Communitygithub.com

spikesubingrui-design/u

U — la mémoire que votre agent a de vous, visible sous forme de graphe Obsidian. Graphe de connaissances OpenClaw + gbrain, un seul coffre, zéro ingestion en double.

Qu'est-ce que u ?

Ce skill transforme la mémoire de votre agent en un graphe de connaissances visuel et navigable dans Obsidian. Il synchronise les journaux d'OpenClaw (memory_search) avec la base de connaissances gbrain, en utilisant des liens symboliques et l'exportation des pages Postgres vers Markdown. L'architecture en trois voies (fichiers symboliques, export, synchronisation cron) garantit qu'aucune donnée n'est dupliquée et que le graphe Obsidian reflète à la fois les notes personnelles et les pages structurées. Le skill inclut un pipeline de rappel en six étapes (recall.mjs) qui améliore considérablement la pertinence des recherches, un système de curation de connaissances (Phase 6) avec une « constitution » qui régit la création de pages, et un outil de distillation (Phase 5) qui propose des candidats de synthèse sans jamais écrire directement dans la base. Idéal pour les utilisateurs d'OpenClaw, gbrain et Obsidian cherchant à unifier leur second cerveau et leur mémoire d'agent.

Compatible avec✓Claude Code~Codex CLI~Cursor
npx skills add spikesubingrui-design/u

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

U —— « Toi » : ta mémoire, enfin visible

Problème : memory_search d'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 journaux memory/, et optionnellement gbrain export pour 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) :

  • memory doit figurer dans ~/wiki/.gitignore → la sync de gbrain est pilotée par git-diff, n'ingère pas les journaux en double
  • .obsidian/ est ignoré par isSyncable de 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

VariableDéfautDescription
WIKI_DIR~/wikiRacine du dépôt git gbrain
MEMORY_DIR~/.openclaw/workspace/memoryRépertoire des journaux MD d'OpenClaw
GBRAIN_BINgbrainCLI 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

  1. Obsidian → Ouvrir un dossier comme coffre → sélectionner WIKI_DIR
  2. À gauche, Vue graphe : voir les clusters people / projects / concepts / synthesis
  3. 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/memory affiche un lien symbolique
  • cd $WIKI_DIR && git status n'affiche pas memory/*.md
  • Le graphe contient des arêtes (les [[projects/foo]] sont résolus)
  • Modifier une page gbrain, sauvegarder ; git status montre 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) :

  1. 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
  2. Division en deux moteurs — moteur mots-clés lent : envoie seulement la phrase originale + 2 entités ; moteur vectoriel rapide : envoie toutes les variantes
  3. Fusion RRF (k=60) — les scores des différents moteurs ne sont pas comparables, mais les rangs le sont ; évite la normalisation
  4. Atténuation temporelle + fréquence — demi-vie selon la catégorie de contenu, plancher 0.5 pour éviter d'enterrer les hits forts
  5. Dédoublement MMR (λ=0.7) — évite que le top-K soit saturé de fragments quasi identiques
  6. 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 par memory_search ; ne pas envoyer les journaux memory dans le git du wiki

Dépannage

SymptômeTraitement
Graphe très vide, nombreux liens pendantsLancer gbrain export --dir $WIKI_DIR
memory apparaît dans gitVérifier que .gitignore contient memory
Obsidian transforme les liens en [text](path)Vérifier useMarkdownLinks: false
[[Naval Ravikant]] non résoluLiens par nom d'affichage ; ajouter aliases dans le frontmatter de la page cible

Liens connexes

  • skills/brain-ops — normes d'écriture gbrain
  • skills/memory-setup-openclaw — configuration de memory_search
  • skills/planning-with-files — tâches longues écrites dans memory

Pour l'architecture détaillée et les diagrammes mermaid, voir references/architecture.md.

Skills associés