Thought-Retriever Skill

将每次对话中生成的回答，提炼成可积累、可复用的"知识晶体"，驱动AI记忆系统的自我进化。

核心原理

Thought-Retriever 脱胎于论文 arXiv:2604.12231，其核心洞察是：

不要只检索原始数据，要检索 LLM 生成的想法（Thoughts）。

每次对话后，LLM的回答中蕴含着有价值的洞察——这些洞察才是记忆系统的核心养料，而不是原始对话日志。

五步循环

用户问题
    ↓
步骤1: 检索相关 Thought
    ↓（从 ontology 中找最相关的已有 Thought）
步骤2: 生成回答
    ↓（由主模型完成，这里只记录结果）
步骤3: 提炼候选思想 + 计算置信度
    ↓（用 LLM 从回答中抽取知识晶体，赋置信度）
步骤4: 查重剔除冗余
    ↓（相似度 > θ → 合并；置信度 \x3C γ → 丢弃）
步骤5: 更新记忆
    ↓（新增/合并 Thought 到 ontology）

阈值参数

存储结构

每个 Thought 是 ontology 中的一个实体：

{
  "id": "thou_59a993f9",
  "type": "Thought",
  "properties": {
    "content": "AI接单系统可以通过结合微信群与竞标平台形成多渠道互补",
    "confidence": 0.8,
    "last_accessed": "2026-05-02T07:42:59+00:00",
    "source": "conversation",
    "query": "赵匡的AI接单系统包括哪些渠道"
  }
}

置信度评分标准

文件位置

~/.openclaw/workspace/skills/thought-retriever/
  thought_retriever.py   ← 核心引擎
  SKILL.md              ← 本文件

~/.openclaw/workspace/memory/ontology/
  graph.jsonl           ← Thought 实体存储
  schema.yaml           ← Thought 类型定义

使用方式

命令行调用

python skills/thought-retriever/thought_retriever.py \
  --query "用户问题" \
  --answer "生成的回答" \
  --feedback "用户反馈（可选）"

配置为对话后钩子（OpenClaw）

在 OpenClaw 配置中注册为 post-turn 钩子，每次对话结束自动触发。

手动运行测试

python skills/thought-retriever/thought_retriever.py \
  --query "赵匡的AI接单系统包括哪些渠道" \
  --answer "包括微信群接单和dealwork.ai平台竞标两个渠道"

与其他组件的关系

注意事项

• 使用百炼 glm-5.1 模型（不走代理）
• 每个 Thought 都有 query 字段，记录生成它时的原始问题
• 置信度会在后续相关查询被触发时自动提升
• 定期检查 memory/ontology/graph.jsonl 中的 Thought 数量和置信度分布