Communitygithub.com

spikesubingrui-design/u

U – das Gedächtnis deines Agenten über dich, sichtbar als Obsidian-Graph. OpenClaw + gbrain Wissensgraph, ein Vault, keine doppelte Erfassung.

Was ist u?

U (spikesubingrui-design/u) ist ein Skill, der das Gedächtnis eines KI-Agenten (OpenClaw) mit einem Wissensgraphen (gbrain) in einem Obsidian-Vault visualisiert. Er verbindet die `memory_search`-Funktion von OpenClaw mit dem Postgres-Graphen von gbrain, indem er einen Symlink vom Agenten-Speicher ins Vault erstellt und optional gbrain-Seiten als Markdown-Dateien exportiert. So entsteht ein dreifach indexiertes Dateisystem, das sowohl vom Agenten als auch vom Menschen durchsucht werden kann. Der Skill behandelt aufeinander aufbauende Phasen: Aufbau des Vaults, Materialisierung der Datenbankseiten, Einrichtung von Obsidian, Verifikation der Verbindung, Identifikation neuer Wissenskandidaten aus Tagebucheinträgen, eine Kuratierungs-„Verfassung“ für das Schreiben von Wissensseiten und eine mehrstufige Abrufpipeline, die die Suchergebnisse drastisch verbessert. U ist besonders nützlich für alle, die den Wissensgraphen ihres Agenten visuell erkunden, Doppelerfassung vermeiden und die Qualität ihrer Wissensbasis durch klare, getestete Prozesse steigern möchten.

Funktioniert mit✓Claude Code~Codex CLI~Cursor
npx skills add spikesubingrui-design/u

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

U —— dein Gedächtnis, endlich sichtbar

Problem: OpenClaws memory_search und gbrains Postgres-Graph sind für den Agenten sichtbar, für den Menschen unsichtbar. Lösung: Obsidian öffnet das gbrain-Wiki als Vault, verlinkt memory/-Tagebücher per Symlink herein, optional gbrain export zum Materialisieren von DB-Seiten als Markdown – ein Dateisatz, drei Indexe.

Wann dieser Skill geladen werden sollte

  • Nutzer möchten Obsidian mit OpenClaw memory / gbrain verbinden
  • Nutzer sagen „zweites Gehirn visualisieren“, „memory-Graph“, „Punkte verbinden“, „im Obsidian die vom Agenten geschriebenen Erinnerungen sehen“
  • Nutzer haben bereits gbrain + ~/wiki (oder eine ähnliche Markdown-Wissensdatenbank) und wollen eine GUI hinzufügen

Architektur (ein Bild)

OpenClaw workspace/memory/*.md  ──symlink──►  ~/wiki/memory/     ◄── Obsidian durchsuchen
gbrain Postgres (426+ Seiten)   ──export──►  ~/wiki/**/*.md       ◄── Obsidian-Graph
Agent cron                      ──sync────►  Postgres + Vektoren  ◄── Hintergrund unverändert

Sicherheitseinschränkungen (müssen beachtet werden):

  • memory muss in ~/wiki/.gitignore sein → gbrain sync ist git-diff-getrieben und importiert keine Tagebücher doppelt
  • .obsidian/ wird von gbrains isSyncable übersprungen (verstecktes Verzeichnis)
  • alwaysUpdateLinks: true nicht ändern, um zu vermeiden, dass Obsidian gbrains [[pfadbasierte]] Links massenhaft umschreibt

Phase 0 — Pfade bestätigen

VariableStandardBeschreibung
WIKI_DIR~/wikigbrain Git-Repository-Stamm
MEMORY_DIR~/.openclaw/workspace/memoryOpenClaw-Tagebuch-MD
GBRAIN_BINgbrainCLI im PATH

Phase 1 — Ein-Klick-Einrichtung (empfohlen)

bash skills/u/scripts/setup-vault.sh
# oder mit benutzerdefinierten Pfaden:
WIKI_DIR=~/wiki MEMORY_DIR=~/.openclaw/workspace/memory bash scripts/setup-vault.sh

Das Skript erstellt den memory-Symlink, schreibt .gitignore und richtet .obsidian/app.json ein (wikilink + absolute + keine automatische Linkänderung).

Phase 2 — DB-Seiten materialisieren (optional, aber stark empfohlen)

Falls die Postgres-Seiten mehr sind als die .md-Dateien auf der Festplatte (häufig bei MCP put_page, das nur in die DB schreibt):

gbrain export --dir "$WIKI_DIR"
cd "$WIKI_DIR" && git add -A && git commit -m "materialize gbrain pages for Obsidian"

Nach der Materialisierung steigt die Wikilink-Auflösungsrate des Obsidian-Graphen typischerweise von ~28 % auf 84 % (gleicher Messstandard wie im README).

