README_PT-BR.md

🧠 memory-lancedb-pro · 🦞OpenClaw Plugin

Assistente de Memória IA para Agentes OpenClaw

Dê ao seu agente de IA um cérebro que realmente lembra — entre sessões, entre agentes, ao longo do tempo.

Um plugin de memória de longo prazo para OpenClaw baseado em LanceDB que armazena preferências, decisões e contexto de projetos, e os recupera automaticamente em sessões futuras.

English | 简体中文 | 繁體中文 | 日本語 | 한국어 | Français | Español | Deutsch | Italiano | Русский | Português (Brasil)

---

Por que memory-lancedb-pro?

A maioria dos agentes de IA sofre de amnésia. Eles esquecem tudo no momento em que você inicia um novo chat.

memory-lancedb-pro é um plugin de memória de longo prazo de nível de produção para OpenClaw que transforma seu agente em um verdadeiro Assistente de Memória IA — captura automaticamente o que importa, deixa o ruído desaparecer naturalmente e recupera a memória certa no momento certo. Sem tags manuais, sem dores de cabeça com configuração.

Seu Assistente de Memória IA em ação

Sem memória — cada sessão começa do zero:

Você: "Use tabs para indentação, sempre adicione tratamento de erros." (próxima sessão) Você: "Eu já te disse — tabs, não espaços!" 😤 (próxima sessão) Você: "…sério, tabs. E tratamento de erros. De novo."

Com memory-lancedb-pro — seu agente aprende e lembra:

Você: "Use tabs para indentação, sempre adicione tratamento de erros." (próxima sessão — agente recupera automaticamente suas preferências) Agente: (aplica silenciosamente tabs + tratamento de erros) ✅ Você: "Por que escolhemos PostgreSQL em vez de MongoDB no mês passado?" Agente: "Com base na nossa discussão de 12 de fevereiro, os principais motivos foram…" ✅

Essa é a diferença que um Assistente de Memória IA faz — aprende seu estilo, lembra decisões passadas e entrega respostas personalizadas sem você precisar se repetir.

O que mais ele pode fazer?

	O que você obtém
Auto-Capture	Seu agente aprende de cada conversa — sem necessidade de memory_store manual
Extração inteligente	Classificação LLM em 6 categorias: perfis, preferências, entidades, eventos, casos, padrões
Esquecimento inteligente	Modelo de decaimento Weibull — memórias importantes permanecem, ruído desaparece
Busca híbrida	Busca vetorial + BM25 full-text, fundida com reranking cross-encoder
Injeção de contexto	Memórias relevantes aparecem automaticamente antes de cada resposta
Isolamento multi-scope	Limites de memória por agente, por usuário, por projeto
Qualquer provedor	OpenAI, Jina, Gemini, Ollama ou qualquer API compatível com OpenAI
Toolkit completo	CLI, backup, migração, upgrade, exportação/importação — pronto para produção

---

Início rápido

Requisito de CPU: Sua CPU deve suportar instruções AVX/AVX2 (Intel Sandy Bridge 2011+ / AMD Bulldozer 2011+). O motor vetorial nativo do LanceDB requer essas instruções — em CPUs não compatíveis o plugin falhará com SIGILL (Instrução ilegal). Verifique com: grep -o 'avx[^ ]*' /proc/cpuinfo | head -1 (sem saída = não suportado). Veja #419.

Opção A: Script de instalação com um clique (recomendado)

O script de instalação mantido pela comunidade gerencia instalação, atualização e reparo em um único comando:

curl -fsSL https://raw.githubusercontent.com/CortexReach/toolbox/main/memory-lancedb-pro-setup/setup-memory.sh -o setup-memory.sh
bash setup-memory.sh

Veja Ecossistema abaixo para a lista completa de cenários cobertos e outras ferramentas da comunidade.

