Brain CMS 🧠
A neuroscience-inspired memory architecture for OpenClaw agents.
Replaces flat file injection with sparse, semantic, frequency-gated memory loading.
What This Installs
CODEBLOCK0
Setup (one-time)
CODEBLOCK1
How It Works
Boot sequence: Load MEMORY.md (lean core) + today's daily log. Nothing else.
When a topic appears: Read memory/INDEX.md → load only the relevant schemas (spreading activation). Check memory/ANCHORS.md for high-significance events.
For ambiguous topics: Run semantic search:
CODEBLOCK2
Auto-schema creation: When a new significant project or domain appears:
- 1. Create INLINECODE2
- Add to INDEX.md with triggers + priority + cross-links
- Re-index: INLINECODE3
Sleep cycles:
CODEBLOCK3
Memory Layers (CMS)
| Layer | Files | When loaded | Purpose |
|---|
| Working | INLINECODE4 + today log | Every session | Core context |
| Episodic |
memory/YYYY-MM-DD.md | Session boot | Recent events |
| Semantic |
memory/*.md schemas | On trigger | Domain knowledge |
| Anchors |
memory/ANCHORS.md | On CRITICAL topics | Permanent ground truth |
| Vector |
memory_brain/vectorstore/ | On demand | Semantic search |
Tagging Anchors
In any daily log, tag high-significance events:
[ANCHOR] Major demo success — full pipeline working end-to-end
NREM auto-promotes these to ANCHORS.md on next shutdown.
Token Savings
Typical MEMORY.md: 150-300 lines injected every session.
With Brain CMS: ~50-line core + schemas loaded only when relevant.
Estimated savings: 40-60% reduction in context tokens per session.
Requirements
- - Python 3.10+
- Ollama (for embeddings + REM consolidation)
- 500MB+ storage for vector store and models
- INLINECODE9 ,
numpy, pyarrow, requests (auto-installed)
技能名称: brain-cms
详细描述:
Brain CMS 🧠
一种受神经科学启发的记忆架构，专为OpenClaw智能体设计。
用稀疏、语义化、频率门控的记忆加载取代扁平文件注入。
安装内容
memory/
├── INDEX.md ← 海马体：主题路由 + 交叉链接
├── ANCHORS.md ← 永久高重要性事件存储
└── schemas/ ← 领域特定语义模式（由你创建）
memory_brain/
├── index_memory.py ← 将模式嵌入LanceDB向量存储
├── query_memory.py ← 语义相似度搜索
├── nrem.py ← NREM睡眠周期（压缩 + 锚点提升）
├── rem.py ← REM睡眠周期（通过Ollama进行LLM整合）
└── vectorstore/ ← LanceDB数据库（自动创建）
设置（一次性操作）
bash
1. 运行安装程序
python3 ~/.openclaw/workspace/skills/brain-cms/install.py
2. 索引你的模式
cd ~/.openclaw/workspace/memory_brain
.venv/bin/python3 index_memory.py
3. 测试检索
.venv/bin/python3 query_memory.py 你的主题 --sources-only
工作原理
启动顺序： 加载MEMORY.md（精简核心）+ 今日日志。不加载其他内容。
当主题出现时： 读取memory/INDEX.md → 仅加载相关模式（扩散激活）。检查memory/ANCHORS.md中的高重要性事件。
对于模糊主题： 运行语义搜索：
bash
memorybrain/.venv/bin/python3 memorybrain/query_memory.py 消息文本 --sources-only
自动创建模式： 当出现新的重要项目或领域时：
- 1. 创建memory/<主题>.md
- 添加到INDEX.md，包含触发条件 + 优先级 + 交叉链接
- 重新索引：memorybrain/.venv/bin/python3 memorybrain/index_memory.py
睡眠周期：
bash
NREM — 关机时运行（约30秒，无需LLM）
cd ~/.openclaw/workspace/memory_brain && .venv/bin/python3 nrem.py
REM — 每周运行（2-5分钟，使用本地llama3.2:3b，免费）
cd ~/.openclaw/workspace/memory_brain && .venv/bin/python3 rem.py
记忆层级（CMS）
| 层级 | 文件 | 加载时机 | 用途 |
|---|
| 工作记忆 | MEMORY.md + 今日日志 | 每次会话 | 核心上下文 |
| 情景记忆 |
memory/YYYY-MM-DD.md | 会话启动 | 近期事件 |
| 语义记忆 | memory/*.md 模式 | 触发时 | 领域知识 |
| 锚点记忆 | memory/ANCHORS.md | 关键主题时 | 永久基准事实 |
| 向量记忆 | memory_brain/vectorstore/ | 按需加载 | 语义搜索 |
标记锚点
在任何日志中，标记高重要性事件：
[ANCHOR] 重大演示成功 — 完整流水线端到端运行
NREM会在下次关机时自动将这些提升到ANCHORS.md。
Token节省
典型MEMORY.md：每次会话注入150-300行。
使用Brain CMS：约50行的核心 + 仅在相关时加载的模式。
预计节省：每次会话减少40-60%的上下文token。
要求
- - Python 3.10+
- Ollama（用于嵌入 + REM整合）
- 500MB+存储空间用于向量存储和模型
- lancedb、numpy、pyarrow、requests（自动安装）
