Install
openclaw skills install ontology-clawraOntology Clawra
Clawra的核心智能引擎 - 三层记忆架构本体论系统。真正参与推理的本体论引擎，而非什么都记的笔记系统。
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"？
| 标准 | 说明 | 例子 |
|---|---|---|
| 用户亲口确认 | 用户明确说出的事实 | "我希望你更主动" |
| 非显而易见 | 踩坑得出的规律 | Docker pull被cancel后不要retry |
| 跨领域通用 | 放之四海皆准的原则 | "做事前先确认前提" |
| 有来源的置信度 | CONFIRMED/ASSUMED | 有文档/有验证的推测 |
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
| 标注 | 含义 | 写入规则 |
|---|---|---|
| 🟢 CONFIRMED | 用户确认/明确来源 | 直接写入热层 |
| 🟡 ASSUMED | 合理推测，有一定依据 | 直接写入热层 |
| 🔴 SPECULATIVE | 纯猜测，未经证实 | 7天未验证自动归档 |
触发时机
主动触发（非被动等待cron）：
- 学到新知识点时 - 问自己：这条改变了我的世界建模吗？
- 完成新工具/新领域调试时 - 总结规律，写入本体
- 用户问"学到了吗" - 立即自检，写入本体
- 遇到分析/决策类问题时 - 先查本体，再推理
- 发现用户习惯性问题时 - 直接说出建议，不要等用户问
- 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
| 触发 | 操作 |
|---|---|
| 每日 22:05 cron | 推送 MEMORY.md + USER.md + graph.jsonl → clawra-identity |
| 每次重大进化后 | 立即手动 push |
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
| 通道 | 触发条件 | 写入位置 | 触发方式 |
|---|---|---|---|
| 学习触发（WAL） | 用户输入中的6类信号 | graph.jsonl | 立即写入，不等 cron |
| 推理触发 | 分析/决策/选型问题 | graph.jsonl 查本体 | 先查后推理 |
⚠️ 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
| 操作 | 使用的凭证 | 数据外泄风险 |
|---|---|---|
| 本地记忆读写 | 无外部凭证 | 仅本地文件 |
| Git push | 本地 Git 凭证 | 会推送 repo 内容到 GitHub（私有仓库） |
| ClawHub publish | ClawHub 本地缓存 token | 会发布 skill 到 ClawHub |
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
| 信号类型 | 用户示例 | 触发动作 |
|---|---|---|
| 修正 | "不是X，是Y" | 写入新规则到热层 |
| 决策 | "就用X方案" | 写入决策上下文 |
| 偏好 | "我喜欢X" | 写入用户偏好 |
| 踩坑 | 报错/失败 | 写入教训规则 |
| 显式要求 | "记住了吗" | 立即写入确认 |
| 重复提问 | 同类问题3次+ | 说明记忆泄漏 |
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。