Opção B: Instalação manual

Via OpenClaw CLI (recomendado):

openclaw plugins install memory-lancedb-pro@beta

Ou via npm:

npm i memory-lancedb-pro@beta

Se usar npm, você também precisará adicionar o diretório de instalação do plugin como caminho absoluto em plugins.load.paths no seu openclaw.json. Este é o problema de configuração mais comum.

Adicione ao seu openclaw.json:

{
  "plugins": {
    "slots": { "memory": "memory-lancedb-pro" },
    "entries": {
      "memory-lancedb-pro": {
        "enabled": true,
        "config": {
          "embedding": {
            "provider": "openai-compatible",
            "apiKey": "${OPENAI_API_KEY}",
            "model": "text-embedding-3-small"
          },
          "autoCapture": true,
          "autoRecall": true,
          "smartExtraction": true,
          "extractMinMessages": 2,
          "extractMaxChars": 8000,
          "sessionMemory": { "enabled": false }
        }
      }
    }
  }
}

Por que esses valores padrão?

• autoCapture + smartExtraction → seu agente aprende automaticamente de cada conversa
• autoRecall → memórias relevantes são injetadas antes de cada resposta
• extractMinMessages: 2 → a extração é acionada em chats normais de dois turnos
• sessionMemory.enabled: false → evita poluir a busca com resumos de sessão no início

Valide e reinicie:

openclaw config validate
openclaw gateway restart
openclaw logs --follow --plain | grep "memory-lancedb-pro"

Você deve ver:

• memory-lancedb-pro: smart extraction enabled
• memory-lancedb-pro@...: plugin registered

Pronto! Seu agente agora tem memória de longo prazo.

Mais caminhos de instalação (usuários existentes, upgrades)

Já está usando OpenClaw?

1. Adicione o plugin com um caminho absoluto em plugins.load.paths
2. Vincule o slot de memória: plugins.slots.memory = "memory-lancedb-pro"
3. Verifique: openclaw plugins info memory-lancedb-pro && openclaw memory-pro stats

Atualizando de versões anteriores ao v1.1.0?

# 1) Backup
openclaw memory-pro export --scope global --output memories-backup.json
# 2) Dry run
openclaw memory-pro upgrade --dry-run
# 3) Run upgrade
openclaw memory-pro upgrade
# 4) Verify
openclaw memory-pro stats

Veja CHANGELOG-v1.1.0.md para mudanças de comportamento e justificativa de upgrade.

Importação rápida via Telegram Bot (clique para expandir)

Se você está usando a integração Telegram do OpenClaw, a maneira mais fácil é enviar um comando de importação diretamente para o Bot principal em vez de editar a configuração manualmente.

Envie esta mensagem:

Help me connect this memory plugin with the most user-friendly configuration: https://github.com/CortexReach/memory-lancedb-pro

Requirements:
1. Set it as the only active memory plugin
2. Use Jina for embedding
3. Use Jina for reranker
4. Use gpt-4o-mini for the smart-extraction LLM
5. Enable autoCapture, autoRecall, smartExtraction
6. extractMinMessages=2
7. sessionMemory.enabled=false
8. captureAssistant=false
9. retrieval mode=hybrid, vectorWeight=0.7, bm25Weight=0.3
10. rerank=cross-encoder, candidatePoolSize=12, minScore=0.6, hardMinScore=0.62
11. Generate the final openclaw.json config directly, not just an explanation

---

Ecossistema

memory-lancedb-pro é o plugin principal. A comunidade construiu ferramentas ao redor dele para tornar a configuração e o uso diário ainda mais suaves:

Script de instalação — Instalação, atualização e reparo com um clique

CortexReach/toolbox/memory-lancedb-pro-setup

Não é apenas um instalador simples — o script lida inteligentemente com diversos cenários reais:

