aradotso/memory-lancedb-pro-openclaw

Compétence experte pour memory-lancedb-pro — un module de mémoire à long terme de grade production basé sur LanceDB pour les agents OpenClaw, avec récupération hybride, reclassement par cross-encoder, isolation multi-portée et capture automatique intelligente.

Qu'est-ce que memory-lancedb-pro-openclaw ?

Cette compétence fournit un système de mémoire persistante et évolutive pour les agents OpenClaw, exploitant LanceDB pour le stockage vectoriel et la récupération hybride (BM25 + embeddings). Elle permet aux agents de conserver un historique structuré de leurs interactions, avec un reclassement via cross-encoder pour améliorer la pertinence des résultats. La compétence prend en charge l'isolation multi-portée (projet, session, utilisateur) et la capture automatique intelligente, ce qui la rend idéale pour les applications nécessitant une mémoire à long terme fiable et contextuelle. Testé sur OpenClaw et compatible avec divers modèles d'embeddings.

Compatible avec~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/aradotso/trending-skills/tree/main/skills/memory-lancedb-pro-openclaw

Installed? Explore more Productivité et collaboration skills: steipete/gemini, steipete/gh-issues, steipete/skill-creator · View all 6 →

Demander à votre IA préférée

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

Documentation

Que fait memory-lancedb-pro-openclaw ?

Compétence experte pour memory-lancedb-pro — un module de mémoire à long terme de grade production basé sur LanceDB pour les agents OpenClaw, avec récupération hybride, reclassement par cross-encoder, isolation multi-portée et capture automatique intelligente.

Aperçu

Cette compétence permet aux agents OpenClaw de conserver une mémoire à long terme en utilisant LanceDB, une base de données vectorielles conçue pour la production. Elle associe la récupération hybride (BM25 + embeddings vectoriels) au reclassement par cross-encoder pour garantir que les souvenirs les plus pertinents soient toujours récupérés. La compétence prend également en charge l'isolation multi-portée (projet, session, utilisateur) et la capture automatique intelligente pour enregistrer les informations importantes sans intervention manuelle.

Caractéristiques principales

  • Récupération hybride : Combine la recherche textuelle (BM25) et la recherche vectorielle (embeddings) pour des résultats robustes.
  • Reclassement par cross-encoder : Utilise un modèle de reclassement pour améliorer la pertinence des souvenirs récupérés.
  • Isolation multi-portée : Sépare les souvenirs par portée (projet, session, utilisateur) pour éviter les interférences contextuelles.
  • Capture automatique intelligente : Détecte et enregistre automatiquement les informations clés lors des interactions de l'agent.
  • Stockage persistant : Utilise LanceDB pour un stockage durable et évolutif des vecteurs et métadonnées.

Installation

pip install memory-lancedb-pro

Configuration

Définissez les variables d'environnement suivantes :

VariableDescriptionValeur par défaut
LANCEDB_URIURI de la base de données LanceDB/tmp/lancedb
LANCEDB_TABLENom de la table pour les souvenirsmemories
LANCEDB_EMBEDDING_MODELModèle d'embeddings à utiliserall-MiniLM-L6-v2
LANCEDB_CROSS_ENCODER_MODELModèle de cross-encoder pour le reclassementcross-encoder/ms-marco-MiniLM-L-6-v2
LANCEDB_TOP_KNombre de souvenirs à récupérer5
LANCEDB_SCOPEPortée par défaut pour l'isolationuser

Utilisation

Initialisation

from memory_lancedb_pro import LanceDBMemory

memory = LanceDBMemory(
    uri="votre_uri_lancedb",
    table_name="memories",
    embedding_model="all-MiniLM-L6-v2",
    cross_encoder_model="cross-encoder/ms-marco-MiniLM-L-6-v2",
    scope="user",
    top_k=5
)

Sauvegarder un souvenir

memory.save(
    content="L'utilisateur a demandé une recette de gâteau au chocolat.",
    metadata={"projet": "chat-culinaire", "session": "abc123"}
)

Récupérer des souvenirs

results = memory.retrieve(
    query="recette de gâteau",
    scope="user",
    top_k=5
)
for result in results:
    print(f"Score : {result['score']:.3f} - Contenu : {result['content']}")

Exemple avec OpenClaw

from openclaw import Agent
from memory_lancedb_pro import LanceDBMemory

class MonAgent(Agent):
    def __init__(self):
        super().__init__()
        self.memory = LanceDBMemory(scope="session")

    async def repondre(self, message):
        # Récupérer les souvenirs pertinents
        souvenirs = self.memory.retrieve(message, top_k=3)
        contexte = "\n".join([s["content"] for s in souvenirs])

        # Générer une réponse avec le contexte
        reponse = await super().repondre(message, contexte=contexte)

        # Sauvegarder automatiquement l'interaction
        self.memory.save(
            content=f"Utilisateur : {message}\nAssistant : {reponse}",
            metadata={"type": "conversation"}
        )
        return reponse

Dépannage

  • Problème : ImportError: Aucun module nommé 'lancedb' Solution : Vérifiez que lancedb est installé : pip install lancedb. Il peut être nécessaire de l'installer séparément selon la configuration.

