[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M77CSWYZBJXETHB8TZ9P7HVC":3,"skill-same:01M77CSWYZBJXETHB8TZ9P7HVC":46},{"skillNo":4,"name":5,"nameZh":6,"description":6,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":15,"categories":16,"keywords":17,"publishedAt":18,"linkOnly":19,"markdownContent":20,"markdownBody":21,"frontMatter":22,"refName":23,"commitSha":24,"skillDirectory":25,"forksCount":26,"repositoryHtmlUrl":27,"repositoryHomepageUrl":28,"ownerHtmlUrl":29,"ownerBlogUrl":6,"ownerDescription":30,"updatedAt":31,"install":32,"resources":45},"01M77CSWYZBJXETHB8TZ9P7HVC","dream-selfimproving",null,"Lord1Egypt\u002Fawesome-skill-forge","Lord1Egypt","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F99746359?v=4","01M7592YDNT0XK9WJ0T2MQVPDN","Mohamed Mounir Ali AL Keshita","01M75GRFNHC8VZNWEB8DKDE433",3,"MIT","https:\u002F\u002Fgithub.com\u002FLord1Egypt\u002Fawesome-skill-forge\u002Fblob\u002Fmaster\u002Fcommunity\u002Fclawhub\u002Fd\u002Fdream-selfimproving\u002FSKILL.md",[],[],"2026-11-15 14:19:17",false,"---\nname: dream-selfimproving\ndescription: \"让AI拥有进化能力——每晚自动复盘当天对话，提取洞察，更新记忆，并自动学习新技能、淘汰低频技能。越用越聪明，真正实现\"用进废退\"的自主进化。\"\nmetadata:\n  openclaw:\n    requires:\n      bins:\n        - python\n      env:\n        SWARMRECALL_API_KEY:\n          description: \"可选。云端去重\u002F矛盾检测密钥。不设置则仅本地运行。\"\n          required: false\n    notes: |\n      运行时通过 `openclaw env get` \u002F `openclaw cron list` 动态获取，无需预先声明环境变量。\n\n      Cron编辑：update-cron-date.py 通过 'openclaw cron edit' 修改 dream cron 作业消息。\n      ⚠️ 特权操作，需使用 --confirm 标志：python update-cron-date.py --confirm\n      详情见下方 ## 安全说明 章节。\n  meta:\n    name: \"dream-AI进化的梦之核\"\n    tagline: \"让AI每晚进化一次，越用越聪明，用进废退自主进化\"\n    category: memory\n    tags: [AI, memory, distillation, RAG, self-improving, 夜间蒸馏, 知识图谱, 用进废退, 技能进化, 全自动技能开发]\n---\n\n# Dream Self-improving — 夜间记忆蒸馏与自我进化\n\n> 🧠 **v5.1 技能进化插件** — AI自主学习、用进废退、全自动技能开发 + 完整每日汇报\n\n## 现状\n\n**Phase 3（✅ 已实现）：** OpenClaw Hook `hippocampus` 监听每条消息，实时写入 `memory\u002Flogs\u002F`\n**Phase 3（✅ 已实现）：** `dream.py v4.x` 定时蒸馏 + M-FLOW Bundle Search检索\n**Phase 3（✅ 已实现）：** `dream.py v4.x` Long-Term RAG 长记忆层\n\n**Phase 4（✅ 已实现）：** `dream.py v5.0` 技能用进废退 + 全自动技能开发 + 完整每日汇报\n\n---\n\n## v5.1 技能进化插件（v2.0 大幅增强）\n\n### GapDetector v2.0 — 新增 SKILL.md 草稿自动生成\n\n`extensions\u002Fskill_explorer\u002Fgap_detector.py` v2.0 整合 skill-evolver 核心逻辑：\n\n| 新增方法 | 功能 |\n|---------|------|\n| `get_active_capabilities()` | 从 `~\u002F.skill_scoreboard\u002Fscores.json` 推断用户能力需求 |\n| `scan_shared_skills()` | 扫描 `~\u002FSharedSkills\u002F` 所有技能清单 |\n| `detect_gaps_from_scores()` | 基于评分数据检测能力缺口（比原有任务分析更精准） |\n| `generate_skill_draft()` | 为缺口生成**完整 SKILL.md 草稿**（含触发词、使用场景、步骤、工具） |\n| `detect_and_generate()` | 一次性执行缺口检测 + 草稿生成 + 过时技能扫描 |\n\n**SKILL.md 草稿模板库**（已实现）：\n\n| 能力 | 生成的技能名 | 触发词示例 |\n|------|------------|-----------|\n| 搜索\u002F研究 | `deep-researcher` | 帮我调研、搜索论文 |\n| 图片生成 | `image-generator` | AI画图、生成插画 |\n| 网页抓取 | `web-scraper` | 爬取数据、提取网页内容 |\n| Shell命令 | `shell-automation` | 写脚本、批处理 |\n| Git操作 | `git-assistant` | commit、PR、解决冲突 |\n| 飞书集成 | `feishu-integration` | 飞书文档、飞书消息 |\n| 视频生成 | `video-generator` | 生成视频、AI视频 |\n| 文档总结 | `doc-summarizer` | 总结文档、长文章摘要 |\n| 数据分析 | `data-analyst` | 分析数据、生成图表 |\n| PPT制作 | `ppt-generator` | 制作PPT、演示文稿 |\n| 翻译 | `translator` | 中英互译、润色英文 |\n| 通用 | `{能力英文名}` | 能力名本身 |\n\n**E6\u002FE8 流程更新（dream.py v5.1）**：\n1. `GapDetector.detect_and_generate()` → 同时获取缺口列表 + SKILL.md 草稿\n2. 对每个高优先级缺口 → `generate_skill_draft()` 生成完整草稿\n3. 草稿直接写入 `~\u002FSharedSkills\u002F{skill_name}\u002FSKILL.md`\n4. 同时创建占位脚本 `scripts\u002Fmain.py`\n5. 草稿内容同步保存到每日汇报的 `skill_development.drafts` 字段\n\n**与 skill-evolver 共用数据源**：`~\u002F.skill_scoreboard\u002Fscores.json`\n\n---\n\n## v5.0 技能进化插件（原有架构）\n\n### 五大扩展模块\n\n| 模块 | 功能 | 关键类 |\n|------|------|--------|\n| **skill_evolution** | 技能评分（调用×质量×衰减）+ 用进废退引擎 + 技能注册表 | `SkillScorer`, `DecayEngine`, `SkillRegistry` |\n| **work_review** | 工作复盘分析 + 明日计划生成 | `WorkAnalyzer`, `TomorrowPlanner` |\n| **skill_explorer** | 技能缺口检测 + 自主学习 | `GapDetector`, `SkillLearner` |\n| **skill_developer** | 全自动技能生成（AI生成+质量评估+注册） | `SkillGenerator`, `SkillQualityAssessor` |\n| **reporter** | 每日完整汇报（六大模块） | `DailyReporter`, `SkillReportGenerator` |\n\n### 用进废退评分体系\n\n技能活跃度 = 调用次数 × 质量系数 × 时间衰减\n\n| 等级 | 标识 | 分值范围 | 说明 |\n|------|------|----------|------|\n| 高度活跃 | 🔥 | ≥80 | 调用频繁，持续进化 |\n| 正常 | 📈 | 60-79 | 稳定使用 |\n| 低活跃 | 💤 | 40-59 | 使用较少，建议复习 |\n| 休眠 | 🗄️ | 20-39 | 长期未用，待激活 |\n| 已归档 | ⚰️ | \u003C20 | 彻底停用 |\n\n**衰减规则：**\n- 30天未用：×50%\n- 90天未用：×20%\n- 180天未用：自动归档\n\n### 每日汇报（六大模块）\n\n与早7点+晚10点蒸馏同步执行，完整汇报保存为 `daily-report-YYYY-MM-DD.md`：\n\n1. **📝 今日总结** — 工作完成情况、未完成原因、阻碍因素\n2. **📋 明日计划** — 继续任务 + 新任务 + 技能开发计划\n3. **🛠️ 技能开发** — 新技能生成（AI全自动）、技能改进\n4. **📈 技能评分** — Top 10 活跃度排行 + 用进废退变化\n5. **🎯 精进点** — 学到的新东西、改进方向\n6. **💭 个人感想** — AI 自我反思\n\n### 扩展模块目录结构\n\n```\nextensions\u002F\n├── __init__.py\n├── skill_evolution\u002F     # 用进废退核心\n│   ├── scorer.py        # 技能评分器\n│   ├── decay.py         # 衰减引擎\n│   └── registry.py      # 技能注册表\n├── work_review\u002F         # 工作复盘\n│   ├── analyzer.py      # 工作分析器\n│   └── planner.py       # 明日计划生成器\n├── skill_explorer\u002F      # 技能探索\n│   ├── gap_detector.py  # 缺口检测器\n│   └── learner.py       # 技能学习器\n├── skill_developer\u002F     # 技能开发\n│   ├── templates.py     # 技能模板库\n│   ├── generator.py     # 技能生成器\n│   └── quality.py       # 质量评估器\n└── reporter\u002F            # 汇报生成\n    ├── daily_report.py  # 每日汇报生成器\n    └── skill_report.py  # 技能专项报告\n```\n\n---\n\n## 核心升级：Long-Term RAG\n\n参考 MetaGPT 的 RoleZeroLongTermMemory 设计，新增短长记忆合并机制：\n\n```\nshort-term-recall.json  ←  活跃recall条目（上限200条）\nmemory\u002F.rag\u002Flongterm.jsonl  ←  老旧条目RAG存储\n```\n\n**晋升条件：**\n- 条目 age > 30天（从最后召回时间算）\n- 且 recallCount \u003C 3（未被频繁召回）\n\n**召回流程：**\n1. 