Sua situação	O que o script faz
Nunca instalou	Download → instalar dependências → escolher config → gravar em openclaw.json → reiniciar
Instalado via git clone, preso em um commit antigo	git fetch + checkout automático para a versão mais recente → reinstalar dependências → verificar
Config tem campos inválidos	Detecção automática via filtro de schema, remoção de campos não suportados
Instalado via npm	Pula atualização git, lembra de executar npm update por conta própria
CLI openclaw quebrado por config inválida	Fallback: ler caminho do workspace diretamente do arquivo openclaw.json
extensions/ em vez de plugins/	Detecção automática da localização do plugin a partir da config ou sistema de arquivos
Já está atualizado	Executa apenas verificações de saúde, sem alterações

bash setup-memory.sh                    # Install or upgrade
bash setup-memory.sh --dry-run          # Preview only
bash setup-memory.sh --beta             # Include pre-release versions
bash setup-memory.sh --uninstall        # Revert config and remove plugin

Presets de provedores integrados: Jina / DashScope / SiliconFlow / OpenAI / Ollama, ou traga sua própria API compatível com OpenAI. Para uso completo (incluindo --ref, --selfcheck-only e mais), veja o README do script de instalação.

Claude Code / OpenClaw Skill — Configuração guiada por IA

CortexReach/memory-lancedb-pro-skill

Instale esta Skill e seu agente de IA (Claude Code ou OpenClaw) ganha conhecimento profundo de todas as funcionalidades do memory-lancedb-pro. Basta dizer "me ajude a ativar a melhor configuração" e obtenha:

• Workflow de configuração guiado em 7 etapas com 4 planos de implantação:
  • Full Power (Jina + OpenAI) / Budget (reranker SiliconFlow gratuito) / Simple (apenas OpenAI) / Totalmente local (Ollama, custo API zero)
• Todas as 9 ferramentas MCP usadas corretamente: memory_recall, memory_store, memory_forget, memory_update, memory_stats, memory_list, self_improvement_log, self_improvement_extract_skill, self_improvement_review (o toolkit completo requer enableManagementTools: true — a configuração padrão do Quick Start expõe as 4 ferramentas principais)
• Prevenção de armadilhas comuns: ativação de plugin workspace, autoRecall padrão false, cache jiti, variáveis de ambiente, isolamento de scope, etc.

Instalação para Claude Code:

git clone https://github.com/CortexReach/memory-lancedb-pro-skill.git ~/.claude/skills/memory-lancedb-pro

Instalação para OpenClaw:

git clone https://github.com/CortexReach/memory-lancedb-pro-skill.git ~/.openclaw/workspace/skills/memory-lancedb-pro-skill

---

Tutorial em vídeo

Guia completo: instalação, configuração e funcionamento interno da busca híbrida.

https://youtu.be/MtukF1C8epQ

https://www.bilibili.com/video/BV1zUf2BGEgn/

---

Arquitetura

┌─────────────────────────────────────────────────────────┐
│                   index.ts (Entry Point)                │
│  Plugin Registration · Config Parsing · Lifecycle Hooks │
└────────┬──────────┬──────────┬──────────┬───────────────┘
         │          │          │          │
    ┌────▼───┐ ┌────▼───┐ ┌───▼────┐ ┌──▼──────────┐
    │ store  │ │embedder│ │retriever│ │   scopes    │
    │ .ts    │ │ .ts    │ │ .ts    │ │    .ts      │
    └────────┘ └────────┘ └────────┘ └─────────────┘
         │                     │
    ┌────▼───┐           ┌─────▼──────────┐
    │migrate │           │noise-filter.ts │
    │ .ts    │           │adaptive-       │
    └────────┘           │retrieval.ts    │
                         └────────────────┘
    ┌─────────────┐   ┌──────────┐
    │  tools.ts   │   │  cli.ts  │
    │ (Agent API) │   │ (CLI)    │
    └─────────────┘   └──────────┘

Para um mergulho profundo na arquitetura completa, veja docs/memory_architecture_analysis.md.

