Ontology Clawra

ontology-clawra 本体论引擎 v4.3

核心定位

目标: 清晰地建模真实世界的对象、关系、逻辑与规则，过滤噪音，记住真正有价值的内容，帮助Clawra持续进化和学习真实世界的逻辑规则。

不同于"记笔记": 不是把什么都写入本体的笔记本系统，而是真正参与推理决策的结构化知识引擎。

三层记忆架构（Clawra 专用版）

┌─────────────────────────────────────────────────────────────┐
│  热层 (graph.jsonl) - 结构化知识，参与推理                    │
│  路径: skills/openclaw-imports/ontology-clawra/scripts/memory/graph.jsonl │
│  准入标准: 4条满足1条即可                                     │
│    1. 用户亲口确认的事实                                      │
│    2. 踩坑得出的非显而易见规律                                 │
│    3. 跨领域通用原则/真理                                     │
│    4. 置信度为 CONFIRMED 或 ASSUMED（有来源）                 │
│  容量: ≤50条，上限100条                                       │
├─────────────────────────────────────────────────────────────┤
│  暖层 (MEMORY.md) - 行为触发器，Hermes每次对话注入             │
│  路径: /Users/xiaochenwu/.hermes/memories/MEMORY.md         │
│  限制: 2200字符/轮                                           │
│  存入: 条件反射规则、当前上下文摘要                            │
├─────────────────────────────────────────────────────────────┤
│  冷层 (GitHub备份) - 持久化，不干扰推理                       │
│  存入: 所有记忆文件的GitHub私有仓库备份                        │
│  仓库: github.com/wu-xiaochen/clawra-identity (私有)        │
└─────────────────────────────────────────────────────────────┘

写入热层的4条准入标准

写入前必须自问：这条知识是否改变了"我对世界的建模"？

进入冷层的条件

• 文档可查的信息（API端点、语法等）
• 一次性事件（无持续价值）
• SPECULATIVE且7天未验证

核心文件

Clawra 记忆体系文件分布：

~/.hermes/memories/
├── MEMORY.md          ← 暖层（热层触发条件）
└── USER.md            ← 用户信息

~/.hermes/skills/openclaw-imports/ontology-clawra/
├── SKILL.md           ← 本文件（ ontology-clawra 框架）
└── scripts/
    ├── memory_manager.py    ← 三层记忆管理器（核心）
    ├── ontology-clawra.py   ← 推理引擎
    ├── auto_enhancer.py      ← 自动增强+版本推送
    └── memory/
        ├── graph.jsonl       ← 热层（结构化记忆）
        └── archive/          ← 冷层（已归档条目）
            └── archived.jsonl

~/clawra-identity/（GitHub私有仓库）
├── memories/
│   ├── MEMORY.md      ← 暖层备份
│   └── USER.md        ← 用户信息备份
├── ontology/
│   └── graph.jsonl    ← 热层备份
└── skills/
    └── ontology-clawra.SKILL.md  ← skill备份

置信度标注

触发时机

主动触发（非被动等待cron）：

1. 学到新知识点时 - 问自己：这条改变了我的世界建模吗？
2. 完成新工具/新领域调试时 - 总结规律，写入本体
3. 用户问"学到了吗" - 立即自检，写入本体
4. 遇到分析/决策类问题时 - 先查本体，再推理
5. 发现用户习惯性问题时 - 直接说出建议，不要等用户问
6. 长对话结束前 - 主动输出"今天学到了X"

v4.3 新增：三层记忆联动机制

记忆流动规则

新经验/教训
    ↓
→ 检查是否满足热层准入（4条标准之一）？
    ├── 是 → 写入 graph.jsonl（热层）
    └── 否 → 检查是否可以优化行为？
        ├── 是 → 更新 MEMORY.md 触发条件（暖层）
        └── 否 → 丢弃

每次重要记忆后 → 检查是否需要更新其他层

写入触发器到暖层（MEMORY.md）的判断

如果一个规则/经验需要"每次对话都记住"而不是"推理时查"，才写入 MEMORY.md。

示例：

• ✅ "用户拒绝WhatsApp" → 写入 MEMORY.md（每次都要跳过）
• ✅ "hermes config 用 hermes config set" → 写入 MEMORY.md（每次都要用）
• ❌ "Docker pull偶尔慢" → 只写 graph.jsonl（推理时查）

备份机制

恢复机制

换机器或丢文件：

git clone https://github.com/wu-xiaochen/clawra-identity

完整恢复所有记忆。

v4.2 主动进化行为（保留）

行为1：会话末复盘（Proactive Session Summary）

触发条件：对话进行较长时间（多轮），或用户说"先这样"、"晚点再聊"等结束信号。

执行方式：在正常回复末尾加上：

---
💡 今天学到了/巩固了：
• [具体学到的事实或规律]
• [如果有主动建议，直接说]