蒸馏前，从当日高权重条目提取关键词\n2. 用关键词查询 RAG，召回相关旧记忆\n3. 旧记忆注入蒸馏上下文，让 AI 知道\"之前有过什么\"\n\n**效果：** 记忆越来越精准，不像以前每次都从零开始。\n\n---\n\n## 完整链路\n\n```\n用户对话\n   ↓\nOpenClaw Hook: message:preprocessed\n   ↓\n丘脑过滤（Thalamus）→ 杏仁核标记（Amygdala）→ 海马体存储（memory\u002Flogs\u002F）\n   ↓\ncron 触发（早7点\u002F晚10点）\ndream.py v4.x\n   ↓\n[4.5] RAG查询 — 从当日条目提取关键词 → 查询memory\u002F.rag\u002Flongterm.jsonl → 注入蒸馏上下文\n   ↓\nBundle Search检索（替代简单grep）\n   ↓\n杏仁核标记融合 → Auditor审计 → 分析皮层模式识别 → 前额叶蒸馏规划\n   ↓\n[4.6] RAG晋升 — 30天+未召回条目 → 写入longterm.jsonl\n   ↓\n归档区 → 真相文件写回 → 梦境报告\n```\n\n---\n\n## M-FLOW 核心架构\n\n### 倒锥知识图谱（Inverted Cone）\n\n所有记忆组织为**四层有向图**，形成倒锥结构：\n\n```\n          锥尖（容易精确命中）\n             ↓\n    ┌─────────────────────────┐\n    │  L4 Entity             │  ← 用户\u002F项目\u002F系统等实体节点\n    │  L3 FacetPoint         │  ← 具体属性、特征、标签\n    │  L2 Facet               │  ← 一组相关特征\n    │  L1 Episode（锥底）     │  ← 最终返回的知识单元\n    └─────────────────────────┘\n          锥底（返回给用户）\n```\n\n**搜索逻辑（Bundle Search）：**\n1. **锥尖广撒网**：查询向量化后同时在4层搜索，每个集合返回最多100个候选\n2. **投影到图中**：命中点作为入口，提取周围子图（边+邻居+连接关系）\n3. **代价传播**：沿边从锥尖向锥底传播，Episode得分 = 所有路径中最小代价\n\n**三条核心设计原则：**\n\n| 原则 | 说明 | 对应效果 |\n|------|------|---------|\n| **边携带语义** | 每条边附带自然语言描述，参与检索 | 不是被动连接，是主动语义过滤器 |\n| **路径最小代价** | 一条强证据链就足以证明相关性 | 不被无关路径稀释分数 |\n| **惩罚直接命中Episode** | 直接匹配摘要反而加惩罚 | 偏好精准锚点路径，防止宽泛匹配 |\n\n---\n\n## 脑区协同架构\n\n**① 丘脑（Thalamus）— 注意力门控**\n> 过滤纯问候\u002F简单确认，只记录有意义的事件\n> 标记类型：event \u002F decision \u002F correction \u002F completed \u002F insight \u002F error\n\n**② 杏仁核（Amygdala）— 情绪标记**\n> correction\u002Ferror\u002Fdecision\u002Fcompleted\u002Finsight 携带 HIGH 权重，优先蒸馏\n\n**③ 海马体（Hippocampus）— M-FLOW图存储 + RAG**\n\nPhase 1：`memory\u002Flogs\u002F` 追加日志（Episode层）\n\nPhase 2：构建M-FLOW图结构：\n\n```\nEpisode (L1)              ← daily log \u002F topic file\n  ↓ semantic edge\nFacet (L2)                ← grouping: correction_group, project_xxx\n  ↓ semantic edge  \nFacetPoint (L3)           ← specific tag: error.timeout, user.pref\n  ↓ semantic edge\nEntity (L4)               ← user, project, tool, skill\n```\n\n**FacetPoint** = type + topic + keywords 的向量描述（向量化后参与Bundle Search）\n**语义边描述** = \"这个FacetPoint为什么属于这个Episode\" 的自然语言说明\n\n**④ 前额叶（Prefrontal Cortex）— Bundle Search + RAG召回 + 蒸馏规划**\n\nBundle Search检索替代简单grep：\n```\n查询 → 向量化 → 4层锥形搜索 → 代价传播 → 最小路径Episode\n```\n\nRAG召回（v4.x新增）：\n```\n当日关键词 → 查询longterm.jsonl → 召回相关旧记忆 → 注入蒸馏上下文\n```\n\n**⑤ 蓝斑核（Locus Coeruleus）— 警觉与新鲜度信号**\n> freshness分数——最近被提及的记忆权重更高\n\n---\n\n## Long-Term RAG Layer 详解\n\n### 存储结构\n\n```\nmemory\u002F\n├── .dreams\u002F\n│   └── short-term-recall.json   # 活跃recall条目（上限200条）\n└── .rag\u002F\n    └── longterm.jsonl          # 老旧条目RAG存储（JSONL格式）\n```\n\n### 晋升机制\n\n```python\n# 晋升条件\nif age_days > 30 and recall_count \u003C 3:\n    promote_to_longterm_rag(entry)\n```\n\n### 召回机制\n\n```python\n# 蒸馏前\nkeywords = [v['snippet'][:100] for v in tagged.values()][:20]\nquery = ' '.join(keywords[:5])\nrag_results = query_longterm_rag(query, k=5)\n\n# 召回结果注入蒸馏上下文\nlearnings['LEARNINGS.md'] += f\"\\n\\n## Long-Term Memory (RAG)\\n{rag_text}\"\n```\n\n### 手动命令\n\n```bash\n# 查看短\u002F长记忆状态\npython skills\u002Fdream-selfimproving\u002Fscripts\u002Flongterm_rag.py --status\n\n# 手动晋升老条目\npython skills\u002Fdream-selfimproving\u002Fscripts\u002Flongterm_rag.py --promote\n\n# 搜索长记忆\npython skills\u002Fdream-selfimproving\u002Fscripts\u002Flongterm_rag.py --query \"关键词\"\n```\n\n---\n\n## Pattern Library\n\nPatterns are reusable response templates extracted from recurring learnings:\n\n```\nmemory\u002Fpatterns\u002F\n└── p-xxx.md           # Pattern files with trigger + response\n```\n\n**Pattern格式（含M-FLOW元数据）：**\n\n```yaml\n---\nname: pattern名称\ntrigger: 什么情况下触发\nresponse: 如何响应\nexamples: [案例1, 案例2]\ncreated: YYYY-MM-DD\nupdated: YYYY-MM-DD\n# M-FLOW 元数据\nentity: pattern          # L4 Entity\nfacets: [tag1, tag2]    # L3 FacetPoints\nepisode_id: p-xxx        # L1 Episode\n---\n```\n\n---\n\n## Memory Taxonomy & M-FLOW映射\n\n| Memory Type | L4 Entity | L3 FacetPoints | L1 Episode |\n|------------|-----------|-----------------|--------------|\n| **user** | user.luyi | role, pref, goal, communication_style | topics\u002Fuser_*.md |\n| **feedback** | feedback | correction, error, insight, confirmation | topics\u002Ffeedback_*.md |\n| **project** | project.