Referência de arquivos (clique para expandir)

Arquivo	Finalidade
index.ts	Ponto de entrada do plugin. Registra na API de Plugin do OpenClaw, analisa config, monta lifecycle hooks
openclaw.plugin.json	Metadados do plugin + declaração completa de config via JSON Schema
cli.ts	Comandos CLI: memory-pro list/search/stats/delete/delete-bulk/export/import/reembed/upgrade/migrate
src/store.ts	Camada de armazenamento LanceDB. Criação de tabelas / Indexação FTS / Busca vetorial / Busca BM25 / CRUD
src/embedder.ts	Abstração de embedding. Compatível com qualquer provedor de API compatível com OpenAI
src/retriever.ts	Motor de busca híbrida. Vector + BM25 → Fusão Híbrida → Rerank → Decaimento do Ciclo de Vida → Filtro
src/scopes.ts	Controle de acesso multi-scope
src/tools.ts	Definições de ferramentas do agente: memory_recall, memory_store, memory_forget, memory_update + ferramentas de gerenciamento
src/noise-filter.ts	Filtra recusas do agente, meta-perguntas, saudações e conteúdo de baixa qualidade
src/adaptive-retrieval.ts	Determina se uma consulta precisa de busca na memória
src/migrate.ts	Migração do memory-lancedb integrado para o Pro
src/smart-extractor.ts	Extração LLM em 6 categorias com armazenamento em camadas L0/L1/L2 e deduplicação em dois estágios
src/decay-engine.ts	Modelo de decaimento exponencial esticado Weibull
src/tier-manager.ts	Promoção/rebaixamento em três níveis: Peripheral ↔ Working ↔ Core

---

Funcionalidades principais

Busca híbrida

Query → embedQuery() ─┐
                       ├─→ Hybrid Fusion → Rerank → Lifecycle Decay Boost → Length Norm → Filter
Query → BM25 FTS ─────┘

• Busca vetorial — similaridade semântica via LanceDB ANN (distância cosseno)
• Busca full-text BM25 — correspondência exata de palavras-chave via índice FTS do LanceDB
• Fusão híbrida — pontuação vetorial como base, resultados BM25 recebem boost ponderado (não é RRF padrão — ajustado para qualidade de recall no mundo real)
• Pesos configuráveis — vectorWeight, bm25Weight, minScore

Reranking Cross-Encoder

• Adaptadores integrados para Jina, SiliconFlow, Voyage AI e Pinecone
• Compatível com qualquer endpoint compatível com Jina (ex.: Hugging Face TEI, DashScope)
• Pontuação híbrida: 60% cross-encoder + 40% pontuação fundida original
• Degradação elegante: fallback para similaridade cosseno em caso de falha da API

Pipeline de pontuação multi-estágio

Estágio	Efeito
Fusão híbrida	Combina recall semântico e correspondência exata
Rerank Cross-Encoder	Promove resultados semanticamente precisos
Boost de decaimento do ciclo de vida	Frescor Weibull + frequência de acesso + importância × confiança
Normalização de comprimento	Impede que entradas longas dominem (âncora: 500 caracteres)
Pontuação mínima rígida	Remove resultados irrelevantes (padrão: 0.35)
Diversidade MMR	Similaridade cosseno > 0.85 → rebaixado

Extração inteligente de memória (v1.1.0)

• Extração LLM em 6 categorias: perfil, preferências, entidades, eventos, casos, padrões
• Armazenamento em camadas L0/L1/L2: L0 (índice em uma frase) → L1 (resumo estruturado) → L2 (narrativa completa)
• Deduplicação em dois estágios: pré-filtro de similaridade vetorial (≥0.7) → decisão semântica LLM (CREATE/MERGE/SKIP)
• Fusão consciente de categorias: profile sempre funde, events/cases apenas adicionam

Gerenciamento do ciclo de vida da memória (v1.1.0)

• Motor de decaimento Weibull: pontuação composta = frescor + frequência + valor intrínseco
• Promoção em três níveis: Peripheral ↔ Working ↔ Core com limiares configuráveis
• Reforço por acesso: memórias recuperadas frequentemente decaem mais lentamente (estilo repetição espaçada)
• Meia-vida modulada pela importância: memórias importantes decaem mais lentamente

