amber-hunter（琥珀猎人）

amber-hunter — AI 第二大脑 Skill

What It Is

amber-hunter 是运行在本地（port 18998）的 FastAPI 服务，为 Claude Code 提供长期记忆能力和知识自动编译能力。

核心能力矩阵：

启动

cd ~/.openclaw/skills/amber-hunter
python3 amber_hunter.py
# 或后台运行
python3 amber_hunter.py &

服务启动时：

1. 自动初始化 SQLite 数据库（memory.db）
2. 启动编译 daemon（每 6 小时扫描一次覆盖缺口）
3. 冷启动编译（启动时如果有覆盖缺口，立即触发一次）

认证

Token 获取流程（首次设置）：

# 1. 启动服务
python3 amber_hunter.py

# 2. 从本地获取 token（仅 localhost 可访问）
curl http://localhost:18998/token
# 返回: {"token": "xxx"}

# 3. 写入本地配置
echo "Bearer xxx" > ~/.openclaw/token

API 端点总览

无需认证（localhost）

核心 — 胶囊管理（Bearer Token）

核心 — 记忆召回（Bearer Token）

/recall 参数：

/recall 响应新增字段（v1.2.41）：

/recall/evaluate 端点（v1.2.41）：

/recall/evaluate 请求体：

{"queries": [{"q": "...", "expected_capsule_ids": ["..."]}]}

/recall/evaluate 响应：

{
  "ragas_scores": {"faithfulness": 0.x, "answer_relevancy": 0.x, "context_precision": 0.x},
  "ndcg_at_5": 0.x,
  "evaluated_at": "...",
  "total_queries": 2
}

/ingest 参数：

审阅队列（Bearer Token）

知识编译器 v1.2.38+（Bearer Token）

编译触发条件：

覆盖缺口： 有 ≥3 个胶囊但无 concept page 的 category_path。

管理操作（Bearer Token + localhost）

DID E2E 加密（Bearer Token）

WAL（Write-Ahead Log）

Session 上下文

Profile

Corrections（记忆纠错）

工具类

数据模型

capsules 表

CREATE TABLE capsules (
    id              TEXT PRIMARY KEY,     -- 唯一 ID (secrets.token_hex)
    memo            TEXT,                 -- 记忆摘要
    content         TEXT,                  -- 完整内容
    category_path   TEXT,                  -- 分类路径，如 "dev/python"
    tags            TEXT,                  -- 逗号分隔标签
    hotness_score   REAL DEFAULT 0,        -- 热度分
    hit_count       INTEGER DEFAULT 0,     -- 被 recall 命中的次数
    session_id      TEXT,                  -- 来源 session
    encrypted       INTEGER DEFAULT 0,     -- 是否加密
    vector_id       TEXT,                  -- LanceDB 向量 ID
    synced          INTEGER DEFAULT 0,    -- 是否已同步云端
    created_at      REAL,                  -- unix timestamp
    updated_at      REAL,
    content_hash    TEXT                   -- 去重用
)

insights 表（v1.2.17+）

CREATE TABLE insights (
    id              TEXT PRIMARY KEY,
    capsule_ids     TEXT,          -- JSON array
    summary         TEXT,           -- 纯文本摘要
    path            TEXT,           -- category_path
    concept_slug    TEXT,           -- slug化 path (v1.2.38+)
    wiki_content    TEXT,           -- 完整 markdown (v1.2.38+)
    hotness_score   REAL DEFAULT 0,
    created_at      REAL,
    updated_at      REAL
)

memory_queue 表

CREATE TABLE memory_queue (
    id          TEXT PRIMARY KEY,
    content     TEXT,
    tags        TEXT,
    session_id  TEXT,
    source      TEXT DEFAULT 'ingest',
    created_at  REAL
)