{name} | decision, tool, deadline, context | topics\u002Fproject_*.md |\n| **reference** | reference | credential, link, skill, system | topics\u002Freference_*.md |\n| **longterm** | (RAG) | aged, promoted | .rag\u002Flongterm.jsonl |\n\n---\n\n## Directory Structure (v4.x)\n\n```\nmemory\u002F\n├── graph\u002F                         # M-FLOW 知识图谱\n│   ├── entities.json              # L4 Entity 节点列表\n│   ├── facetpoints.json           # L3 FacetPoint 节点列表\n│   ├── facets.json                # L2 Facet 节点列表\n│   ├── episodes.json              # L1 Episode 节点列表\n│   ├── edges.json                 # 语义边（含描述文本）\n│   └── index.json                 # 图索引 + 向量锚点\n├── logs\u002F\n│   └── YYYY\u002FMM\u002FYYYY-MM-DD.md     # Daily append-only logs (Episode)\n├── topics\u002F                        # Distilled topic memories\n│   ├── user_xxx.md\n│   ├── feedback_xxx.md\n│   ├── project_xxx.md\n│   └── reference_xxx.md\n├── patterns\u002F                      # Pattern Library\n│   └── p-xxx.md\n├── episodes\u002F                      # Project narratives\n├── .dreams\u002F\n│   └── short-term-recall.json     # 活跃recall条目（上限200条）\n├── .rag\u002F\n│   └── longterm.jsonl             # Long-Term RAG（v4.x新增）\n├── procedures.md                  # Workflow preferences\n├── archive.md                     # Compressed old entries\n├── dream-log.md                   # Dream cycle reports\n└── MEMORY.md                      # INDEX only\n\n.learnings\u002F                        # self-improving-agent\n├── LEARNINGS.md\n├── ERRORS.md\n└── FEATURE_REQUESTS.md\n```\n\n---\n\n## Health Score (v4.x)\n\n| Metric | Weight | Formula |\n|--------|--------|---------|\n| Freshness | 0.20 | entries_referenced_last_30_days \u002F total |\n| Coverage | 0.20 | categories_updated_last_14_days \u002F 10 |\n| Coherence | 0.20 | entries_with_semantic_edges \u002F total |\n| **Graph Connectivity** | 0.20 | connected_components_ratio |\n| Efficiency | 0.10 | max(0, 1 - line_count\u002F500) |\n| Reachability | 0.10 | Bundle Search路径覆盖率 |\n\n---\n\n## Dream Distillation Steps (v5.0)\n\nWhen cron triggers:\n\n1. **Bundle Search预热**：用今日日志构建临时图结构，快速验证图连通性\n2. Read `memory\u002Flogs\u002F{date}.md`\n3. Read `.learnings\u002FLEARNINGS.md`, `.learnings\u002FERRORS.md`, `.learnings\u002FFEATURE_REQUESTS.md`\n4. Read `MEMORY.md`, topic files, `graph\u002Findex.json`, `procedures.md` for context\n5. **Snapshot BEFORE**: count entries, decisions, lessons, procedures\n6. **[4.x] 技能积分榜读取**：调用 `score_tracker.py today`，获取今日技能王 + 调用统计，注入蒸馏上下文\n7. **[4.5] RAG召回**：从当日条目提取关键词 → 查询longterm.jsonl → 注入蒸馏上下文\n8. **图增强检索**：对每个learnings entry执行Bundle Search，找到相关Episode\n9. **Distillation Agent**: Run sub-agent on raw entries + learnings + RAG results → produce:\n   - 3-5 genuine insights (\"I learned that...\")\n   - 1-3 tomorrow action items\n   - 0-3 topic files to write to `memory\u002Ftopics\u002F`\n   - Health metric interpretation\n   - 技能积分榜洞察（若有数据）\n10. **[4.6] RAG晋升**：30天+未召回条目 → 写入longterm.jsonl\n11. **更新图结构**：\n    - 新Episode写入 `graph\u002Fepisodes.json`\n    - 新FacetPoint写入 `graph\u002Ffacetpoints.json`\n    - 新边写入 `graph\u002Fedges.json`（含语义描述）\n12. Write topic files (from Distillation Agent output)\n13. Update truth files (`user_state.md`, `pending.md`)\n14. Update `graph\u002Findex.json` entry metadata + 重新计算向量锚点\n15. Compute health metrics → update `graph\u002Findex.json` stats\n16. Archive eligible entries → append to `archive.md`\n17. Update `MEMORY.md` index (max 200 lines)\n18. **Snapshot AFTER**: calculate deltas\n19. Write dream report to `memory\u002Fdreams\u002F{date}.md` and `dream-log.md`\n20. **v5.0 技能扩展模块**：执行 skill_evolution + work_review + skill_explorer + skill_developer + reporter\n21. **v5.0 每日汇报**：生成 `daily-report-{date}.md` 完整六大模块汇报\n22. **[Optional SwarmRecall]**: 如果配置了API key，执行云端图同步\n\n---\n\n## Dream Report Format (v5.0)\n\n```markdown\n# 🌙 Dream Report — {date}\n\n## 🧠 系统状态\n- 原始日志条目 | recall store 总数 | Auditor AI味 | 蓝斑核健康\n\n## 🫀 蓝斑核健康评分 (v4.0 M-FLOW)\n- 新鲜度 | 连贯性 | 覆盖度 | 图连通性 | 效率 | 可达性\n\n## 🧠 M-FLOW 知识图谱状态\n- L4 Entity | L3 FacetPoint | L1 Episode | 语义边\n- Bundle Search 结果\n\n## 🏆 技能积分榜（v4.x 新增）\n- 今日技能王 + 调用次数 + 积分\n- 原始榜单摘要（若有数据；无数据时此节不显示）\n\n## 💡 我学到了\n- {genuine insight 1（含技能积分洞察）}\n- {genuine insight 2}\n\n## 🎯 明日重点\n- {actionable item 1}\n- {actionable item 2}\n\n## 🔁 重复模式（≥3次）\n## 🗄️ 归档候选\n## Patterns Updated\n```\n\n---\n\n## User Prompts\n\n- \"dream report\" \u002F \"梦境报告\" → read and display latest dream report\n- \"dream\" \u002F \"做梦\" → run distillation now\n- \"\u002Fdream status\" → show M-FLOW graph stats, health score, pattern count\n- \"\u002Fdream search {query}\" → run Bundle Search and show top results\n- \"\u002Fdream rag status\" → show RAG status (from longterm_rag.py)\n\n---\n\n---\n\n## 🔒 安全说明\n\n### update-cron-date.py 的 --confirm 标志\n\n此脚本用于修改 OpenClaw cron 作业，属于**特权操作**。\n\n- `--confirm` 标志是安全机制，防止意外执行\n- 无此标志时，脚本只显示将要做什么但不会实际修改\n- 使用前请确保您了解 cron 作业的当前状态：\n  ```bash\n  openclaw cron list\n  ```\n\n### SWARMRECALL_API_KEY 环境变量\n\n- **声明位置：** `metadata.openclaw.requires.env.SWARMRECALL_API_KEY`\n- **用途：** 可选。