U —— A memória sua, finalmente visível
Problema: O
memory_searchdo OpenClaw e o grafo Postgres do gbrain são visíveis para o agente, mas invisíveis para o humano.
Solução: Abra o wiki do gbrain como vault no Obsidian, crie um symlink para as notasmemory/e, opcionalmente, usegbrain exportpara materializar as páginas do banco de dados como markdown—um conjunto de arquivos, três índices.
Quando carregar esta Skill
- O usuário quer integrar Obsidian com OpenClaw memory / gbrain
- O usuário diz "visualização do segundo cérebro", "grafo da memória", "conectar pontos", "quero ver no Obsidian as memórias escritas pelo agente"
- O usuário já tem gbrain +
~/wiki(ou biblioteca markdown similar) e quer adicionar uma GUI
Arquitetura (diagrama único)
OpenClaw workspace/memory/*.md ──symlink──► ~/wiki/memory/ ◄── Obsidian navega
gbrain Postgres (426+ páginas) ──export──► ~/wiki/**/*.md ◄── Grafo Obsidian
Cron do agente ──sync────► Postgres + vectors ◄── Backend inalterado
Restrições de segurança (obrigatório seguir):
memorydeve estar em~/wiki/.gitignore→ osyncdo gbrain é orientado por git-diff, não reingere notas duplicadas.obsidian/é ignorado peloisSyncabledo gbrain (diretório oculto)- Não altere
alwaysUpdateLinks: truepara evitar que o Obsidian reescreva em lote os links[[caminho]]do gbrain
Fase 0 — Confirmar caminhos
| Variável | Padrão | Descrição |
|---|---|---|
WIKI_DIR | ~/wiki | Raiz do repositório git do gbrain |
MEMORY_DIR | ~/.openclaw/workspace/memory | Diretório de notas MD do OpenClaw |
GBRAIN_BIN | gbrain | CLI no PATH |
Fase 1 — Configuração com um clique (recomendado)
bash skills/u/scripts/setup-vault.sh
# Ou especifique caminhos:
WIKI_DIR=~/wiki MEMORY_DIR=~/.openclaw/workspace/memory bash scripts/setup-vault.sh
O script: cria o symlink memory, escreve o .gitignore, pré-configura .obsidian/app.json (wikilink + absolute + sem alteração automática de links).
Fase 2 — Materializar páginas do DB (opcional, mas altamente recomendado)
Se o banco Postgres tiver mais páginas do que os .md no disco (comum quando o MCP put_page só escreve no DB):
gbrain export --dir "$WIKI_DIR"
cd "$WIKI_DIR" && git add -A && git commit -m "materializar páginas do gbrain para o Obsidian"
Após a materialização, a taxa de resolução de wikilinks no grafo do Obsidian geralmente sobe de ~28% para 84% (mesma métrica do README).
Fase 3 — Abrir o Obsidian
- Obsidian → Open folder as vault → selecione
WIKI_DIR - Na barra lateral, Graph view: veja clusters de people / projects / concepts / synthesis
- Abra
memory/2026-MM-DD.md→ painel direito Backlinks → Unlinked mentions para pular para páginas do gbrain que referenciam essa nota
Fase 4 — Lista de verificação
-
ls -la $WIKI_DIR/memorymostra um symlink -
cd $WIKI_DIR && git statusnão mostramemory/*.md - O grafo tem conexões (indicando que
[[projects/foo]]foi resolvido) - Ao editar qualquer página do gbrain e salvar,
git statusmostra alterações (o cron fará sync+embed)
Fase 5 — Conectar pontos: candidatos a destilação (opcional, v1.1)
Depois que o grafo fica visível, surge a próxima questão: tópicos repetidos nas notas diárias, como transformá-los em páginas do grafo? Duas abordagens ruins são comuns—
O próprio agente decide o que registrar e escreve a página diretamente (sem revisão, o erro fica permanentemente no grafo); ou ninguém escreve (o grafo fica sempre atrasado em relação às notas). O distill-candidates.py segue um caminho intermediário: apenas sugere, não escreve.
python3 skills/u/scripts/distill-candidates.py --dry-run
Ao executar, ele varre as notas dos últimos 14 dias em MEMORY_DIR, compara com o vocabulário de títulos/aliases das páginas existentes em WIKI_DIRS (padrão: people,companies,projects,concepts) e encontra tópicos que aparecem repetidamente em ≥2 dias. Gera um arquivo distill-inbox.md na raiz do vault: zona A com páginas existentes mas desatualizadas, zona B com candidatos ainda sem página. Sem --dry-run ele realmente persiste; mesmo assim, só cria distill-inbox.md e .distill_heartbeat.json—nunca toca em memory/ ou em qualquer página do grafo.
Aceitar um candidato significa que você (ou o agente) atualiza/cria aquela página—esse passo é intencionalmente mantido humano; pulá-lo é a maneira mais fácil de introduzir ruído em um sistema de memória automática.
Opcional: agendar no cron para atualização diária automática (apenas sugestões):
# OpenClaw
openclaw cron create --no-agent --script skills/u/scripts/distill-candidates.py "0 3 * * *"
Fase 6 — Constituição de curadoria: um grafo útil, não um acúmulo bonito (v1.2)
A fila (Fase 5) resolve "quem decide", mas ainda falta "com que critério escrever". Sem regras, o vault morre de outra forma: páginas se acumulam, todas parecem completas, mas nenhuma será relevante quando uma pergunta real surgir—um acúmulo perfeito de conhecimento inútil.
references/knowledge-curation.md é um prompt de sistema para o agente que escreve no grafo. Antes de criar/editar/classificar qualquer página, leia-o. O critério central em uma frase: uma página de conhecimento é útil se, e somente se, for relevante para uma pergunta real futura.