Phase 3 — Obsidian öffnen

  1. Obsidian → Ordner als Vault öffnen → WIKI_DIR auswählen
  2. Linke Spalte Graph-Ansicht: sieh dir Personen / Projekte / Konzepte / Synthese-Cluster an
  3. memory/2026-MM-DD.md öffnen → rechte Spalte Backlinks → Unlinked mentions springt zu gbrain-Seiten, die auf dieses Tagebuch verweisen

Phase 4 — Checkliste zur Überprüfung

  • ls -la $WIKI_DIR/memory zeigt einen Symlink
  • cd $WIKI_DIR && git status zeigt nicht memory/*.md
  • Im Graphen gibt es Verbindungen (zeigt an, dass [[projects/foo]] aufgelöst wird)
  • Nach dem Bearbeiten einer gbrain-Seite zeigt git status Änderungen (der Cron-Job wird sync+embed ausführen)

Phase 5 – Punkte verbinden: Sublimationskandidaten (optional, v1.1)

Nachdem der Graph sichtbar ist, stellt sich die nächste Frage: Wie werden Themen, die in Tagebüchern wiederholt auftauchen, zu Graphenseiten? Zwei schlechte Praktiken wurden beobachtet – der Agent entscheidet selbst, was er notiert, und schreibt direkt Seiten (Fehler werden nicht kontrolliert und bleiben im Graph), oder niemand schreibt sie (der Graph bleibt immer hinter den Tagebüchern zurück). distill-candidates.py geht den Mittelweg: nur vorschlagen, nicht schreiben.

python3 skills/u/scripts/distill-candidates.py --dry-run

Nach dem Ausführen scannt es die letzten 14 Tage in MEMORY_DIR, erstellt ein Vokabular aus Titeln/Aliassen vorhandener Seiten in WIKI_DIRS (Standard: people,companies,projects,concepts), sucht nach Themen, die „an ≥2 Tagen wiederholt“ auftauchen, und schreibt eine distill-inbox.md im Vault-Stamm: Bereich A sind vorhandene Seiten, die nicht aktualisiert wurden, Bereich B sind Kandidaten, die wiederholt auftauchen, aber noch keine Seiten haben. Nur ohne --dry-run wird tatsächlich geschrieben; selbst dann werden nur distill-inbox.md und .distill_heartbeat.json erstellt, niemals memory/ oder Graphenseiten.

Wenn du einen Kandidaten annimmst, aktualisierst oder erstellst du (oder lässt den Agenten) die Seite – dieser Schritt ist bewusst dem Menschen vorbehalten; ihn zu überspringen ist der häufigste Ort, an dem automatische Gedächtnissysteme Fehler machen.

Optional: Einbinden in einen Cron-Job, der die Warteschlange täglich automatisch aktualisiert (weiterhin nur Vorschläge):

# OpenClaw
openclaw cron create --no-agent --script skills/u/scripts/distill-candidates.py "0 3 * * *"

Phase 6 – Kuratierungsverfassung: Nützlicher Graph, keine hübsche Anhäufung (v1.2)

Die Warteschlange (Phase 5) löst „wer prüft“, aber es bleibt die Frage „nach welchem Standard wird geschrieben“. Ohne Regeln ist der zweite Tod eines Vaults: immer mehr Seiten, jede sieht vollständig aus, aber keine wird bei einer zukünftigen echten Frage getroffen – eine scheinbar perfekte Anhäufung von Wissenspunkten.

references/knowledge-curation.md ist ein System-Prompt für den Agenten beim Schreiben von Graphen, der vor dem Erstellen/Ändern/Klassifizieren einer Seite gelesen werden muss. Der Kern lautet: Eine Wissensseite ist nützlich, genau dann, wenn sie von einer zukünftigen echten Frage getroffen und beantwortet wird.

  • Drei Aufnahmefragen (wenn eine mit Nein beantwortet wird, keine Seite erstellen): Ändert sie das Handeln? Wird sie wieder gefragt? Ist sie besser als das Modellwissen?
  • Klassifikations-Rubrik: Ein Kriterium pro Verzeichnis + positive/negative Beispiele, bekämpft „ungenaue Klassifikation durch den Agenten“
  • Dichtestandard: Umschreiben vor Anhängen; die ersten drei Zeilen entscheiden über Leben oder Tod; jede Seite muss einen Abschnitt „Was diese Seite beantworten können soll“ mit 2–5 echten Fragen enthalten
  • ⭐ Frage-Antwort-Rückfluss: Wenn der Agent eine gute Antwort synthetisiert, notiert er im Tagebuch eine Zeile ⭐page-candidate: <Titel> (auch chinesisch ⭐候选页: möglich). In v1.2 wird distill-candidates.py dies in den Warteschlangenbereich B oben setzen; nach der Seitenerstellung wird ⭐ in ✅ geändert, damit es nicht mehr erscheint. Es ist verboten, die Warteschlange zu umgehen und direkt Seiten zu erstellen.
  • D-Bereich-Umguss-Kandidaten: Das Skript scannt automatisch nach übermäßig mit „Update-Pflastern“ beklebten Seiten; nach Annahme werden sie gemäß Verfassung §5 in eine dichte Einzelseite gegossen (Abnahme: 30 %+ kürzer und kein Informationsverlust)
  • Fortgeschritten (muss selbst eingebunden werden, Verfassung §6 enthält Anleitungen): Suchlog-Miss → Seiten-erstellen-Signal, 45 Tage ohne Treffer → Stilllegungsvorschlag, monatlicher Widerspruchs-Check

Die Verfassung in deine Agentenanweisungen (AGENTS.md / CLAUDE.md) einzubinden, braucht nur eine Zeile:

Vor dem Erstellen/Ändern einer Wiki-Seite zuerst skills/u/references/knowledge-curation.md lesen (Aufnahmefragen+Rubrik+Dichtestandard); Umschreiben vor Anhängen.