云端去重\u002F矛盾检测（需连接 SwarmRecall 服务）\n- **默认值：** 不设置则仅本地运行，无云端功能\n- **获取方式：** 向 SwarmRecall 服务注册获取\n\n### 文件访问范围\n\n此技能会访问和修改以下位置的文件：\n- `~\u002F.openclaw\u002Fworkspace\u002Fmemory\u002Flogs\u002F` — 对话日志\n- `~\u002F.openclaw\u002Fworkspace\u002Fmemory\u002F.dreams\u002F` — 梦境报告\n- `~\u002F.openclaw\u002Fworkspace\u002Fmemory\u002F.rag\u002F` — 长记忆 RAG 存储\n- `~\u002F.openclaw\u002Fworkspace\u002Fmemory\u002F.truth\u002F` — 真相文件\n- `~\u002F.openclaw\u002Fworkspace\u002Fmemory\u002F.learnings\u002F` — 学习记录\n- `~\u002F.openclaw\u002Fhooks\u002Fhippocampus\u002F` — Hook 配置\n- OpenClaw cron 条目（通过 update-cron-date.py）\n\n**诊断参考：** `references\u002Fdiagnostic-checklist.md` — 快速健康检查命令清单\n\n---\n\n## Known Issues & Pitfalls\n\n### 月份目录不存在导致日志静默丢失\n\n**问题现象：**\n- `memory\u002Flogs\u002FYYYY\u002FMM\u002F` 月份目录不存在时，`append_to_log()` 会静默失败（不抛异常）\n- `mkdir(parents=True, exist_ok=True)` 只创建最后一级目录；如果 `YYYY\u002F` 存在但 `MM\u002F` 不存在，且代码写的是 `mkdir(\"2026\u002F05\", parents=True)` → 不会创建 `2026\u002F` 本身\n- 实际路径行为：第 3 行 `log_dir = LOGS_DIR \u002F year \u002F month` 后直接 `ensure_dir(log_dir)`，如果 `2026\u002F` 存在但 `05\u002F` 不存在 → 正常创建；**但如果整个 `YYYY\u002F` 不存在则失败**\n\n**排查：**\n```bash\nls -la ~\u002F.openclaw\u002Fworkspace\u002Fmemory\u002Flogs\u002F2026\u002F\n# 如果 05\u002F 目录不存在，说明本月还没有消息被记录\n```\n\n**手动修复：**\n```bash\nmkdir -p ~\u002F.openclaw\u002Fworkspace\u002Fmemory\u002Flogs\u002F2026\u002F05\n```\n\n### Cron 定时任务可能不按时执行\n\n**问题现象：**\n- 梦境报告时间戳显示 `generated_at` 与日志日期不匹配\n- 例如：4\u002F30 的日志缺失，但 5\u002F1 00:54 生成的快照实际记录的是 4\u002F29 数据\n- Cron list 为空但记忆里记录了 cron 任务（配置不在 Hermes 这边）\n\n**排查步骤：**\n1. 检查 `~\u002F.skill_scoreboard\u002Fdaily\u002F` 文件时间戳是否连续\n2. 检查 `~\u002F.hermes\u002Fcron\u002Foutput\u002F` 是否有对应日志\n3. 通过 `openclaw cron list` 确认实际 cron 配置（如果 openclaw CLI 可用）\n4. 如果 cron list 为空但快照在跑 → 任务配置在 OpenClaw 平台端，不在本地\n\n### 浏览器访问问题\n\n**问题：** 在 WSL 环境中访问 `localhost:3012`（OpenClaw-Admin）可能失败，Chrome 报错 `libnspr4.so: cannot open shared object file`\n\n**解决：** 不依赖浏览器，用 API 直接调 OpenClaw：\n```bash\n# 查看 cron 任务\nopenclaw cron list\n\n# 查看环境变量\nopenclaw env get\n```\n\n### 404 错误溯源\n\n**场景：** 飞书消息后出现 \"Auxiliary title generation failed: HTTP 404\"，用户不知道来源\n\n**排查方向：**\n1. 检查 Hermes cron output 日志 (`~\u002F.hermes\u002Fcron\u002Foutput\u002F`)\n2. 检查 skill-scoreboard 快照是否在那个时间点生成\n3. 检查 OpenClaw Gateway 内部是否有辅助标题生成的定时任务\n4. 如果 cron list 为空 → 任务在 OpenClaw 平台端而非本地\n\n## Scripts\n\n- `dream.py` — Phase 2 蒸馏脚本（v4.x，M-FLOW Bundle Search + RAG召回\u002F晋升 + 技能积分榜融合）\n- `update-cron-date.py` — 每日 cron 日期注入 ⚠️ 特权操作，需 --confirm\n- `graph-builder.py` — 从日志构建M-FLOW图结构\n- `bundle-search.py` — Bundle Search检索实现\n- `longterm_rag.py` — Long-Term RAG 管理脚本（v4.x新增）\n\n> dream.py 蒸馏前自动调用 `~\u002FSharedSkills\u002Fskill-scoreboard\u002Fscripts\u002Fscore_tracker.py today`，将今日技能王 + 积分注入蒸馏上下文和梦境报告，无需额外配置。\n\n---\n\n## Phase 1 启用（hippocampus hook）\n\n**Hook 目录：** `~\u002F.openclaw\u002Fhooks\u002Fhippocampus\u002F`\n**已配置：** `openclaw.json` 中 `hooks.internal.entries.hippocampus: enabled: true`\n\n**功能：** 监听 `message:preprocessed` 事件，自动记录对话到 `memory\u002Flogs\u002FYYYY\u002FMM\u002FYYYY-MM-DD.md`\n\n**丘脑过滤规则：**\n- 纯问候 \u002F 简单确认（\u003C20字）不记录\n- 高权重标记：correction \u002F error \u002F decision \u002F completed \u002F insight\n\n重启 gateway 后生效：\n```bash\nschtasks \u002Frun \u002Ftn \"OpenClaw Gateway\"\n```\n\n---\n\n## M-FLOW vs 旧架构对比\n\n| 维度 | 旧架构（平坦检索） | M-FLOW（倒锥图路由） |\n|------|-------------------|----------------------|\n| **存储结构** | 平面文件列表 | 四层有向图 |\n| **检索方式** | grep \u002F 向量相似度 | Bundle Search代价传播 |\n| **关系表示** | 简单link引用 | 带语义描述的边 |\n| **短长记忆** | 无分层 | 30天老化晋升RAG |\n\n---\n\n### OpenClaw ↔ Hermes 记忆同步\n- 脚本位置：`~\u002F.hermes\u002Fscripts\u002Fsync_openclaw_memory.py`\n- 功能：双向桥接 OpenClaw sqlite 记忆库与 Hermes 扁平记忆文件\n- 使用：`python3 ~\u002F.hermes\u002Fscripts\u002Fsync_openclaw_memory.py [--dry-run]`\n- 详情见 `references\u002Fhermes-openclaw-memory-sync.md`\n\n## 与MetaGPT对比\n\n| 维度 | MetaGPT RoleZeroLongTermMemory | Dream Long-Term RAG |\n|------|-------------------------------|---------------------|\n| **RAG引擎** | Chroma + LLMRanker | JSONL + 关键词匹配 |\n| **召回触发** | memory_k 溢出 或 用户需求 | 每次蒸馏前 |\n| **晋升条件** | count > memory_k | age > 30天 且 recallCount \u003C 3 |\n| **向量化** | embedding 模型 | 词袋模型（简化版） |\n| **复杂度** | 依赖 Chroma\u002Fllama-index | 纯 Python，无外部依赖 |\n","# Dream Self-improving — 夜间记忆蒸馏与自我进化\n\n> 🧠 **v5.1 技能进化插件** — AI自主学习、用进废退、全自动技能开发 + 完整每日汇报\n\n## 现状\n\n**Phase 3（✅ 已实现）：** OpenClaw Hook `hippocampus` 监听每条消息，实时写入 `memory\u002Flogs\u002F`\n**Phase 3（✅ 已实现）：** `dream.py v4.x` 定时蒸馏 + M-FLOW Bundle Search检索\n**Phase 3（✅ 已实现）：** `dream.py v4.x` Long-Term RAG 长记忆层\n\n**Phase 4（✅ 已实现）：** `dream.py v5.0` 技能用进废退 + 全自动技能开发 + 完整每日汇报\n\n---\n\n## v5.1 技能进化插件（v2.0 大幅增强）\n\n### GapDetector v2.0 — 新增 SKILL.md 草稿自动生成\n\n`extensions\u002Fskill_explorer\u002Fgap_detector.py` v2.0 整合 skill-evolver 核心逻辑：\n\n| 新增方法 | 功能 |\n|---------|------|\n| `get_active_capabilities()` | 从 `~\u002F.skill_scoreboard\u002Fscores.json` 推断用户能力需求 |\n| `scan_shared_skills()` | 扫描 `~\u002FSharedSkills\u002F` 所有技能清单 |\n| `detect_gaps_from_scores()` | 基于评分数据检测能力缺口（比原有任务分析更精准） |\n| `generate_skill_draft()` | 为缺口生成**完整 SKILL.md 草稿**（含触发词、使用场景、步骤、工具） |\n| `detect_and_generate()` | 一次性执行缺口检测 + 草稿生成 + 过时技能扫描 |\n\n**SKILL.md 草稿模板库**（已实现）：\n\n| 能力 | 生成的技能名 | 触发词示例 |\n|------|------------|-----------|\n| 搜索\u002F研究 | `deep-researcher` | 帮我调研、搜索论文 |\n| 图片生成 | `image-generator` | AI画图、生成插画 |\n| 网页抓取 | `web-scraper` | 爬取数据、提取网页内容 |\n| Shell命令 | `shell-automation` | 写脚本、批处理 |\n| Git操作 | `git-assistant` | commit、PR、解决冲突 |\n| 飞书集成 | `feishu-integration` | 飞书文档、飞书消息 |\n| 视频生成 | `video-generator` | 生成视频、AI视频 |\n| 文档总结 | `doc-summarizer` | 总结文档、长文章摘要 |\n| 数据分析 | `data-analyst` | 分析数据、生成图表 |\n| PPT制作 | `ppt-generator` | 制作PPT、演示文稿 |\n| 翻译 | `translator` | 中英互译、润色英文 |\n| 通用 | `{能力英文名}` | 能力名本身 |\n\n**E6\u002FE8 流程更新（dream.py v5.1）**：\n1. `GapDetector.detect_and_generate()` → 同时获取缺口列表 + SKILL.md 草稿\n2. 