hawk-bridge — OpenClaw 记忆系统 Skill

OpenClaw Hook Bridge + context-hawk Python 记忆引擎
单一 Skill，同时解决：自动记忆捕获 + 自动记忆检索 + 四层衰减 + 向量搜索 + Markdown兼容

核心能力

多模态记忆

hawk-bridge v1.2+ 支持多模态记忆，统一存储 text、audio、video 类型的记忆。

记忆来源类型

数据模型

所有记忆统一存储在 hawkmemories 表，通过 sourcetype 字段区分：

typescript
interface MemoryEntry {
id: string;
text: string; // ASR 转录文本 / 视频描述
vector: number[]; // 文本嵌入向量
category: string; // fact | preference | decision | entity
scope: string;
importance: number;
timestamp: number;
expiresAt: number;
metadata: Record; // 类型特有元数据
source_type: text | audio | video; // 记忆来源
}

metadata 结构

typescript
// audio 记忆
metadata: {
audio: {
path: /path/to/audio.mp3,
duration_ms: 180000, // 180秒
speaker: 张三,
emotion: neutral,
transcript_segments: [
{ start: 0, end: 5000, text: 大家好... },
{ start: 5000, end: 12000, text: 今天讨论... }
]
}
}

// video 记忆
metadata: {
video: {
path: /path/to/video.mp4,
duration_ms: 300000,
description: 产品发布会演示文稿讲解,
keyframes: [
{ timestamp: 10000, description: 开场白 },
{ timestamp: 60000, description: 产品介绍 }
]
}
}

检索示例

typescript
// 检索所有记忆（默认 text only）
const results = await retriever.search(用户偏好);

// 检索 text + audio
const results = await retriever.search(上周那个客户电话说了什么, 5, undefined, [text, audio]);

// 检索所有类型
const results = await retriever.search(那个演示文稿, 5, undefined, [text, audio, video]);

架构

OpenClaw Gateway (TypeScript Hooks)
│
├── agent:bootstrap → hawk-recall hook
│ → HybridRetriever
│ ┌─────────────────────────────────────────────────────┐
│ │ 1. Query Expansion (查询扩展成多个相关表述) │
│ │ 2. Multi-query Vector+BM25 (每个查询独立检索) │
│ │ 3. RRF Fusion (结果融合) │
│ │ 4. Noise Filter (去除好的收到等噪声) │
│ │ 5. Cross-encoder Rerank (重排) │
│ │ 6. Confidence Threshold (置信度过滤) │
│ │ 7. MMR Diversity (多样性排序) │
│ │ 8. Layer Penalty (低层级降权) │
│ │ 9. Result Compression (长文本压缩) │
│ └─────────────────────────────────────────────────────┘
│ → 记忆注入上下文 🦅
│
└── message:sent → hawk-capture hook
→ Python LLM 智能提取（fact/preference/decision/entity/other）
→ 存入 LanceDB
→ Governance 日志

Python Core (hawk_memory/)
├── memory.py — MemoryManager 四层衰减
├── compressor.py — ContextCompressor 上下文压缩
├── self_improving.py — 自我反思学习
├── extractor.py — LLM 6类分类提取
├── governance.py — 系统巡检指标
├── vector_retriever.py — 向量检索
└── markdown_importer.py — .md 文件导入

安装

方式1：OpenClaw Skill（推荐）

方式2：手动安装

注册到 openclaw.json

自动配置（零额外Key）

embedding + LLM 默认使用 OpenClaw 已配置的 provider（minimax 等）：

环境变量覆盖（可选）：
bash
export MINIMAXAPIKEY=your-key # Minimax API Key
export MINIMAXBASEURL=https://... # 自定义端点
export MINIMAX_MODEL=MiniMax-M2.7 # 指定模型
export OLLAMABASEURL=http://localhost:11434 # Ollama本地（免费）
export LLM_PROVIDER=groq # 切换LLM后端

配置项（openclaw.json）

大部分情况不需要配置——装完默认 Jina 免费 API 就能跑。

如需定制，在 openclaw.json 的 plugins.entries.hawk-bridge.config 下添加：

json
{
plugins: {
entries: {
hawk-bridge: {
enabled: true,
config: {
embedding: {
provider: jina,
apiKey: , // jina 免费，无需填
model: jina-embeddings-v5-small,
dimensions: 1024
},
llm: {
provider: groq,
apiKey: , // groq 免费，无需填
model: llama-3.3-70b-versatile
},
recall: {
topK: 5,
minScore: 0.6,
injectEmoji: 🦅
},
capture: {
enabled: true,