()

# Search for relevant memories
results = memory.search_memory("AI trends report", top_k=3)
for r in results:
    print(f"[{r['similarity']:.2f}] {r['content'][:100]}...")

# Recall context for a conversation
context = memory.recall_for_prompt("Help me check billing")
# Returns formatted memory context

# Add new memory
memory.add_memory(
    content="User prefers direct results",
    source="chat",
    memory_type="preference"
)

OpenClaw との統合

# In your OpenClaw agent
from skills.openclaw_memory_enhancer.memory_enhancer_edge import MemoryEnhancerEdge

class EnhancedAgent:
    def __init__(self):
        self.memory = MemoryEnhancerEdge()
        self.memory.load_openclaw_memory()
    
    def process(self, user_input: str) -> str:
        # 1. Recall relevant memories
        memory_context = self.memory.recall_for_prompt(user_input)
        
        # 2. Enhance prompt with context
        enhanced_prompt = f"""
{memory_context}

User: {user_input}
"""
        
        # 3. Call LLM with enhanced context
        response = call_llm(enhanced_prompt)
        
        return response

記憶の種類

種類	説明	例
daily_log	日次の記憶ファイル	memory/2026-02-22.md
capability	機能の記録	スキル、ツール
core_memory	基本的な規約	重要なルール
qa	質問と回答	Q: 方法は… A: …してください
instruction	直接的な指示	「覚えておいてください：常に X を行う」
solution	技術的な解決策	手順ガイド
preference	ユーザーの好み	「ユーザーはダークモードを好む」

仕組み

記憶のエンコード（エッジ版）

1. キーワード抽出：テキストから重要な単語を抽出します
2. ハッシュベクトル：キーワードをベクトル上の位置に割り当てます
3. 正規化：ベクトルを L2 正規化します
4. 保存：ローカルの JSON ファイルに保存します

記憶の検索

1. クエリのエンコード：クエリを同じベクトル形式に変換します
2. キーワードによる事前フィルタリング：共通キーワードで高速に絞り込みます
3. 類似度の計算：ベクトル間のコサイン類似度を計算します
4. ランキング：類似度が最も高い上位 k 件の記憶を返します

プライバシー保護

• すべてのデータは ~/.openclaw/workspace/knowledge-base/ にローカル保存されます
• ネットワークへのリクエストはありません
• 外部 API の呼び出しはありません
• データがデバイス外に送信されることはありません

技術仕様

エッジ版

Vector Dimensions: 128
Memory Usage: < 10MB
Dependencies: None (Python stdlib)
Storage Format: JSON
Max Memories: 1000 (configurable)
Query Latency: < 100ms

標準版

Vector Dimensions: 384
Memory Usage: 50-100MB
Dependencies: sentence-transformers, numpy
Storage Format: NumPy + JSON
Model Size: ~50MB download
Query Latency: < 50ms

設定

コード内の以下のパラメーターを編集してください：

self.config = {
    "vector_dim": 128,        # Vector dimensions
    "max_memory_size": 1000,  # Max number of memories
    "chunk_size": 500,        # Content chunk size
    "min_keyword_len": 2,     # Minimum keyword length
}

トラブルシューティング

結果が見つからない

# Lower the threshold
results = memory.search_memory(query, threshold=0.2)  # Default 0.3

# Increase top_k
results = memory.search_memory(query, top_k=10)  # Default 5

記憶の上限に達した

上限に達すると、システムは最も古い記憶を自動的に削除します。

上限を増やすには：

self.config["max_memory_size"] = 5000  # Increase from 1000

パフォーマンスが遅い

• 標準版ではなくエッジ版を使用します
• max_memory_size を小さくします
• キーワードによる事前フィルタリングを使用します（自動）

コントリビューション

1. リポジトリをフォークします
2. フィーチャーブランチを作成します
3. 変更を加えます
4. プルリクエストを送信します

ライセンス

MIT ライセンス — 詳細は LICENSE ファイルをご覧ください。

謝辞

• OpenClaw エコシステム向けに構築されています
• エッジコンピューティングデバイス向けに最適化されています
• AI の長期記憶システムに着想を得ています

---

OpenClaw または Moonshot AI の公式製品ではありません。

ユーザーは自身の OpenClaw ワークスペースと API キーを用意する必要があります。