Phase 7 – Abrufpipeline: Von „zwei vereint“ zu echtem Recall (v1.3)

Die Kuratierungsverfassung löst „was schreiben“, aber die Hälfte fehlt noch: „Wird es gefunden?“. Getestet: Naive Vereinigung von memory_search (Schlüsselwörter) und gbrain query (Vektoren), sortiert nach Punktzahl, Top 20 ausgeschnitten – bei echten Fragen („Wer ist X“ als vollständige Sätze) 0 von 10 Testfällen getroffen, MRR = 0. Grund: Die Vektor-Engine liefert bei mehrwortigen chinesischen/Fragesätzen direkt null Ergebnisse, auch wenn dieselbe Entität mit einem einzelnen Wort 0,7+ Punkte erreicht.

scripts/recall.mjs wurde als sechsstufige Pipeline neu geschrieben und erreicht im selben Evaluierungssatz 10/10 (MRR 0→0,75):

  1. Abfragenormalisierung – Originalsatz + Kernfrage ohne Fragewörter + Extraktion von Schlüsselwörtern aus einer aus den Titeln/Aliassen deines eigenen Wikis erstellten Entitätstabelle + CJK-Präfix-n-Gramm
  2. Zwei-Engine-Arbeitsteilung – Die Schlüsselwort-Engine ist langsam und erhält nur den Originalsatz + 2 Schlüsselwörter; die Vektor-Engine ist schnell und erhält alle Varianten
  3. RRF-Fusion (k=60) – Punktzahlen verschiedener Engines sind nicht vergleichbar, aber Ränge sind es; keine Normalisierung nötig
  4. Zeitabklingung + Häufigkeit – Halbwertszeit nach Inhaltskategorie, Untergrenze 0,5 verhindert, dass starke Treffer untergehen
  5. MMR-Entrauschung (λ=0,7) – Vermeidet, dass die Top-K mit nahezu doppelten Fragmenten gefüllt werden
  6. Ein-Schritt-Grapherweiterung – Von der getroffenen Seite ausgehende Links werden mit einem Abschlag mitgenommen
bun scripts/recall.mjs "<Abfrage oder vollständiger Fragesatz>"

Zugehöriges Evaluierungstool scripts/recall-eval.mjs – „es fühlt sich genauer an“ ist kein Fazit, erst die Zahlen sind es. Starte mit ops/recall-eval.example.jsonl (fiktiven Beispielen) und ersetze sie durch deine eigenen echten Fragen:

bun scripts/recall-eval.mjs --eval ops/recall-eval.jsonl

Bevor du Parameter in recall.mjs änderst, führe zuerst das Evaluierungsset aus, nicht nach Gefühl. Vollständige Entwurfsmotivation und „Warum“ jedes Schrittes findest du in references/retrieval-pipeline.md.

Optional: Ein regelmäßiger Health-Check-Cron-Job für das Evaluierungsset; alarmiert nur bei Unterschreitung eines Schwellwerts, bleibt ruhig bei Grün – verhindert stille Degradation durch abgelaufene Embeddings, ausgefallene Engines oder falsch geänderte Parameter, die nicht von selbst melden.

Agenten-Schreibdisziplin (in Übereinstimmung mit AGENTS.md Memory-Brücke)

Nach manuellen Änderungen des Nutzers in Obsidian:

  • Auf gbrain-Seite: Der link-maintenance / auto-ingest Cron-Job führt sync --no-embed + embed --stale aus
  • Auf der Memory-Seite: Diese bleibt in workspace/memory/ und wird von memory_search indiziert; keine Memory-Dateien in das Wiki-Git-Commit einfügen

Fehlerbehebung

SymptomBehandlung
Graph sehr leer, viele schwebende Linksgbrain export --dir $WIKI_DIR ausführen
Memory taucht in Git aufSicherstellen, dass .gitignore memory enthält
Obsidian ändert Links zu [text](path)useMarkdownLinks: false prüfen
[[Naval Ravikant]] wird nicht aufgelöstAnzeigenamen-Link; der Zielseite aliases im Frontmatter hinzufügen

Verwandtes

  • skills/brain-ops – gbrain-Schreibstandards
  • skills/memory-setup-openclaw – memory_search-Konfiguration
  • skills/planning-with-files – Langzeitaufgaben in Memory ablegen

Ausführliche Architektur und Mermaid-Diagramme findest du in references/architecture.md.

Verwandte Skills