- Três perguntas de inclusão (se qualquer uma for "não", não crie a página): Muda ação? Será perguntada novamente? Supera o conhecimento inerente do modelo?
- Rubrica de classificação: cada diretório tem um critério + exemplos positivos e negativos, para evitar classificação incorreta pelo agente
- Padrão de densidade: reescrever tem prioridade sobre adicionar; as três primeiras linhas definem o destino; toda página deve ter uma seção "O que esta página deve responder" (2–5 perguntas reais)
- ⭐ Retorno de Q&A: quando o agente sintetiza uma boa resposta, registra uma linha
⭐page-candidate: <pergunta proposta>na nota diária (também aceito em chinês:⭐候选页:). Na v1.2, odistill-candidates.pyirá promovê-la para o topo da zona B; após criar a página, mude ⭐ para ✅ para não aparecer mais. Proibido contornar a fila e criar a página diretamente. - Zona D — Candidatos a refusão: o script varre automaticamente páginas que viraram "colchas de retalhos" de atualizações e, se aceito, as refunde em um artigo denso único seguindo o template §5 da constituição (critério: 30%+ mais curto sem perda de informação)
- Avançado (requer integração manual, §6 da constituição explica como): sinal de miss na busca → criar página; 45 dias sem acesso → proposta de aposentadoria; verificação mensal de contradições
Para integrar a constituição nas instruções do seu agente (AGENTS.md / CLAUDE.md), basta uma linha:
Antes de criar/editar uma página do wiki, leia skills/u/references/knowledge-curation.md (três perguntas de inclusão + rubrica + padrão de densidade); reescrever tem prioridade sobre adicionar.
Fase 7 — Pipeline de recuperação: de "junção de duas vias" a recall verdadeiro (v1.3)
A constituição de curadoria resolve "o que escrever", mas falta a outra metade: "consegue encontrar?". Em testes reais, a fusão ingênua de memory_search (palavras-chave) e gbrain query (vetorial), ordenando por pontuação e cortando top-20, resultou em 0 acertos em 10 consultas completas (como "quem é XX"), MRR = 0. Causa raiz: o motor vetorial retorna zero resultados para consultas em chinês com múltiplas palavras ou perguntas, mesmo quando a mesma entidade consultada com um único termo atinge pontuação 0,7+.
scripts/recall.mjs foi reescrito como um pipeline de seis etapas, e no mesmo conjunto de avaliação foi de 0/10 para 10/10 (MRR 0 → 0,75):
- Normalização da consulta—frase original + frase núcleo sem palavras interrogativas + extração de termos reais de uma tabela de entidades construída a partir dos títulos/aliases do seu próprio wiki + n-gramas de prefixo CJK
- Divisão de trabalho entre dois motores—motor de palavras-chave é lento, envia apenas a frase original + 2 termos reais; motor vetorial é rápido, envia todas as variações
- Fusão RRF (k=60)—pontuações de motores diferentes não são comparáveis, mas rankings sim; dispensa normalização
- Decaimento temporal + frequência—meia-vida por categoria de conteúdo, limite inferior de 0,5 para evitar que acertos fortes sejam soterrados
- Diversificação MMR (λ=0,7)—evita que o top-K seja preenchido com fragmentos quase duplicados
- Expansão de grafo em um salto—páginas linkadas a partir da página acertada são incluídas com desconto
bun scripts/recall.mjs "<consulta ou pergunta completa>"
Ferramenta de avaliação complementar scripts/recall-eval.mjs—"parece mais preciso" não é conclusão; execute os números. Comece com ops/recall-eval.example.jsonl (exemplo fictício) e substitua pelas suas perguntas reais:
bun scripts/recall-eval.mjs --eval ops/recall-eval.jsonl
Antes de alterar qualquer parâmetro em recall.mjs, execute a avaliação primeiro; não confie no palpite. A motivação completa do design e o "porquê" de cada etapa estão em references/retrieval-pipeline.md.
Opcional: agendar um cron de verificação de integridade que só alerta se a taxa de acerto cair abaixo do limite—silêncio quando tudo estiver verde. Previne degradação silenciosa como embeddings expirados, motor caído ou parâmetros alterados incorretamente.
Disciplina de escrita do agente (consistente com a ponte de memória do AGENTS.md)
Após o usuário editar manualmente o markdown no Obsidian:
- Lado gbrain: o cron de link-maintenance / auto-ingest faz
sync --no-embed+embed --stale - Lado memory: ainda em
workspace/memory/, indexado pormemory_search—não commite memory no git do wiki
Solução de problemas
| Sintoma | Ação |
|---|---|
| Grafo muito vazio, muitos links soltos | Execute gbrain export --dir $WIKI_DIR |
| Memory aparece no git | Verifique se .gitignore contém memory |
Obsidian transforma links em [text](path) | Verifique useMarkdownLinks: false |
[[Naval Ravikant]] não é resolvido | Links por nome; adicione aliases no frontmatter da página alvo |
Relacionados
skills/brain-ops— Normas de escrita do gbrainskills/memory-setup-openclaw— Configuração do memory_searchskills/planning-with-files— Tarefas longas persistidas em memory
Arquitetura detalhada com diagrama mermaid em references/architecture.md.