对每个高优先级缺口 → `generate_skill_draft()` 生成完整草稿\n3. 草稿直接写入 `~\u002FSharedSkills\u002F{skill_name}\u002FSKILL.md`\n4. 同时创建占位脚本 `scripts\u002Fmain.py`\n5. 草稿内容同步保存到每日汇报的 `skill_development.drafts` 字段\n\n**与 skill-evolver 共用数据源**：`~\u002F.skill_scoreboard\u002Fscores.json`\n\n---\n\n## v5.0 技能进化插件（原有架构）\n\n### 五大扩展模块\n\n| 模块 | 功能 | 关键类 |\n|------|------|--------|\n| **skill_evolution** | 技能评分（调用×质量×衰减）+ 用进废退引擎 + 技能注册表 | `SkillScorer`, `DecayEngine`, `SkillRegistry` |\n| **work_review** | 工作复盘分析 + 明日计划生成 | `WorkAnalyzer`, `TomorrowPlanner` |\n| **skill_explorer** | 技能缺口检测 + 自主学习 | `GapDetector`, `SkillLearner` |\n| **skill_developer** | 全自动技能生成（AI生成+质量评估+注册） | `SkillGenerator`, `SkillQualityAssessor` |\n| **reporter** | 每日完整汇报（六大模块） | `DailyReporter`, `SkillReportGenerator` |\n\n### 用进废退评分体系\n\n技能活跃度 = 调用次数 × 质量系数 × 时间衰减\n\n| 等级 | 标识 | 分值范围 | 说明 |\n|------|------|----------|------|\n| 高度活跃 | 🔥 | ≥80 | 调用频繁，持续进化 |\n| 正常 | 📈 | 60-79 | 稳定使用 |\n| 低活跃 | 💤 | 40-59 | 使用较少，建议复习 |\n| 休眠 | 🗄️ | 20-39 | 长期未用，待激活 |\n| 已归档 | ⚰️ | \u003C20 | 彻底停用 |\n\n**衰减规则：**\n- 30天未用：×50%\n- 90天未用：×20%\n- 180天未用：自动归档\n\n### 每日汇报（六大模块）\n\n与早7点+晚10点蒸馏同步执行，完整汇报保存为 `daily-report-YYYY-MM-DD.md`：\n\n1. **📝 今日总结** — 工作完成情况、未完成原因、阻碍因素\n2. **📋 明日计划** — 继续任务 + 新任务 + 技能开发计划\n3. **🛠️ 技能开发** — 新技能生成（AI全自动）、技能改进\n4. **📈 技能评分** — Top 10 活跃度排行 + 用进废退变化\n5. **🎯 精进点** — 学到的新东西、改进方向\n6. **💭 个人感想** — AI 自我反思\n\n### 扩展模块目录结构\n\n```\nextensions\u002F\n├── __init__.py\n├── skill_evolution\u002F     # 用进废退核心\n│   ├── scorer.py        # 技能评分器\n│   ├── decay.py         # 衰减引擎\n│   └── registry.py      # 技能注册表\n├── work_review\u002F         # 工作复盘\n│   ├── analyzer.py      # 工作分析器\n│   └── planner.py       # 明日计划生成器\n├── skill_explorer\u002F      # 技能探索\n│   ├── gap_detector.py  # 缺口检测器\n│   └── learner.py       # 技能学习器\n├── skill_developer\u002F     # 技能开发\n│   ├── templates.py     # 技能模板库\n│   ├── generator.py     # 技能生成器\n│   └── quality.py       # 质量评估器\n└── reporter\u002F            # 汇报生成\n    ├── daily_report.py  # 每日汇报生成器\n    └── skill_report.py  # 技能专项报告\n```\n\n---\n\n## 核心升级：Long-Term RAG\n\n参考 MetaGPT 的 RoleZeroLongTermMemory 设计，新增短长记忆合并机制：\n\n```\nshort-term-recall.json  ←  活跃recall条目（上限200条）\nmemory\u002F.rag\u002Flongterm.jsonl  ←  老旧条目RAG存储\n```\n\n**晋升条件：**\n- 条目 age > 30天（从最后召回时间算）\n- 且 recallCount \u003C 3（未被频繁召回）\n\n**召回流程：**\n1. 蒸馏前，从当日高权重条目提取关键词\n2. 用关键词查询 RAG，召回相关旧记忆\n3. 旧记忆注入蒸馏上下文，让 AI 知道\"之前有过什么\"\n\n**效果：** 记忆越来越精准，不像以前每次都从零开始。\n\n---\n\n## 完整链路\n\n```\n用户对话\n   ↓\nOpenClaw Hook: message:preprocessed\n   ↓\n丘脑过滤（Thalamus）→ 杏仁核标记（Amygdala）→ 海马体存储（memory\u002Flogs\u002F）\n   ↓\ncron 触发（早7点\u002F晚10点）\ndream.py v4.x\n   ↓\n[4.5] RAG查询 — 从当日条目提取关键词 → 查询memory\u002F.rag\u002Flongterm.jsonl → 注入蒸馏上下文\n   ↓\nBundle Search检索（替代简单grep）\n   ↓\n杏仁核标记融合 → Auditor审计 → 分析皮层模式识别 → 前额叶蒸馏规划\n   ↓\n[4.6] RAG晋升 — 30天+未召回条目 → 写入longterm.jsonl\n   ↓\n归档区 → 真相文件写回 → 梦境报告\n```\n\n---\n\n## M-FLOW 核心架构\n\n### 倒锥知识图谱（Inverted Cone）\n\n所有记忆组织为**四层有向图**，形成倒锥结构：\n\n```\n          锥尖（容易精确命中）\n             ↓\n    ┌─────────────────────────┐\n    │  L4 Entity             │  ← 用户\u002F项目\u002F系统等实体节点\n    │  L3 FacetPoint         │  ← 具体属性、特征、标签\n    │  L2 Facet               │  ← 一组相关特征\n    │  L1 Episode（锥底）     │  ← 最终返回的知识单元\n    └─────────────────────────┘\n          锥底（返回给用户）\n```\n\n**搜索逻辑（Bundle Search）：**\n1. **锥尖广撒网**：查询向量化后同时在4层搜索，每个集合返回最多100个候选\n2. **投影到图中**：命中点作为入口，提取周围子图（边+邻居+连接关系）\n3. **代价传播**：沿边从锥尖向锥底传播，Episode得分 = 所有路径中最小代价\n\n**三条核心设计原则：**\n\n| 原则 | 说明 | 对应效果 |\n|------|------|---------|\n| **边携带语义** | 每条边附带自然语言描述，参与检索 | 不是被动连接，是主动语义过滤器 |\n| **路径最小代价** | 一条强证据链就足以证明相关性 | 不被无关路径稀释分数 |\n| **惩罚直接命中Episode** | 直接匹配摘要反而加惩罚 | 偏好精准锚点路径，防止宽泛匹配 |\n\n---\n\n## 脑区协同架构\n\n**① 丘脑（Thalamus）— 注意力门控**\n> 过滤纯问候\u002F简单确认，只记录有意义的事件\n> 标记类型：event \u002F decision \u002F correction \u002F completed \u002F insight \u002F error\n\n**② 杏仁核（Amygdala）— 情绪标记**\n> correction\u002Ferror\u002Fdecision\u002Fcompleted\u002Finsight 携带 HIGH 权重，优先蒸馏\n\n**③ 海马体（Hippocampus）— M-FLOW图存储 + RAG**\n\nPhase 1：`memory\u002Flogs\u002F` 追加日志（Episode层）\n\nPhase 2：构建M-FLOW图结构：\n\n```\nEpisode (L1)              ← daily log \u002F topic file\n  ↓ semantic edge\nFacet (L2)                ← grouping: correction_group, project_xxx\n  ↓ semantic edge  \nFacetPoint (L3)           ← specific tag: error.timeout, user.pref\n  ↓ semantic edge\nEntity (L4)               ← user, project, tool, skill\n```\n\n**FacetPoint** = type + topic + keywords 的向量描述（向量化后参与Bundle Search）\n**语义边描述** = \"这个FacetPoint为什么属于这个Episode\" 