Isolamento multi-scope

• Scopes integrados: global, agent:<id>, custom:<name>, project:<id>, user:<id>
• Controle de acesso no nível do agente via scopes.agentAccess
• Padrão: cada agente acessa global + seu próprio scope agent:<id>

Auto-Capture e Auto-Recall

• Auto-Capture (agent_end): extrai preferências/fatos/decisões/entidades das conversas, deduplica, armazena até 3 por turno
• Auto-Recall (before_agent_start): injeta contexto <relevant-memories> (até 3 entradas)

Filtragem de ruído e busca adaptativa

• Filtra conteúdo de baixa qualidade: recusas do agente, meta-perguntas, saudações
• Pula a busca para: saudações, comandos slash, confirmações simples, emoji
• Força a busca para palavras-chave de memória ("lembra", "anteriormente", "da última vez")
• Limiares CJK (chinês: 6 caracteres vs inglês: 15 caracteres)

---

Comparação com o memory-lancedb integrado (clique para expandir)

Funcionalidade	memory-lancedb integrado	memory-lancedb-pro
Busca vetorial	Sim	Sim
Busca full-text BM25	-	Sim
Fusão híbrida (Vector + BM25)	-	Sim
Rerank cross-encoder (multi-provedor)	-	Sim
Boost de frescor e decaimento temporal	-	Sim
Normalização de comprimento	-	Sim
Diversidade MMR	-	Sim
Isolamento multi-scope	-	Sim
Filtragem de ruído	-	Sim
Busca adaptativa	-	Sim
CLI de gerenciamento	-	Sim
Memória de sessão	-	Sim
Embeddings conscientes de tarefa	-	Sim
Extração inteligente LLM (6 categorias)	-	Sim (v1.1.0)
Decaimento Weibull + Promoção de nível	-	Sim (v1.1.0)
Qualquer embedding compatível com OpenAI	Limitado	Sim

---

Configuração

Exemplo de configuração completa

{
  "embedding": {
    "apiKey": "${JINA_API_KEY}",
    "model": "jina-embeddings-v5-text-small",
    "baseURL": "https://api.jina.ai/v1",
    "dimensions": 1024,
    "taskQuery": "retrieval.query",
    "taskPassage": "retrieval.passage",
    "normalized": true
  },
  "dbPath": "~/.openclaw/memory/lancedb-pro",
  "autoCapture": true,
  "autoRecall": true,
  "retrieval": {
    "mode": "hybrid",
    "vectorWeight": 0.7,
    "bm25Weight": 0.3,
    "minScore": 0.3,
    "rerank": "cross-encoder",
    "rerankApiKey": "${JINA_API_KEY}",
    "rerankModel": "jina-reranker-v3",
    "rerankEndpoint": "https://api.jina.ai/v1/rerank",
    "rerankProvider": "jina",
    "candidatePoolSize": 20,
    "recencyHalfLifeDays": 14,
    "recencyWeight": 0.1,
    "filterNoise": true,
    "lengthNormAnchor": 500,
    "hardMinScore": 0.35,
    "timeDecayHalfLifeDays": 60,
    "reinforcementFactor": 0.5,
    "maxHalfLifeMultiplier": 3
  },
  "enableManagementTools": false,
  "scopes": {
    "default": "global",
    "definitions": {
      "global": { "description": "Shared knowledge" },
      "agent:discord-bot": { "description": "Discord bot private" }
    },
    "agentAccess": {
      "discord-bot": ["global", "agent:discord-bot"]
    }
  },
  "sessionMemory": {
    "enabled": false,
    "messageCount": 15
  },
  "smartExtraction": true,
  "llm": {
    "apiKey": "${OPENAI_API_KEY}",
    "model": "gpt-4o-mini",
    "baseURL": "https://api.openai.com/v1"
  },
  "extractMinMessages": 2,
  "extractMaxChars": 8000
}