配置

配置文件：~/.openclaw/skills/amber-hunter/config.json

{
  "auto_sync": true,
  "sync_interval_seconds": 300,
  "embed_model": "BAAI/bge-m3",
  "vector_dim": 1024,
  "rerank_model": "BAAI/bge-reranker-v2-m3",
  "llm_model": "gpt-4o-mini",
  "huper_api_key": "sk-...",
  "key_source": "pbkdf2",
  "compile_interval_hours": 6.0,
  "compile_capsule_threshold": 100
}

关键行为

胶囊创建时的 category_path 推断

/ingest 和 /capsules POST 会自动从内容中推断 category_path：

推理依据：content + tags → LLM 分类
兜底：category_path = "general/default"

/recall 混合评分公式

final_score = 0.35 * norm_lance + 0.25 * norm_kw + 0.20 * recency + 0.20 * hotness

• LanceDB 向量相似度（归一化）
• 关键词 overlap 分
• 近期性（7天衰减）
• 热度分

wikilinks 注入策略（Knowledge Compiler）

LLM 生成 wikilinks 不稳定（max_tokens=600 时 Related Capsules 部分常被截断）。 最终策略：代码事后注入：

wikilinks = " ".join(f"[[{cid}:{short_label}]]" for cid in capsule_ids)
wiki_content = wiki_content.rstrip() + f"\
\
### Related Capsules\
{wikilinks}"

Cold Start 行为

服务启动时：

1. 如果有覆盖缺口，立即触发一次 _run_batch_compile()
2. 如果 auto_train 启用，触发 embedding 模型训练

使用示例

创建记忆

curl -X POST http://localhost:18998/ingest \
  -H "Authorization: Bearer $(cat ~/.openclaw/token)" \
  -H "Content-Type: application/json" \
  -d '{"content": "修了一个版本号测试过时的问题", "tags": "amber-hunter,bugfix"}'

召回记忆

curl "http://localhost:18998/recall?query=amber-hunter版本号问题&rerank=true" \
  -H "Authorization: Bearer $(cat ~/.openclaw/token)"

手动触发知识编译

# 编译指定 path
curl -X POST "http://localhost:18998/admin/compile?path=knowledge/devops" \
  -H "Authorization: Bearer $(cat ~/.openclaw/token)"

# 查看 daemon 状态和缺口
curl "http://localhost:18998/admin/compile/status" \
  -H "Authorization: Bearer $(cat ~/.openclaw/token)"

获取已编译的概念页

# 列出所有概念页
curl "http://localhost:18998/concepts" \
  -H "Authorization: Bearer $(cat ~/.openclaw/token)"

# 获取指定概念页
curl "http://localhost:18998/concepts/knowledge/devops" \
  -H "Authorization: Bearer $(cat ~/.openclaw/token)"

已知限制

1. Bearer Token 存在磁盘：~/.openclaw/token 是明文，localhost 以外不安全
2. 向量索引重建昂贵：/admin/reindex-vectors 在大量胶囊时耗时较长
3. Wiki 编译器依赖 LLM：LLM 不可用时 compile_concept_page 返回 None
4. DID 注册需要 Huper 云端：本地 DID setup 后还需要云端注册才生效

相关文件

amber-hunter/
├── amber_hunter.py      # FastAPI 主文件，所有端点
├── core/
│   ├── db.py            # SQLite 数据层
│   ├── wiki_compiler.py # 知识编译器（v1.2.38）
│   └── llm.py           # LLM 调用封装
├── tests/
│   └── test_api/
│       └── test_status.py  # 状态 API 测试
├── config.json          # 配置文件
└── SKILL.md             # 本文档

适用场景

用 amber-hunter 当：

• 需要 AI 在长时间对话中保持"记忆"
• 需要从历史胶囊中检索相关经验
• 需要将多个相关记忆自动组织成概念页
• 需要加密存储敏感记忆到云端

不用 amber-hunter 当：

• 简单 KV 存储（用文件或 SQLite 直接写）
• 需要服务端部署（它是纯本地服务）
• 需要多人实时协作（它是单人设计）