  • Problème : Ralentissement lors de la récupération avec un grand jeu de données. Solution : Réduisez la valeur top_k ou utilisez un index plus performant dans LanceDB. Consultez la documentation LanceDB pour l'indexation.

  • Problème : Les souvenirs ne sont pas récupérés. Solution : Vérifiez la variable LANCEDB_SCOPE et la portée utilisée lors de la sauvegarde. Assurez-vous que la requête correspond aux souvenirs sauvegardés.

Licence

MIT

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

aradotso/724-office-ai-agent

Self-evolving AI agent system with 26 tools, three-layer memory, MCP plugins, and 24/7 self-repair in pure Python.

aradotso/agency-agents-ai-specialists

A collection of specialized AI agent personalities for Claude Code, Cursor, Aider, Windsurf, and other AI coding tools — covering engineering, design, marketing, sales, and more.

aradotso/agent-browser-automation

Headless browser automation CLI for AI agents using native Rust binary with Chrome DevTools Protocol

aradotso/antigravity-manager

AI coding agent skill for Antigravity Manager — a Tauri v2 + Rust desktop app and Docker service that manages multiple Google/Anthropic accounts and proxies them as standard OpenAI/Anthropic/Gemini API endpoints with intelligent account rotation.

aradotso/aracli-deploy-management

Guide to deploying and managing OpenClaw-compatible AI agent systems across cloud, bare metal, and hybrid infrastructure.

aradotso/autoresearchclaw-autonomous-research

Fully autonomous research pipeline that turns a topic idea into a complete academic paper with real citations, experiments, and conference-ready LaTeX.

aradotso/autoresearch-genealogy

Structured prompts, vault templates, and autonomous research workflows for AI-assisted genealogy using Claude Code.

aradotso/brreg

Search and retrieve Norwegian company data from Brønnøysundregistrene (the Norwegian Business Registry). Access all ~1.2 million registered companies in Norway.

aradotso/chrome-cdp-live-browser

Give AI agents access to your live Chrome session via CDP — interact with open tabs, logged-in accounts, and current page state

aradotso/claude-hud-statusline

A Claude Code plugin that displays a real-time HUD showing context usage, active tools, running agents, and todo progress in your terminal statusline.

aradotso/claude-peers-mcp

Enable multiple Claude Code instances to discover each other and exchange messages in real-time via a local broker daemon and MCP server.

aradotso/clui-cc-claude-overlay

Command Line User Interface for Claude Code — a floating macOS desktop overlay with multi-tab sessions, permission approval UI, voice input, and skills marketplace.

aradotso/cmux-terminal-multiplexer

AI-native terminal multiplexer with programmable socket API, full Playwright-equivalent browser automation, and agent team coordination — built for Claude Code and autonomous agent workflows

aradotso/code-review-graph

Build a persistent knowledge graph of your codebase so Claude reads only what matters — up to 49x fewer tokens on coding tasks.

aradotso/codex-autoresearch-loop

Self-directed iterative research skill for Codex that continuously cycles through modify, verify, retain or discard, and repeat until a measurable goal is reached.

aradotso/copaw-ai-assistant

Personal AI assistant framework supporting multiple chat channels (DingTalk, Feishu, QQ, Discord, etc.) with extensible skills, local/cloud deployment, and cron scheduling.

aradotso/corridorkey-green-screen

AI-powered green screen keyer that unmixes foreground colors and generates clean linear alpha channels using neural networks

aradotso/crucix-intelligence-dashboard

Personal intelligence agent that aggregates 27 OSINT data sources into a self-hosted Jarvis-style dashboard with Telegram/Discord bots, LLM analysis, and real-time alerts.

aradotso/daily-stock-analysis

LLM-powered A/H/US stock intelligent analysis system with multi-source data, real-time news, AI decision dashboards, and multi-channel push notifications via GitHub Actions.

aradotso/deepseek-ocr

Expert skill for using DeepSeek-OCR, a vision-language model for optical character recognition with context optical compression supporting documents, PDFs, and images.

Skills associés