Thought-Retriever Skill
> 将每次对话中生成的回答，提炼成可积累、可复用的"知识晶体"，驱动AI记忆系统的自我进化。
核心原理
Thought-Retriever 脱胎于论文 arXiv:2604.12231，其核心洞察是：
不要只检索原始数据，要检索 LLM 生成的想法（Thoughts）。
每次对话后，LLM的回答中蕴含着有价值的洞察——这些洞察才是记忆系统的核心养料，而不是原始对话日志。
五步循环
用户问题
↓
步骤1: 检索相关 Thought
↓（从 ontology 中找最相关的已有 Thought）
步骤2: 生成回答
↓（由主模型完成，这里只记录结果）
步骤3: 提炼候选思想 + 计算置信度
↓（用 LLM 从回答中抽取知识晶体，赋置信度）
步骤4: 查重剔除冗余
↓（相似度 > θ → 合并；置信度 < γ → 丢弃）
步骤5: 更新记忆
↓（新增/合并 Thought 到 ontology）
阈值参数
| 参数 | 默认值 | 说明 |
|---|---|---|
| γ（gamma） | 0.6 | 置信度阈值，低于此值的新 Thought 直接丢弃 |
| θ（theta） | 0.80 | 相似度阈值，高于此值视为重复，合并已有 |
存储结构
每个 Thought 是 ontology 中的一个实体：
{
"id": "thou_59a993f9",
"type": "Thought",
"properties": {
"content": "AI接单系统可以通过结合微信群与竞标平台形成多渠道互补",
"confidence": 0.8,
"last_accessed": "2026-05-02T07:42:59+00:00",
"source": "conversation",
"query": "赵匡的AI接单系统包括哪些渠道"
}
}
置信度评分标准
| 分数 | 含义 |
|---|---|
| 0.9-1.0 | 明确验证过的结论，多个证据支持 |
| 0.7-0.8 | 合理推断，有一定依据 |
| 0.5-0.6 | 初步观察，可能需要验证 |
| <0.5 | 丢弃 |
文件位置
~/.openclaw/workspace/skills/thought-retriever/
thought_retriever.py ← 核心引擎
SKILL.md ← 本文件
~/.openclaw/workspace/memory/ontology/
graph.jsonl ← Thought 实体存储
schema.yaml ← Thought 类型定义
使用方式
命令行调用
python skills/thought-retriever/thought_retriever.py \
--query "用户问题" \
--answer "生成的回答" \
--feedback "用户反馈（可选）"
配置为对话后钩子（OpenClaw）
在 OpenClaw 配置中注册为 post-turn 钩子，每次对话结束自动触发。
手动运行测试
python skills/thought-retriever/thought_retriever.py \
--query "赵匡的AI接单系统包括哪些渠道" \
--answer "包括微信群接单和dealwork.ai平台竞标两个渠道"
与其他组件的关系
| 组件 | 作用 |
|---|---|
| ontology | 提供存储和检索 Thought 的基础设施 |
| self-improving | 记录失败案例，影响新 Thought 的初始置信度 |
| Evolver | 读取 Thoughts，作为自我进化的分析素材 |
注意事项
- 使用百炼 glm-5.1 模型（不走代理）
- 每个 Thought 都有
query字段，记录生成它时的原始问题 - 置信度会在后续相关查询被触发时自动提升
- 定期检查
memory/ontology/graph.jsonl中的 Thought 数量和置信度分布
