U —— « Toi » : ta mémoire, enfin visible
Problème :
memory_searchd'OpenClaw et le graphe Postgres de gbrain sont visibles pour l'agent, mais invisibles pour l'humain.
Solution : Ouvrir le wiki gbrain comme coffre dans Obsidian, lier symboliquement les journauxmemory/, et optionnellementgbrain exportpour matérialiser les pages de la base en markdown — un seul jeu de fichiers, trois index.
Quand charger ce skill
- L'utilisateur souhaite connecter Obsidian avec OpenClaw memory / gbrain
- L'utilisateur dit « visualiser le second cerveau », « graphe de mémoire », « relier les points », « voir dans Obsidian ce que l'agent écrit »
- L'utilisateur a déjà gbrain +
~/wiki(ou une bibliothèque de cerveau markdown similaire) et veut une interface graphique
Architecture (en un schéma)
OpenClaw workspace/memory/*.md ──lien symbolique──► ~/wiki/memory/ ◄── Obsidian navigue
gbrain Postgres (426+ pages) ──export──────► ~/wiki/**/*.md ◄── Graphe Obsidian
Cron agent ──sync────────► Postgres + vecteurs ◄── Arrière-plan inchangé
Contraintes de sécurité (impératives) :
memorydoit figurer dans~/wiki/.gitignore→ la sync de gbrain est pilotée par git-diff, n'ingère pas les journaux en double.obsidian/est ignoré parisSyncablede gbrain (répertoire caché)- Ne pas modifier
alwaysUpdateLinks: true, pour éviter qu'Obsidian ne réécrive en masse les liens[[chemin]]de gbrain
Phase 0 — Vérifier les chemins
| Variable | Défaut | Description |
|---|---|---|
WIKI_DIR | ~/wiki | Racine du dépôt git gbrain |
MEMORY_DIR | ~/.openclaw/workspace/memory | Répertoire des journaux MD d'OpenClaw |
GBRAIN_BIN | gbrain | CLI dans le PATH |
Phase 1 — Configuration en un clic (recommandée)
bash skills/u/scripts/setup-vault.sh
# Ou spécifier les chemins :
WIKI_DIR=~/wiki MEMORY_DIR=~/.openclaw/workspace/memory bash scripts/setup-vault.sh
Le script crée le lien symbolique memory, ajoute .gitignore, et préconfigure .obsidian/app.json (wikilink + absolute + pas de modification automatique des liens).
Phase 2 — Matérialiser les pages de la base (optionnelle mais fortement recommandée)
Si la base Postgres contient plus de pages que le disque (fréquent avec MCP put_page qui écrit en base uniquement) :
gbrain export --dir "$WIKI_DIR"
cd "$WIKI_DIR" && git add -A && git commit -m "matérialiser les pages gbrain pour Obsidian"
Après matérialisation, le taux de résolution des wikilinks dans le graphe Obsidian passe généralement d'environ 28 % à 84 % (même mesure que le README).
Phase 3 — Ouvrir Obsidian
- Obsidian → Ouvrir un dossier comme coffre → sélectionner
WIKI_DIR - À gauche, Vue graphe : voir les clusters people / projects / concepts / synthesis
- Ouvrir
memory/2026-MM-DD.md→ dans la colonne de droite, Backlinks → mentions non liées sauter vers les pages gbrain qui citent ce journal
Phase 4 — Liste de vérification
-
ls -la $WIKI_DIR/memoryaffiche un lien symbolique -
cd $WIKI_DIR && git statusn'affiche pasmemory/*.md - Le graphe contient des arêtes (les
[[projects/foo]]sont résolus) - Modifier une page gbrain, sauvegarder ;
git statusmontre des modifications (cron fera sync+embed)
Phase 5 — Relier les points : candidats à la distillation (optionnelle, v1.1)
Une fois le graphe visible, la question suivante est : comment transformer les sujets récurrents des journaux en pages du graphe ? Deux mauvaises pratiques existent — l'agent décide lui-même d'écrire une page (erreur sans contrôle, reste dans le graphe), ou personne ne la crée (le graphe est toujours en retard sur les journaux). distill-candidates.py adopte une voie médiane : proposer, sans écrire.
python3 skills/u/scripts/distill-candidates.py --dry-run
Il analyse les journaux des 14 derniers jours dans MEMORY_DIR, construit un lexique à partir des titres/alias des pages existantes dans WIKI_DIRS (par défaut people,companies,projects,concepts), détecte les sujets récurrents (>2 jours), et écrit distill-inbox.md à la racine du coffre : zone A pour les pages existantes non mises à jour, zone B pour les candidats sans page encore. Sans --dry-run, il écrit effectivement sur le disque ; même en écriture réelle, il ne modifie que distill-inbox.md et .distill_heartbeat.json — jamais memory/ ni aucune page du graphe.
Accepter un candidat consiste à mettre à jour ou créer la page manuellement (ou via l'agent) — cette étape est volontairement humaine, car sauter cette validation est la source la plus fréquente de systèmes de mémoire automatique mal conçus.
Optionnel : intégration cron pour rafraîchir la file quotidiennement (toujours proposition seule) :
# OpenClaw
openclaw cron create --no-agent --script skills/u/scripts/distill-candidates.py "0 3 * * *"
Phase 6 — Constitution de curation : un graphe utile, pas une accumulation décorative (v1.2)
La file (Phase 5) résout « qui décide », reste « selon quels critères écrire ». Sans règle, la deuxième mort d'un coffre est : accumulation de pages toujours plus nombreuses, chacune semblant complète, mais aucune ne sera jamais pertinente lors d'une vraie interrogation future — accumulation parfaite de connaissances inutiles.
references/knowledge-curation.md est un prompt système pour l'agent qui écrit dans le graphe, à lire avant de créer/modifier/classer toute page. Critère central : une page de connaissance est utile si et seulement si elle sera touchée par une vraie question future.