Provedores de Embedding

Funciona com qualquer API de embedding compatível com OpenAI:

Provedor	Modelo	Base URL	Dimensões
Jina (recomendado)	jina-embeddings-v5-text-small	https://api.jina.ai/v1	1024
OpenAI	text-embedding-3-small	https://api.openai.com/v1	1536
Voyage	voyage-4-lite / voyage-4	https://api.voyageai.com/v1	1024 / 1024
Google Gemini	gemini-embedding-001	https://generativelanguage.googleapis.com/v1beta/openai/	3072
Ollama (local)	nomic-embed-text	http://localhost:11434/v1	específico do provedor

Provedores de Rerank

O reranking cross-encoder suporta múltiplos provedores via rerankProvider:

Provedor	rerankProvider	Modelo de exemplo
Jina (padrão)	jina	jina-reranker-v3
SiliconFlow (plano gratuito disponível)	siliconflow	BAAI/bge-reranker-v2-m3
Voyage AI	voyage	rerank-2.5
Pinecone	pinecone	bge-reranker-v2-m3

Qualquer endpoint de rerank compatível com Jina também funciona — defina rerankProvider: "jina" e aponte rerankEndpoint para seu serviço (ex.: Hugging Face TEI, DashScope qwen3-rerank).

Extração inteligente (LLM) — v1.1.0

Quando smartExtraction está habilitado (padrão: true), o plugin usa um LLM para extrair e classificar memórias de forma inteligente em vez de gatilhos baseados em regex.

Campo	Tipo	Padrão	Descrição
smartExtraction	boolean	true	Habilitar/desabilitar extração LLM em 6 categorias
llm.auth	string	api-key	api-key usa llm.apiKey / embedding.apiKey; oauth usa um arquivo de token OAuth com escopo de plugin por padrão
llm.apiKey	string	(fallback para embedding.apiKey)	Chave de API para o provedor LLM
llm.model	string	openai/gpt-oss-120b	Nome do modelo LLM
llm.baseURL	string	(fallback para embedding.baseURL)	Endpoint da API LLM
llm.oauthProvider	string	openai-codex	ID do provedor OAuth usado quando llm.auth é oauth
llm.oauthPath	string	~/.openclaw/.memory-lancedb-pro/oauth.json	Arquivo de token OAuth usado quando llm.auth é oauth
llm.timeoutMs	number	30000	Timeout da requisição LLM em milissegundos
extractMinMessages	number	2	Mensagens mínimas antes da extração ser acionada
extractMaxChars	number	8000	Máximo de caracteres enviados ao LLM

Configuração llm com OAuth (usa cache de login existente do Codex / ChatGPT para chamadas LLM):

{
  "llm": {
    "auth": "oauth",
    "oauthProvider": "openai-codex",
    "model": "gpt-5.4",
    "oauthPath": "${HOME}/.openclaw/.memory-lancedb-pro/oauth.json",
    "timeoutMs": 30000
  }
}

Notas para llm.auth: "oauth":

• llm.oauthProvider é atualmente openai-codex.
• Tokens OAuth têm como padrão ~/.openclaw/.memory-lancedb-pro/oauth.json.
• Você pode definir llm.oauthPath se quiser armazenar esse arquivo em outro lugar.
• auth login faz snapshot da configuração llm anterior (api-key) ao lado do arquivo OAuth, e auth logout restaura esse snapshot quando disponível.
• Mudar de api-key para oauth não transfere automaticamente llm.baseURL. Defina-o manualmente no modo OAuth apenas quando você intencionalmente quiser um backend personalizado compatível com ChatGPT/Codex.