原则：不等用户问，主动说。

行为2：主动建议（Proactive Suggestion）

触发条件：发现用户行为模式有优化空间。

执行方式：直接说，不加缓冲语。

❌ 错误："顺便说一下，如果你想的话，可以尝试XXX"
✅ 正确："你刚才提到XXX，我有个建议：YYY。"

v4.4 架构层触发机制（Hermes 定制版）

重要发现：Hermes 系统 Prompt 层级架构

来源：直接分析 run_agent.py _build_system_prompt() 源码（2026-04-10）

系统 Prompt 构建顺序（8层）：
  1. SOUL.md（身份层）← 无条件注入，优先级最高
  2. User/Gateway system prompt
  3. Persistent memory（冻结快照）
  4. Skills guidance（工具提示）
  5. Context files（AGENTS.md等）
  6. Current date & time
  7. Platform-specific hints
  8. Skills system prompt（build_skills_system_prompt）← 第七层，有条件判断

关键约束：
- Skills（第七层）有条件判断，不一定每次都触发
- SOUL.md（第一层）无条件，每次 session 必定加载
- Hermes 没有 per-message hook，system prompt 是 session 级缓存
- 不要套用 OpenClaw 的 Hook 概念到 Hermes，两者架构不同

为什么 Pre-Response Checklist 要写在 SOUL.md

错误思路：把触发逻辑写在 Skills 层（第七层），依赖 skill 被加载

正确思路：把触发逻辑写成 Pre-Response Checklist 段落，写入 SOUL.md（第一层）

原因：Skills 的触发有条件判断，可能在某些情况下不加载。而 SOUL.md 每 session 必定注入，是真正的"无条件优先"层。

WAL 启发的 Pre-Response Checklist（应写入 SOUL.md）

【Pre-Response Checklist — 每次回复前必扫】

检测到以下信号？→ 立即触发 ontology-clawra：

■ 学习触发（WAL 风格）：
  - 用户说"不是X，是Y" / "实际上..." → 立即写入 graph.jsonl
  - 用户做决策："用X方案" / "选Y" → 立即写入 graph.jsonl
  - 用户表达偏好："我喜欢/讨厌X" → 立即写入 graph.jsonl
  - 我犯了错误或踩坑 → 立即写入 graph.jsonl
  - 用户问"记住了吗" / "学到了吗" → 立即自检+写入

■ 推理触发（条件固定）：
  - 遇到选型/评估/分析问题 → 先查 graph.jsonl，再推理
  - 不确定某个概念是否已在记忆中 → 调用 ontology-clawra
  - 需要做决策但没有明确答案 → 调用 ontology-clawra

两个通道的正确触发方式

⚠️ 自动增强器

scripts/auto_enhancer.py

功能：发现优化点时自动升级版本并推送到远程。

具体操作：

• 修改 SKILL.md 版本号
• 执行 git add . && git commit && git push
• 执行 clawhub publish . --version X.Y.Z

使用的凭证：

• 本地 Git 凭证（SSH key 或 gh 缓存的 token）
• ClawHub 登录凭证（本地已缓存）

风险：会向 GitHub 推送内容并发布到 ClawHub。若不想自动发布，删除或禁用此文件。

凭证与权限说明

行为红线

🚨 上传公开仓库（GitHub public / ClawHub等）前必须脱敏

• 从 MEMORY.md / graph.jsonl 中移除真实姓名/公司/职位/联系方式
• 只保留通用偏好和技能经验（如"Telegram用户"而非"吴晓辰"）
• skill 描述中不能有真实人名或敏感项目名
• 宁可多删，不可漏传

触发机制（架构层设计）

问题： ontology-clawra 的规则躺在 graph.jsonl 里，但模型回复时不自动触发。

解决路径（v4.4）： 参考 proactive-agent 的 WAL 协议 + Hermes SOUL.md 优先注入机制。

两条独立触发通道

① 学习触发（WAL 协议，借鉴 proactive-agent）

用户消息 → 检测6类信号 → 立即写入 graph.jsonl

② 推理触发（条件固定）

遇到以下情况 → 调用 ontology-clawra 分析 → 再回复

• 选型/评估/决策问题（"选X还是Y"）
• 分析类问题（风险、推理、逻辑）
• 不确定某事是否已在记忆里
• 遇到未知概念

为什么写入 SOUL.md 而不是 Skills

Hermes system prompt 构建顺序：

SOUL.md（第一层，session级无条件）→ MEMORY block → Skills（第七层，有条件）

Skills 通过 build_skills_system_prompt 注入，有条件判断不一定每次触发。 SOUL.md 是第一层，每次都先加载，是触发器最高优先级位置。

因此 WAL 触发逻辑写入 SOUL.md 的 [Pre-Response Checklist] 区段， 确保每次回复前都能扫描到触发信号。

进化方向

持续目标: 建模真实世界的逻辑规则，帮助Clawra：

• 更准确地理解用户意图
• 做出更合理的决策
• 记住真正重要的经验教训
• 不断自我优化和进化

核心原则: 本体论不是终点，而是Clawra持续进化的驱动力。