Communitygithub.com

U — A memória visível do seu agente

U é a memória que seu agente tem de você, visível como um grafo do Obsidian. Integra OpenClaw e gbrain em um único vault, sem duplicação de ingestão.

O que é U — A memória visível do seu agente?

U é uma skill que conecta a memória do agente (OpenClaw `memory_search`) e o grafo de conhecimento do gbrain (Postgres) ao Obsidian, tornando a memória do agente visível e navegável como um grafo. Ela cria um symlink do diretório de memória do OpenClaw para dentro do vault do wiki do gbrain (`~/wiki`), e opcionalmente materializa páginas do banco de dados do gbrain como arquivos Markdown. Isso permite que o usuário veja, no Obsidian, tanto as notas diárias do agente quanto as páginas estruturadas do grafo, com suporte a backlinks, menções não vinculadas e visualização em grafo. A skill também inclui um pipeline avançado de recall (seis etapas) que combina busca por palavras-chave e vetorial com fusão RRF e diversificação MMR, garantindo que consultas completas em chinês sejam atendidas com alta precisão (MRR 0,75 em testes). Além disso, oferece ferramentas para destilação de candidatos a páginas a partir de menções recorrentes nas notas diárias, e uma constituição de curadoria que define critérios rigorosos para criação e manutenção de páginas no grafo, evitando acúmulo irrelevante.

Funciona com✓Claude Code~Codex CLI~Cursor
npx skills add spikesubingrui-design/u

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

U —— A memória sua, finalmente visível

Problema: O memory_search do 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 notas memory/ e, opcionalmente, use gbrain export para 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):

  • memory deve estar em ~/wiki/.gitignore → o sync do gbrain é orientado por git-diff, não reingere notas duplicadas
  • .obsidian/ é ignorado pelo isSyncable do gbrain (diretório oculto)
  • Não altere alwaysUpdateLinks: true para evitar que o Obsidian reescreva em lote os links [[caminho]] do gbrain

Fase 0 — Confirmar caminhos

VariávelPadrãoDescrição
WIKI_DIR~/wikiRaiz do repositório git do gbrain
MEMORY_DIR~/.openclaw/workspace/memoryDiretório de notas MD do OpenClaw
GBRAIN_BINgbrainCLI 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

  1. Obsidian → Open folder as vault → selecione WIKI_DIR
  2. Na barra lateral, Graph view: veja clusters de people / projects / concepts / synthesis
  3. 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/memory mostra um symlink
  • cd $WIKI_DIR && git status não mostra memory/*.md
  • O grafo tem conexões (indicando que [[projects/foo]] foi resolvido)
  • Ao editar qualquer página do gbrain e salvar, git status mostra 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, o distill-candidates.py irá 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):

  1. 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
  2. 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
  3. Fusão RRF (k=60)—pontuações de motores diferentes não são comparáveis, mas rankings sim; dispensa normalização
  4. Decaimento temporal + frequência—meia-vida por categoria de conteúdo, limite inferior de 0,5 para evitar que acertos fortes sejam soterrados
  5. Diversificação MMR (λ=0,7)—evita que o top-K seja preenchido com fragmentos quase duplicados
  6. 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 por memory_search—não commite memory no git do wiki

Solução de problemas

SintomaAção
Grafo muito vazio, muitos links soltosExecute gbrain export --dir $WIKI_DIR
Memory aparece no gitVerifique se .gitignore contém memory
Obsidian transforma links em [text](path)Verifique useMarkdownLinks: false
[[Naval Ravikant]] não é resolvidoLinks por nome; adicione aliases no frontmatter da página alvo

Relacionados

  • skills/brain-ops — Normas de escrita do gbrain
  • skills/memory-setup-openclaw — Configuração do memory_search
  • skills/planning-with-files — Tarefas longas persistidas em memory

Arquitetura detalhada com diagrama mermaid em references/architecture.md.

Habilidades Relacionadas