Mem0 Bridge

mem0-bridge — 长期记忆桥接

Mem0 Qdrant 向量记忆的读/写桥接器，WebChat、QQBot、TelegramBot 共用。

架构

• 存储: Qdrant (skills/sakura/data/memory/qdrant/)，四角色通过 user_id 隔离
• 嵌入: local embedding server (port 9999)，all-MiniLM-L6-v2，384 维
• 读: 向量搜索 → 返回相关记忆，可注入 system prompt
• 写: 关键词提取 + 向量化 → 写入 Qdrant
• 同步: 可选，导出 Qdrant → markdown 供 OpenClaw memory_search 索引

深度联动（每轮自动）

mem0_behavior_integration.py 每轮对话自动执行：行为引擎状态 → 状态驱动的 mem0 搜索 → 分级注入 LLM context。

详见 mem0-bridge/INTEGRATION_SKILL.md。

使用

⚠️ 模块唯一位置：skills/shared/mem0_bridge.py（mem0-bridge 目录内不再有副本）。 导入前把 workspace 根加入 sys.path，或直接把 skills/shared 加入 sys.path。

搜索记忆（每轮对话注入）

from skills.shared.mem0_bridge import search_mem0_qdrant, CHARACTERS
results = search_mem0_qdrant("natsume", "今天心情怎么样", limit=5)
# returns [{"id": ..., "memory": "...", "score": 0.85, "metadata": {...}}]

写入记忆

from skills.shared.mem0_bridge import add_memory
add_memory("natsume", "用户偏好: 喜欢被叫'笨蛋'")

列出所有记忆

from skills.shared.mem0_bridge import list_mem0
all_memories = list_mem0("natsume", limit=50)

daemon 集成（自动搜索+写入）

# 搜索上下文
context = _mem0_search_context(character_id, query, limit=5)
# 写入
facts = _extract_facts_from_messages(recent_messages)
for f in facts: add_memory(character_id, f)

角色配置

依赖

• Qdrant SDK (pip install qdrant-client)
• Embedding server running on port 9999