的自然语言说明\n\n**④ 前额叶（Prefrontal Cortex）— Bundle Search + RAG召回 + 蒸馏规划**\n\nBundle Search检索替代简单grep：\n```\n查询 → 向量化 → 4层锥形搜索 → 代价传播 → 最小路径Episode\n```\n\nRAG召回（v4.x新增）：\n```\n当日关键词 → 查询longterm.jsonl → 召回相关旧记忆 → 注入蒸馏上下文\n```\n\n**⑤ 蓝斑核（Locus Coeruleus）— 警觉与新鲜度信号**\n> freshness分数——最近被提及的记忆权重更高\n\n---\n\n## Long-Term RAG Layer 详解\n\n### 存储结构\n\n```\nmemory\u002F\n├── .dreams\u002F\n│   └── short-term-recall.json   # 活跃recall条目（上限200条）\n└── .rag\u002F\n    └── longterm.jsonl          # 老旧条目RAG存储（JSONL格式）\n```\n\n### 晋升机制\n\n```python\n# 晋升条件\nif age_days > 30 and recall_count \u003C 3:\n    promote_to_longterm_rag(entry)\n```\n\n### 召回机制\n\n```python\n# 蒸馏前\nkeywords = [v['snippet'][:100] for v in tagged.values()][:20]\nquery = ' '.join(keywords[:5])\nrag_results = query_longterm_rag(query, k=5)\n\n# 召回结果注入蒸馏上下文\nlearnings['LEARNINGS.md'] += f\"\\n\\n## Long-Term Memory (RAG)\\n{rag_text}\"\n```\n\n### 手动命令\n\n```bash\n# 查看短\u002F长记忆状态\npython skills\u002Fdream-selfimproving\u002Fscripts\u002Flongterm_rag.py --status\n\n# 手动晋升老条目\npython skills\u002Fdream-selfimproving\u002Fscripts\u002Flongterm_rag.py --promote\n\n# 搜索长记忆\npython skills\u002Fdream-selfimproving\u002Fscripts\u002Flongterm_rag.py --query \"关键词\"\n```\n\n---\n\n## Pattern Library\n\nPatterns are reusable response templates extracted from recurring learnings:\n\n```\nmemory\u002Fpatterns\u002F\n└── p-xxx.md           # Pattern files with trigger + response\n```\n\n**Pattern格式（含M-FLOW元数据）：**\n\n```yaml\n---\nname: pattern名称\ntrigger: 什么情况下触发\nresponse: 如何响应\nexamples: [案例1, 案例2]\ncreated: YYYY-MM-DD\nupdated: YYYY-MM-DD\n# M-FLOW 元数据\nentity: pattern          # L4 Entity\nfacets: [tag1, tag2]    # L3 FacetPoints\nepisode_id: p-xxx        # L1 Episode\n---\n```\n\n---\n\n## Memory Taxonomy & M-FLOW映射\n\n| Memory Type | L4 Entity | L3 FacetPoints | L1 Episode |\n|------------|-----------|-----------------|--------------|\n| **user** | user.luyi | role, pref, goal, communication_style | topics\u002Fuser_*.md |\n| **feedback** | feedback | correction, error, insight, confirmation | topics\u002Ffeedback_*.md |\n| **project** | project.{name} | decision, tool, deadline, context | topics\u002Fproject_*.md |\n| **reference** | reference | credential, link, skill, system | topics\u002Freference_*.md |\n| **longterm** | (RAG) | aged, promoted | .rag\u002Flongterm.jsonl |\n\n---\n\n## Directory Structure (v4.x)\n\n```\nmemory\u002F\n├── graph\u002F                         # M-FLOW 知识图谱\n│   ├── entities.json              # L4 Entity 节点列表\n│   ├── facetpoints.json           # L3 FacetPoint 节点列表\n│   ├── facets.json                # L2 Facet 节点列表\n│   ├── episodes.json              # L1 Episode 节点列表\n│   ├── edges.json                 # 语义边（含描述文本）\n│   └── index.json                 # 图索引 + 向量锚点\n├── logs\u002F\n│   └── YYYY\u002FMM\u002FYYYY-MM-DD.md     # Daily append-only logs (Episode)\n├── topics\u002F                        # Distilled topic memories\n│   ├── user_xxx.md\n│   ├── feedback_xxx.md\n│   ├── project_xxx.md\n│   └── reference_xxx.md\n├── patterns\u002F                      # Pattern Library\n│   └── p-xxx.md\n├── episodes\u002F                      # Project narratives\n├── .dreams\u002F\n│   └── short-term-recall.json     # 活跃recall条目（上限200条）\n├── .rag\u002F\n│   └── longterm.jsonl             # Long-Term RAG（v4.x新增）\n├── procedures.md                  # Workflow preferences\n├── archive.md                     # Compressed old entries\n├── dream-log.md                   # Dream cycle reports\n└── MEMORY.md                      # INDEX only\n\n.learnings\u002F                        # self-improving-agent\n├── LEARNINGS.md\n├── ERRORS.md\n└── FEATURE_REQUESTS.md\n```\n\n---\n\n## Health Score (v4.x)\n\n| Metric | Weight | Formula |\n|--------|--------|---------|\n| Freshness | 0.20 | entries_referenced_last_30_days \u002F total |\n| Coverage | 0.20 | categories_updated_last_14_days \u002F 10 |\n| Coherence | 0.20 | entries_with_semantic_edges \u002F total |\n| **Graph Connectivity** | 0.20 | connected_components_ratio |\n| Efficiency | 0.10 | max(0, 1 - line_count\u002F500) |\n| Reachability | 0.10 | Bundle Search路径覆盖率 |\n\n---\n\n## Dream Distillation Steps (v5.0)\n\nWhen cron triggers:\n\n1. **Bundle Search预热**：用今日日志构建临时图结构，快速验证图连通性\n2. Read `memory\u002Flogs\u002F{date}.md`\n3. Read `.learnings\u002FLEARNINGS.md`, `.learnings\u002FERRORS.md`, `.learnings\u002FFEATURE_REQUESTS.md`\n4. Read `MEMORY.md`, topic files, `graph\u002Findex.json`, `procedures.md` for context\n5. **Snapshot BEFORE**: count entries, decisions, lessons, procedures\n6. **[4.x] 技能积分榜读取**：调用 `score_tracker.py today`，获取今日技能王 + 调用统计，注入蒸馏上下文\n7. **[4.5] RAG召回**：从当日条目提取关键词 → 查询longterm.jsonl → 注入蒸馏上下文\n8. **图增强检索**：对每个learnings entry执行Bundle Search，找到相关Episode\n9. **Distillation Agent**: Run sub-agent on raw entries + learnings + RAG results → produce:\n   - 3-5 genuine insights (\"I learned that...