记忆百度嵌入数据库 - Clawdbot的语义记忆系统

基于百度嵌入技术的向量记忆存储与检索

专为Clawdbot设计的语义记忆系统，采用百度Embedding-V1模型，基于语义而非关键词进行记忆存储与检索。作为传统向量数据库（如LanceDB）的安全本地化替代方案。

🚀 功能特性

• 语义记忆检索- 基于语义（而非仅关键词）查找记忆
• 百度嵌入集成- 采用百度强大的Embedding-V1模型
• SQLite持久化存储- 本地安全存储，无需外部依赖
• 零数据泄漏- 所有处理均在本地通过您的API凭证完成
• 灵活标签系统- 支持自定义标签与元数据管理记忆
• 高性能- 优化的向量相似度计算
• 便捷迁移- 可直接替代现有memory-lancedb系统

🎯 使用场景

• 对话上下文管理- 记忆用户偏好与对话历史
• 知识管理- 基于语义存储与检索信息
• 个性化服务- 维护用户专属设置与偏好
• 信息检索- 根据含义查找关联信息
• 数据组织- 通过标签与元数据结构化记忆存储

📋 环境要求

• 已安装 Clawdbot
• 百度千帆API凭证（API密钥与Secret密钥）
• Python 3.8+ 环境
• 首次API调用需保持网络连接

🛠️ 安装指南

手动安装步骤

1. 将技能文件放置于~/clawd/skills/目录中
2. 安装依赖项（如果需要任何Python包）
3. 配置您的百度API凭证

配置

设置环境变量：

export BAIDU_API_STRING='${BAIDU_API_STRING}'
export BAIDU_SECRET_KEY='${BAIDU_SECRET_KEY}'

🚀 使用示例

基本用法

from memory_baidu_embedding_db import MemoryBaiduEmbeddingDB

# Initialize the memory system
memory_db = MemoryBaiduEmbeddingDB()

# Add a memory
memory_db.add_memory(
    content="The user prefers concise responses and enjoys technical discussions",
    tags=["user-preference", "communication-style"],
    metadata={"importance": "high"}
)

# Search for related memories using natural language
related_memories = memory_db.search_memories("What does the user prefer?", limit=3)

高级用法

# Add multiple memories with rich metadata
memory_db.add_memory(
    content="User's favorite programming languages are Python and JavaScript",
    tags=["tech-preference", "programming"],
    metadata={"confidence": 0.95, "source": "conversation-2026-01-30"}
)

# Search with tag filtering
filtered_memories = memory_db.search_memories(
    query="programming languages",
    tags=["tech-preference"],
    limit=5
)

🔧 集成

此技能可与Clawdbot的记忆系统无缝集成，作为memory-lancedb的直接替代品。只需更新您的配置以使用此记忆系统，而非传统系统。

📊 性能

• 向量维度：384（百度Embedding-V1输出）
• 存储：SQLite数据库（约每1000条记忆1MB）
• 搜索速度：1000条记忆约50毫秒（在典型硬件上）
• API延迟：取决于百度API响应时间（通常<500毫秒）

🔐 安全性

• 本地存储所有记忆存储在本地SQLite数据库中
• 加密API密钥：凭证安全存储在环境变量中
• 无外部共享：记忆从不离开您的系统
• 选择性访问：对存储内容进行精细控制

🔄 从memory-lancedb迁移

1. 安装此技能到您的技能/目录
2. 配置您的百度API凭证
3. 初始化新系统
4. 更新您的机器人配置以使用新的记忆系统
5. 验证数据完整性和性能

🤝 贡献

我们欢迎贡献！欢迎提交问题、功能请求或拉取请求来改进此技能。