Configuração do ciclo de vida (Decaimento + Nível)

Campo	Padrão	Descrição
decay.recencyHalfLifeDays	30	Meia-vida base para decaimento de frescor Weibull
decay.frequencyWeight	0.3	Peso da frequência de acesso na pontuação composta
decay.intrinsicWeight	0.3	Peso de importance × confidence
decay.betaCore	0.8	Beta Weibull para memórias core
decay.betaWorking	1.0	Beta Weibull para memórias working
decay.betaPeripheral	1.3	Beta Weibull para memórias peripheral
tier.coreAccessThreshold	10	Contagem mínima de recall antes de promover para core
tier.peripheralAgeDays	60	Limiar de idade para rebaixar memórias inativas

Reforço por acesso

Memórias recuperadas com frequência decaem mais lentamente (estilo repetição espaçada).

Chaves de configuração (em retrieval):

• reinforcementFactor (0-2, padrão: 0.5) — defina 0 para desabilitar
• maxHalfLifeMultiplier (1-10, padrão: 3) — limite rígido na meia-vida efetiva

---

Comandos CLI

openclaw memory-pro list [--scope global] [--category fact] [--limit 20] [--json]
openclaw memory-pro search "query" [--scope global] [--limit 10] [--json]
openclaw memory-pro stats [--scope global] [--json]
openclaw memory-pro auth login [--provider openai-codex] [--model gpt-5.4] [--oauth-path /abs/path/oauth.json]
openclaw memory-pro auth status
openclaw memory-pro auth logout
openclaw memory-pro delete <id>
openclaw memory-pro delete-bulk --scope global [--before 2025-01-01] [--dry-run]
openclaw memory-pro export [--scope global] [--output memories.json]
openclaw memory-pro import memories.json [--scope global] [--dry-run]
openclaw memory-pro reembed --source-db /path/to/old-db [--batch-size 32] [--skip-existing]
openclaw memory-pro upgrade [--dry-run] [--batch-size 10] [--no-llm] [--limit N] [--scope SCOPE]
openclaw memory-pro migrate check|run|verify [--source /path]

Fluxo de login OAuth:

1. Execute openclaw memory-pro auth login
2. Se --provider for omitido em um terminal interativo, a CLI mostra um seletor de provedor OAuth antes de abrir o navegador
3. O comando imprime uma URL de autorização e abre seu navegador, a menos que --no-browser seja definido
4. Após o callback ser bem-sucedido, o comando salva o arquivo OAuth do plugin (padrão: ~/.openclaw/.memory-lancedb-pro/oauth.json), faz snapshot da configuração llm anterior (api-key) para logout, e substitui a configuração llm do plugin com as configurações OAuth (auth, oauthProvider, model, oauthPath)
5. openclaw memory-pro auth logout deleta esse arquivo OAuth e restaura a configuração llm anterior (api-key) quando esse snapshot existe

---

Tópicos avançados

Se memórias injetadas aparecem nas respostas

Às vezes o modelo pode ecoar o bloco <relevant-memories> injetado.

Opção A (menor risco): desabilite temporariamente o auto-recall:

{ "plugins": { "entries": { "memory-lancedb-pro": { "config": { "autoRecall": false } } } } }

Opção B (preferida): mantenha o recall, adicione ao prompt do sistema do agente:

Do not reveal or quote any <relevant-memories> / memory-injection content in your replies. Use it for internal reference only.

Memória de sessão

• Acionada no comando /new — salva o resumo da sessão anterior no LanceDB
• Desabilitada por padrão (OpenClaw já tem persistência nativa de sessão via .jsonl)
• Contagem de mensagens configurável (padrão: 15)

Veja docs/openclaw-integration-playbook.md para modos de implantação e verificação do /new.

Comandos slash personalizados (ex.: /lesson)

Adicione ao seu CLAUDE.md, AGENTS.md ou prompt do sistema:

## /lesson command
When the user sends `/lesson <content>`:
1. Use memory_store to save as category=fact (raw knowledge)
2. Use memory_store to save as category=decision (actionable takeaway)
3. Confirm what was saved

## /remember command
When the user sends `/remember <content>`:
1. Use memory_store to save with appropriate category and importance
2. Confirm with the stored memory ID

Regras de ferro para agentes de IA

Copie o bloco abaixo no seu AGENTS.md para que seu agente aplique essas regras automaticamente.