- Triple question d'admission (si un « non » à l'une des trois, ne pas créer la page) : change-t-elle une action ? sera-t-elle reposée ? surpasse-t-elle les connaissances natives du modèle ?
- Rubriques de classification : chaque répertoire a un critère + exemples positifs/négatifs, pour corriger la classification hasardeuse de l'agent
- Standards de densité : réécrire plutôt qu'ajouter ; les trois premières lignes décident du sort ; chaque page doit contenir une section « Cette page doit pouvoir répondre à » (2–5 vraies questions)
- ⭐ Retour des questions-réponses : quand l'agent produit une bonne réponse, ajouter une ligne
⭐page-candidate: <titre proposé>(ou⭐候选页:en chinois) dans le journal ; la v1.2 de distill-candidates.py la propulsera en tête de la zone B. Une fois la page créée, remplacer ⭐ par ✅ pour ne plus apparaître. Interdiction de contourner la file pour créer directement une page. - Candidats de refonte (zone D) : le script détecte automatiquement les pages « recouvertes de rustines » ; une fois accepté, il les fusionne en un article dense suivant le modèle §5 de la constitution (critère : 30 % plus court, zéro perte d'information)
- Avancé (connexion manuelle, §6 de la constitution) : signal miss→création de page via les logs de recherche ; proposition de mise à la retraite après 45 jours sans hit ; vérification mensuelle des contradictions
Intégrer la constitution dans vos instructions agent (AGENTS.md / CLAUDE.md) en une ligne :
Avant de créer/modifier une page wiki, lire skills/u/references/knowledge-curation.md (triple question d'admission + rubrique + standards de densité) ; réécrire plutôt qu'ajouter.
Phase 7 — Pipeline de rappel : de la fusion naïve à un vrai rappel (v1.3)
La constitution de curation résout « quoi écrire », mais il manque « est-ce trouvable ? ». Tests réels : fusion naïve de memory_search (mots-clés) et gbrain query (vecteurs), triés par score, top 20 — pour des questions réelles complètes (type « qui est XX ? ») 0 hit sur 10 cas de test, MRR = 0. Cause racine : le moteur vectoriel renvoie zéro résultat pour des requêtes chinoises multi-mots ou interrogatives, alors qu'avec un mot-clé unique le score peut dépasser 0.7.
scripts/recall.mjs réécrit en pipeline six étapes, même jeu d'évaluation passe de 0/10 à 10/10 (MRR 0→0.75) :
- Normalisation de la requête — phrase originale + phrase sans mots interrogatifs + entités extraites de la table des titres/alias de votre wiki + préfixes n-grammes CJK
- Division en deux moteurs — moteur mots-clés lent : envoie seulement la phrase originale + 2 entités ; moteur vectoriel rapide : envoie toutes les variantes
- Fusion RRF (k=60) — les scores des différents moteurs ne sont pas comparables, mais les rangs le sont ; évite la normalisation
- Atténuation temporelle + fréquence — demi-vie selon la catégorie de contenu, plancher 0.5 pour éviter d'enterrer les hits forts
- Dédoublement MMR (λ=0.7) — évite que le top-K soit saturé de fragments quasi identiques
- Extension de graphe à un saut — pages liées aux pages touchées, ajoutées avec un facteur de réduction
bun scripts/recall.mjs "<requête ou phrase interrogative>"
Outil d'évaluation associé scripts/recall-eval.mjs — « on dirait que c'est plus précis » n'est pas une conclusion ; les chiffres parlent. Partir de ops/recall-eval.example.jsonl (exemple fictif) et le remplacer par vos vraies questions :
bun scripts/recall-eval.mjs --eval ops/recall-eval.jsonl
Avant de modifier un paramètre dans recall.mjs, lancez d'abord le jeu d'évaluation. Ne comptez pas sur votre intuition. La motivation complète de la conception, le « pourquoi » de chaque étape sont dans references/retrieval-pipeline.md.
Optionnel : cron de santé pour le jeu d'évaluation, alerte seulement en cas de baisse sous le seuil, silence si tout est vert — prévient les dégradations silencieuses (embedding périmé, moteur HS, paramètre mal modifié) qui ne s'annoncent pas d'elles-mêmes.
Discipline d'écriture pour l'agent (cohérente avec AGENTS.md / mémoire bridge)
Quand l'utilisateur modifie manuellement le markdown dans Obsidian :
- côté gbrain : le cron link-maintenance / auto-ingest fait
sync --no-embed+embed --stale - côté memory : toujours dans
workspace/memory/, indexé parmemory_search; ne pas envoyer les journaux memory dans le git du wiki
Dépannage
| Symptôme | Traitement |
|---|---|
| Graphe très vide, nombreux liens pendants | Lancer gbrain export --dir $WIKI_DIR |
memory apparaît dans git | Vérifier que .gitignore contient memory |
Obsidian transforme les liens en [text](path) | Vérifier useMarkdownLinks: false |
[[Naval Ravikant]] non résolu | Liens par nom d'affichage ; ajouter aliases dans le frontmatter de la page cible |
Liens connexes
skills/brain-ops— normes d'écriture gbrainskills/memory-setup-openclaw— configuration de memory_searchskills/planning-with-files— tâches longues écrites dans memory
Pour l'architecture détaillée et les diagrammes mermaid, voir references/architecture.md.