\")\n   - 1-3 tomorrow action items\n   - 0-3 topic files to write to `memory\u002Ftopics\u002F`\n   - Health metric interpretation\n   - 技能积分榜洞察（若有数据）\n10. **[4.6] RAG晋升**：30天+未召回条目 → 写入longterm.jsonl\n11. **更新图结构**：\n    - 新Episode写入 `graph\u002Fepisodes.json`\n    - 新FacetPoint写入 `graph\u002Ffacetpoints.json`\n    - 新边写入 `graph\u002Fedges.json`（含语义描述）\n12. Write topic files (from Distillation Agent output)\n13. Update truth files (`user_state.md`, `pending.md`)\n14. Update `graph\u002Findex.json` entry metadata + 重新计算向量锚点\n15. Compute health metrics → update `graph\u002Findex.json` stats\n16. Archive eligible entries → append to `archive.md`\n17. Update `MEMORY.md` index (max 200 lines)\n18. **Snapshot AFTER**: calculate deltas\n19. Write dream report to `memory\u002Fdreams\u002F{date}.md` and `dream-log.md`\n20. **v5.0 技能扩展模块**：执行 skill_evolution + work_review + skill_explorer + skill_developer + reporter\n21. **v5.0 每日汇报**：生成 `daily-report-{date}.md` 完整六大模块汇报\n22. **[Optional SwarmRecall]**: 如果配置了API key，执行云端图同步\n\n---\n\n## Dream Report Format (v5.0)\n\n```markdown\n# 🌙 Dream Report — {date}\n\n## 🧠 系统状态\n- 原始日志条目 | recall store 总数 | Auditor AI味 | 蓝斑核健康\n\n## 🫀 蓝斑核健康评分 (v4.0 M-FLOW)\n- 新鲜度 | 连贯性 | 覆盖度 | 图连通性 | 效率 | 可达性\n\n## 🧠 M-FLOW 知识图谱状态\n- L4 Entity | L3 FacetPoint | L1 Episode | 语义边\n- Bundle Search 结果\n\n## 🏆 技能积分榜（v4.x 新增）\n- 今日技能王 + 调用次数 + 积分\n- 原始榜单摘要（若有数据；无数据时此节不显示）\n\n## 💡 我学到了\n- {genuine insight 1（含技能积分洞察）}\n- {genuine insight 2}\n\n## 🎯 明日重点\n- {actionable item 1}\n- {actionable item 2}\n\n## 🔁 重复模式（≥3次）\n## 🗄️ 归档候选\n## Patterns Updated\n```\n\n---\n\n## User Prompts\n\n- \"dream report\" \u002F \"梦境报告\" → read and display latest dream report\n- \"dream\" \u002F \"做梦\" → run distillation now\n- \"\u002Fdream status\" → show M-FLOW graph stats, health score, pattern count\n- \"\u002Fdream search {query}\" → run Bundle Search and show top results\n- \"\u002Fdream rag status\" → show RAG status (from longterm_rag.py)\n\n---\n\n---\n\n## 🔒 安全说明\n\n### update-cron-date.py 的 --confirm 标志\n\n此脚本用于修改 OpenClaw cron 作业，属于**特权操作**。\n\n- `--confirm` 标志是安全机制，防止意外执行\n- 无此标志时，脚本只显示将要做什么但不会实际修改\n- 使用前请确保您了解 cron 作业的当前状态：\n  ```bash\n  openclaw cron list\n  ```\n\n### SWARMRECALL_API_KEY 环境变量\n\n- **声明位置：** `metadata.openclaw.requires.env.SWARMRECALL_API_KEY`\n- **用途：** 可选。云端去重\u002F矛盾检测（需连接 SwarmRecall 服务）\n- **默认值：** 不设置则仅本地运行，无云端功能\n- **获取方式：** 向 SwarmRecall 服务注册获取\n\n### 文件访问范围\n\n此技能会访问和修改以下位置的文件：\n- `~\u002F.openclaw\u002Fworkspace\u002Fmemory\u002Flogs\u002F` — 对话日志\n- `~\u002F.openclaw\u002Fworkspace\u002Fmemory\u002F.dreams\u002F` — 梦境报告\n- `~\u002F.openclaw\u002Fworkspace\u002Fmemory\u002F.rag\u002F` — 长记忆 RAG 存储\n- `~\u002F.openclaw\u002Fworkspace\u002Fmemory\u002F.truth\u002F` — 真相文件\n- `~\u002F.openclaw\u002Fworkspace\u002Fmemory\u002F.learnings\u002F` — 学习记录\n- `~\u002F.openclaw\u002Fhooks\u002Fhippocampus\u002F` — Hook 配置\n- OpenClaw cron 条目（通过 update-cron-date.py）\n\n**诊断参考：** `references\u002Fdiagnostic-checklist.md` — 快速健康检查命令清单\n\n---\n\n## Known Issues & Pitfalls\n\n### 月份目录不存在导致日志静默丢失\n\n**问题现象：**\n- `memory\u002Flogs\u002FYYYY\u002FMM\u002F` 月份目录不存在时，`append_to_log()` 会静默失败（不抛异常）\n- `mkdir(parents=True, exist_ok=True)` 只创建最后一级目录；如果 `YYYY\u002F` 存在但 `MM\u002F` 不存在，且代码写的是 `mkdir(\"2026\u002F05\", parents=True)` → 不会创建 `2026\u002F` 本身\n- 实际路径行为：第 3 行 `log_dir = LOGS_DIR \u002F year \u002F month` 后直接 `ensure_dir(log_dir)`，如果 `2026\u002F` 存在但 `05\u002F` 不存在 → 正常创建；**但如果整个 `YYYY\u002F` 不存在则失败**\n\n**排查：**\n```bash\nls -la ~\u002F.openclaw\u002Fworkspace\u002Fmemory\u002Flogs\u002F2026\u002F\n# 如果 05\u002F 目录不存在，说明本月还没有消息被记录\n```\n\n**手动修复：**\n```bash\nmkdir -p ~\u002F.openclaw\u002Fworkspace\u002Fmemory\u002Flogs\u002F2026\u002F05\n```\n\n### Cron 定时任务可能不按时执行\n\n**问题现象：**\n- 梦境报告时间戳显示 `generated_at` 与日志日期不匹配\n- 例如：4\u002F30 的日志缺失，但 5\u002F1 00:54 生成的快照实际记录的是 4\u002F29 数据\n- Cron list 为空但记忆里记录了 cron 任务（配置不在 Hermes 这边）\n\n**排查步骤：**\n1. 检查 `~\u002F.skill_scoreboard\u002Fdaily\u002F` 文件时间戳是否连续\n2. 检查 `~\u002F.hermes\u002Fcron\u002Foutput\u002F` 是否有对应日志\n3. 通过 `openclaw cron list` 确认实际 cron 配置（如果 openclaw CLI 可用）\n4. 如果 cron list 为空但快照在跑 → 任务配置在 OpenClaw 平台端，不在本地\n\n### 浏览器访问问题\n\n**问题：** 在 WSL 环境中访问 `localhost:3012`（OpenClaw-Admin）可能失败，Chrome 报错 `libnspr4.so: cannot open shared object file`\n\n**解决：** 不依赖浏览器，用 API 直接调 OpenClaw：\n```bash\n# 查看 cron 任务\nopenclaw cron list\n\n# 查看环境变量\nopenclaw env get\n```\n\n### 404 错误溯源\n\n**场景：** 飞书消息后出现 \"Auxiliary title generation failed: HTTP 404\"，用户不知道来源\n\n**排查方向：**\n1. 检查 Hermes cron output 日志 (`~\u002F.hermes\u002Fcron\u002Foutput\u002F`)\n2. 检查 skill-scoreboard 快照是否在那个时间点生成\n3. 检查 OpenClaw Gateway 内部是否有辅助标题生成的定时任务\n4. 如果 cron list 为空 → 任务在 OpenClaw 平台端而非本地\n\n## Scripts\n\n- `dream.py` — Phase 2 蒸馏脚本（v4.x，M-FLOW Bundle Search + RAG召回\u002F晋升 + 技能积分榜融合）\n- `update-cron-date.py` — 每日 cron 日期注入 ⚠️ 特权操作，需 --confirm\n- `graph-builder.py` — 从日志构建M-FLOW图结构\n- `bundle-search.py` — Bundle Search检索实现\n- `longterm_rag.py` — Long-Term RAG 管理脚本（v4.x新增）\n\n> dream.py 蒸馏前自动调用 `~\u002FSharedSkills\u002Fskill-scoreboard\u002Fscripts\u002Fscore_tracker.py today`，将今日技能王 + 积分注入蒸馏上下文和梦境报告，无需额外配置。