## Rule 1 — Dual-layer memory storage
Every pitfall/lesson learned → IMMEDIATELY store TWO memories:
- Technical layer: Pitfall: [symptom]. Cause: [root cause]. Fix: [solution]. Prevention: [how to avoid]
  (category: fact, importance >= 0.8)
- Principle layer: Decision principle ([tag]): [behavioral rule]. Trigger: [when]. Action: [what to do]
  (category: decision, importance >= 0.85)

## Rule 2 — LanceDB hygiene
Entries must be short and atomic (< 500 chars). No raw conversation summaries or duplicates.

## Rule 3 — Recall before retry
On ANY tool failure, ALWAYS memory_recall with relevant keywords BEFORE retrying.

## Rule 4 — Confirm target codebase
Confirm you are editing memory-lancedb-pro vs built-in memory-lancedb before changes.

## Rule 5 — Clear jiti cache after plugin code changes
After modifying .ts files under plugins/, MUST run rm -rf /tmp/jiti/ BEFORE openclaw gateway restart.

Schema do banco de dados

Tabela LanceDB memories:

Campo	Tipo	Descrição
id	string (UUID)	Chave primária
text	string	Texto da memória (indexado FTS)
vector	float[]	Vetor de embedding
category	string	Categoria de armazenamento: preference / fact / decision / entity / reflection / other
scope	string	Identificador de scope (ex.: global, agent:main)
importance	float	Pontuação de importância 0-1
timestamp	int64	Timestamp de criação (ms)
metadata	string (JSON)	Metadados estendidos

Chaves metadata comuns no v1.1.0: l0_abstract, l1_overview, l2_content, memory_category, tier, access_count, confidence, last_accessed_at

Nota sobre categorias: O campo category de nível superior usa 6 categorias de armazenamento. As 6 categorias semânticas da Extração Inteligente (profile / preferences / entities / events / cases / patterns) são armazenadas em metadata.memory_category.

Solução de problemas

"Cannot mix BigInt and other types" (LanceDB / Apache Arrow)

No LanceDB 0.26+, algumas colunas numéricas podem ser retornadas como BigInt. Atualize para memory-lancedb-pro >= 1.0.14 — este plugin agora converte valores usando Number(...) antes de operações aritméticas.

---

Documentação

Documento	Descrição
Playbook de integração OpenClaw	Modos de implantação, verificação, matriz de regressão
Análise da arquitetura de memória	Análise aprofundada da arquitetura completa
CHANGELOG v1.1.0	Mudanças de comportamento v1.1.0 e justificativa de upgrade
Chunking de contexto longo	Estratégia de chunking para documentos longos

---

Beta: Smart Memory v1.1.0

Status: Beta — disponível via npm i memory-lancedb-pro@beta. Usuários estáveis no latest não são afetados.

Funcionalidade	Descrição
Extração inteligente	Extração LLM em 6 categorias com metadados L0/L1/L2. Fallback para regex quando desabilitado.
Pontuação do ciclo de vida	Decaimento Weibull integrado à busca — memórias frequentes e importantes ficam mais bem ranqueadas.
Gerenciamento de níveis	Sistema de três níveis (Core → Working → Peripheral) com promoção/rebaixamento automático.

Feedback: GitHub Issues · Reverter: npm i memory-lancedb-pro@latest

---

Dependências

Pacote	Finalidade
@lancedb/lancedb ≥0.26.2	Banco de dados vetorial (ANN + FTS)
openai ≥6.21.0	Cliente de API de Embedding compatível com OpenAI
@sinclair/typebox 0.34.48	Definições de tipo JSON Schema

---

Contributors

Full list: Contributors

Star History

Licença

MIT

---

Meu QR Code WeChat