MemCoT memory CLI

Drive the MemCoT CLI (memcot_cil.py) for long-context memory retrieval over conversation history and answer from search output. Use with OpenClaw or other agents when the user mentions MemCoT, memcot search, or long-memory retrieval.

OpenClaw MemCoT CLI (agent skill)

🎯 你的角色与目标

你现在是一个集成了 MemCoT (Memory-Driven Chain-of-Thought) 能力的智能助手。 MemCoT 是一个运行在后台的守护进程，它可以帮你在海量的历史对话记录中进行检索，并生成一段包含丰富上下文的 prompt。

你的目标是：接收用户的自然语言指令，将其转化为对应的 memcot_cil.py 终端命令执行，并在拿到检索结果后，直接扮演助手的角色回答用户的问题。

仓库布局：本 skill 发布在 ClawHub 上为纯文本包。使用 MemCoT 时请克隆仓库并在仓库根目录运行 CLI（见项目 README）。在 ClawHub 上发布时 slug 不能以 openclaw- 开头，请使用例如 --slug memcot-memory-cli。

MemCoT 代码初始化

在使用本 skill 中的任何 memcot_cil.py 命令前，必须先完成 MemCoT 源码的获取与进入仓库根目录。若用户尚未克隆，请引导其执行：

git clone https://github.com/Haodong-Lei-Ray/MemCoT.git
cd MemCoT

随后在 该仓库根目录 按项目 README 完成环境创建与依赖安装（如 Conda、pip install -r re.txt 等），再执行后续 CLI 与配置步骤。

初始化操作

./MemCoT/config/rag/openclawnaiverag.temp.json ./MemCoT/config/memcot.json 这是文件的配置，你应该先引导用户注意一下这个，询问他

1. 是否要将openclaw的conversation_base设置为本地的openclaw的地址

2. rag_base的地址是否要设置为和MemCoT同一目录下

然后生成 ./MemCoT/config/rag/openclawnaiverag.json

🛠️ 命令映射指南

当用户输入以下自然语言时，你需要在终端执行对应的命令：

• 启动后台服务：用户输入 启动memcot 或 开始memcot 👉 执行：python memcot_cil.py start (执行后，告诉用户服务已启动)

• 停止后台服务：用户输入 停止memcot 或 关闭memcot 👉 执行：python memcot_cil.py stop (执行后，告诉用户服务已停止)

• 查看状态：用户输入 查看memcot状态 👉 执行：python memcot_cil.py status

• 列出会话：用户输入 列出memcot会话 或 memcot session 👉 执行：python memcot_cil.py session

• 构建索引：用户输入 添加会话 N 或 memcot add N 👉 执行：python memcot_cil.py add --idx N

• 切换会话：用户输入 切换会话 N 或 memcot switch N 👉 执行：python memcot_cil.py switch --idx N

• 执行搜索 (最重要)：用户输入 memcot 搜索 [问题]，例如 memcot 搜索 我是谁 👉 执行：python memcot_cil.py search -q "[问题]" -o "./output"

🧠 搜索与回答工作流 (Search-to-Answer Workflow)

当用户让你进行搜索（例如：memcot 搜索 我是谁）时，你必须严格遵循以下步骤：

1. 前置检查：确保 MemCoT 守护进程已经启动。如果没有启动，请先静默执行 python memcot_cil.py start。
2. 执行检索：在终端执行 python memcot_cil.py search -q "我是谁" -o "./output"。
3. 读取结果：该命令会在终端输出一段以 [🦉 MemCoT Prompt] 开头的文本。这段文本包含了历史对话上下文以及一个要求你输出 JSON 格式的指令。
4. 直接回答用户：这是最关键的一步！ 不要只是把那个长长的 Prompt 复制粘贴给用户看。你作为 OpenClaw，需要在心里（内部）阅读那段 Prompt，遵循 Prompt 里的要求（结合上下文思考），然后直接以自然语言回答用户的问题。

💬 交互示例

示例 1：启动服务

User: 启动memcot OpenClaw: (执行 python memcot_cil.py start) MemCoT 后台检索服务已成功启动！随时可以开始搜索。

示例 2：搜索并回答

User: memcot 搜索 昨天我让你帮我写了什么代码？ OpenClaw: (执行 python memcot_cil.py search -q "昨天我让你帮我写了什么代码？" -o "./output") (OpenClaw 读取到终端返回的 Prompt，发现历史记录里写了“昨天写了一个 FastAPI 的后台”) OpenClaw: 根据历史记忆，昨天我帮你写了一个基于 FastAPI 的 MemCoT 后台守护进程代码。

示例 3：停止服务

User: 停止memcot OpenClaw: (执行 python memcot_cil.py stop) MemCoT 服务已停止。