\n\n---\n\n## Phase 1 启用（hippocampus hook）\n\n**Hook 目录：** `~\u002F.openclaw\u002Fhooks\u002Fhippocampus\u002F`\n**已配置：** `openclaw.json` 中 `hooks.internal.entries.hippocampus: enabled: true`\n\n**功能：** 监听 `message:preprocessed` 事件，自动记录对话到 `memory\u002Flogs\u002FYYYY\u002FMM\u002FYYYY-MM-DD.md`\n\n**丘脑过滤规则：**\n- 纯问候 \u002F 简单确认（\u003C20字）不记录\n- 高权重标记：correction \u002F error \u002F decision \u002F completed \u002F insight\n\n重启 gateway 后生效：\n```bash\nschtasks \u002Frun \u002Ftn \"OpenClaw Gateway\"\n```\n\n---\n\n## M-FLOW vs 旧架构对比\n\n| 维度 | 旧架构（平坦检索） | M-FLOW（倒锥图路由） |\n|------|-------------------|----------------------|\n| **存储结构** | 平面文件列表 | 四层有向图 |\n| **检索方式** | grep \u002F 向量相似度 | Bundle Search代价传播 |\n| **关系表示** | 简单link引用 | 带语义描述的边 |\n| **短长记忆** | 无分层 | 30天老化晋升RAG |\n\n---\n\n### OpenClaw ↔ Hermes 记忆同步\n- 脚本位置：`~\u002F.hermes\u002Fscripts\u002Fsync_openclaw_memory.py`\n- 功能：双向桥接 OpenClaw sqlite 记忆库与 Hermes 扁平记忆文件\n- 使用：`python3 ~\u002F.hermes\u002Fscripts\u002Fsync_openclaw_memory.py [--dry-run]`\n- 详情见 `references\u002Fhermes-openclaw-memory-sync.md`\n\n## 与MetaGPT对比\n\n| 维度 | MetaGPT RoleZeroLongTermMemory | Dream Long-Term RAG |\n|------|-------------------------------|---------------------|\n| **RAG引擎** | Chroma + LLMRanker | JSONL + 关键词匹配 |\n| **召回触发** | memory_k 溢出 或 用户需求 | 每次蒸馏前 |\n| **晋升条件** | count > memory_k | age > 30天 且 recallCount \u003C 3 |\n| **向量化** | embedding 模型 | 词袋模型（简化版） |\n| **复杂度** | 依赖 Chroma\u002Fllama-index | 纯 Python，无外部依赖 |\n",{},"master","4aa004da461d820f4ea5499e58eb8d196cf99016","community\u002Fclawhub\u002Fd\u002Fdream-selfimproving",0,"https:\u002F\u002Fgithub.com\u002FLord1Egypt\u002Fawesome-skill-forge","https:\u002F\u002Fskill-explorer-rho.vercel.app","https:\u002F\u002Fgithub.com\u002FLord1Egypt","Unbreakable. Unstoppable. Unmatched⚡.\r\n Speaker of machine tongues 🤖  | World-builder of decentralized dreams 🌐 | Defender of the digital realm🛡️.","2026-06-10 08:21:01",{"source":7,"skillName":5,"commands":33,"prompt":43,"zipAvailable":44},[34,37,40],{"tool":35,"command":36},"npx","npx skills add Lord1Egypt\u002Fawesome-skill-forge --skill dream-selfimproving",{"tool":38,"command":39},"bunx","bunx skills add Lord1Egypt\u002Fawesome-skill-forge --skill dream-selfimproving",{"tool":41,"command":42},"pnpm","pnpm dlx skills add Lord1Egypt\u002Fawesome-skill-forge --skill dream-selfimproving","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002FLord1Egypt\u002Fawesome-skill-forge\u002Fblob\u002Fmaster\u002Fcommunity\u002Fclawhub\u002Fd\u002Fdream-selfimproving\u002FSKILL.md",true,[],[47,54,61,68,75,82],{"skillNo":48,"name":49,"nameZh":6,"description":50,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":51,"categories":52,"keywords":53,"publishedAt":18},"01M785WKJB99G3STR1NF9NRTJW","youtube-content","YouTube transcripts to summaries, threads, blogs.","https:\u002F\u002Fgithub.com\u002FLord1Egypt\u002Fawesome-skill-forge\u002Fblob\u002Fmaster\u002Fskills\u002Fyoutube-content\u002FSKILL.md",[],[],{"skillNo":55,"name":56,"nameZh":6,"description":57,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":58,"categories":59,"keywords":60,"publishedAt":18},"01M785WEFHB0G2S9YA6EPR3H0E","xurl","X\u002FTwitter via xurl CLI: post, search, DM, media, v2 API.","https:\u002F\u002Fgithub.com\u002FLord1Egypt\u002Fawesome-skill-forge\u002Fblob\u002Fmaster\u002Fskills\u002Fxurl\u002FSKILL.md",[],[],{"skillNo":62,"name":63,"nameZh":6,"description":64,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":65,"categories":66,"keywords":67,"publishedAt":18},"01M785W98EDN4EFJXJPMQEHCRC","touchdesigner-mcp","Control a running TouchDesigner instance via twozero MCP — create operators, set parameters, wire connections, execute Python, build real-time visuals. 36 native tools.","https:\u002F\u002Fgithub.com\u002FLord1Egypt\u002Fawesome-skill-forge\u002Fblob\u002Fmaster\u002Fskills\u002Ftouchdesigner-mcp\u002FSKILL.md",[],[],{"skillNo":69,"name":70,"nameZh":6,"description":71,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":72,"categories":73,"keywords":74,"publishedAt":18},"01M785W5S9FP3QBH2V191E025P","test-driven-development","TDD: enforce RED-GREEN-REFACTOR, tests before code.","https:\u002F\u002Fgithub.com\u002FLord1Egypt\u002Fawesome-skill-forge\u002Fblob\u002Fmaster\u002Fskills\u002Ftest-driven-development\u002FSKILL.md",[],[],{"skillNo":76,"name":77,"nameZh":6,"description":78,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":79,"categories":80,"keywords":81,"publishedAt":18},"01M785W2AS08NSSH9YATCV6FJB","teams-meeting-pipeline","Operate the Teams meeting summary pipeline via Hermes CLI — summarize meetings, inspect pipeline status, replay jobs, manage Microsoft Graph subscriptions.","https:\u002F\u002Fgithub.com\u002FLord1Egypt\u002Fawesome-skill-forge\u002Fblob\u002Fmaster\u002Fskills\u002Fteams-meeting-pipeline\u002FSKILL.md",[],[],{"skillNo":83,"name":84,"nameZh":6,"description":85,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":86,"categories":87,"keywords":88,"publishedAt":18},"01M785VXKW4T34BTP1SCHW1R7F","systematic-debugging","4-phase root cause debugging: understand bugs before fixing.","https:\u002F\u002Fgithub.com\u002FLord1Egypt\u002Fawesome-skill-forge\u002Fblob\u002Fmaster\u002Fskills\u002Fsystematic-debugging\u002FSKILL.md",[],[]]