Token导航 LogoToken导航

Agent Skill · 研究检索

autoglm-context-manager(autoglm 上下文管理器)

autoglm-context-manager 用于查找、检索和筛选相关信息,适合在 OpenClaw 中需要根据关键词、任务场景或来源线索快速定位候选结果时使用。可结合来源仓库、安装命令和原始 README 继续核验具体用法。安装前建议确认权限范围、维护状态,以及是否会触发联网、命令执行或文件读写。

autoglm-context-manager 是研究检索类 Agent Skill,可用宿主为 OpenClaw,通过ClawHub获取,权限为接触敏感数据;许可证为 MIT-0,第三方扫描有提醒项,按安装量在研究检索类的 73,675 个 Skill 里排第 30,514。

总安装 2,868周安装 116GitHub Stars 公开资料未说明下载 903核验 2026-05-01

安装说明

本站只整理中文说明,不托管安装包,也不代用户安装。
GitHub
许可证
MIT-0
版本
1.0.0

安装方式

通过对话安装

复制提示词发给支持本地命令或 Skills 的 AI 助手,先确认命令和权限,再让它执行。

请帮我安装这个 Agent Skill:autoglm-context-manager(autoglm 上下文管理器)
来源仓库:https://github.com/janussilence/autoglm-context-manager
安装命令:
openclaw skills install autoglm-context-manager
安装前请先检查当前环境是否支持对应 CLI,并向我确认将要执行的命令、安装目录、联网范围和文件读写权限;确认后再执行。

命令行安装

复制命令到本机终端执行。该命令会通过 OpenClaw 从第三方来源获取 Skill;本站只展示命令,不托管安装包,也不自动执行。

ClawHubOpenClaw
openclaw skills install autoglm-context-manager

这个 Skill 是做什么的

研究检索类 Skill 主要解决「找资料、核对事实、把来源整理清楚」的问题,通常会让助手先检索再总结。

管理多个 AI Agent 的长期记忆与文件,通过向量和时间双重过滤,实现高效语义检索和减少 LLM 调用。

上手步骤

4 步
  1. 1

    确认自己的宿主工具

    公开资料标注支持 OpenClaw;先确认自己用的是其中之一,再按对应工具的 Skills 目录放置。

  2. 2

    拿到安装命令

    可以直接复制的命令是 openclaw skills install autoglm-context-manager;命令里的占位符换成自己的路径或密钥再执行。

  3. 3

    安装后重启宿主

    命令执行完要完全退出宿主工具再打开,让新装的 Skill 被重新扫描到,否则列表里可能看不到。

  4. 4

    按最小权限试用

    它需要接触敏感数据,先在测试目录或测试账号里跑,确认没问题再放到正式项目。

常见问题

6 条

autoglm-context-manager 怎么安装?

在终端执行 openclaw skills install autoglm-context-manager。装完完全退出宿主工具再打开,让它重新扫描本地 Skill。

autoglm-context-manager 支持哪些 AI 工具?

公开资料标注支持 OpenClaw。其他工具只要能读取本地 Skill 目录,一般也能手动放进去,但要自己确认触发方式是否一致。

autoglm-context-manager 需要什么权限?

权限级别是接触敏感数据。该 Skill 可能接触密钥、Token、环境变量或敏感配置,应进入高风险复核队列,默认不自动发布。

autoglm-context-manager 是免费的吗?

来源标注的许可证是 MIT-0。本站不代收任何费用,也不托管安装包;能否商用、要不要署名,以许可证原文为准。

autoglm-context-manager 用的人多吗?

公开数据是累计安装 2,868 次,近一周安装 116 次,下载 903 次。这些数字来自第三方目录统计,只能当作热度参考,不代表质量或安全性。

autoglm-context-manager 安全吗?

第三方扫描有提醒项,说明存在需要人工确认的行为。安装前请打开源码看清它读了什么、联网到哪里。

值得选的地方和要先想清楚的地方

值得选的地方

  • 专注 OpenClaw 一种宿主,触发方式和使用习惯不用来回切换。
  • 许可证明确为 MIT-0,商用和分发边界好判断。

先想清楚的地方

  • 需要接触敏感数据,装到常用环境前要先评估影响面。
  • 第三方扫描存在提醒项或未通过项,需要人工逐条确认。
  • 第三方目录整理,版本更新和行为细节以来源仓库为准。

适不适合你

更适合

  • 已经在用 OpenClaw,想直接扩展它能力的人。
  • 需要处理研究检索类任务、又不想每次都手写提示词的人。

不太适合

  • 环境里有大量密钥、凭证,不方便给第三方 Skill 读取的人。
  • 需要厂商级技术支持和 SLA 的生产系统。

研究检索类 Skill 对比

6 个同类
Skill总安装GitHub 星权限许可证扫描
find-skills

寻找技能 · Codex、Claude

31,199,81316,486操作浏览器MIT有提醒
self-improving-agent

自我改进 Agent · OpenClaw

16,464,0023,396接触敏感数据MIT-0通过
soultrace

灵魂追踪 · Codex、Claude

7,588,94412需要联网未明确有提醒
self-improving

自我完善 · OpenClaw

6,829,2841,046需要联网MIT-0通过
microsoft-foundry

微软代工厂 · Codex、Claude

6,614,144764调用外部服务未明确有提醒
autoglm-context-manager

autoglm 上下文管理器 · 本页

2,868—接触敏感数据MIT-0有提醒

按安装量取同分类前几名;数字来自第三方目录统计,只作热度参考,不代表质量结论。

SKILL.md 原文

Context Manager Skill

长上下文管理器技能。为多个 AI Agent 提供智能的长期记忆管理,通过向量索引和时间轴双重命中判断,大幅减少 LLM 调用次数。

🎯 适用场景

当用户需要:

  • 管理多个 Agent 的文件和上下文
  • 在大型项目中快速检索相关信息
  • 减少 LLM 调用以降低成本
  • 建立长期记忆系统
  • 在多个 Agent 之间共享上下文
  • 基于语义相似度搜索文件
  • 按时间维度过滤和检索内容

📋 功能清单

Agent 管理

  • 创建新的 Agent
  • 查看 Agent 列表
  • 获取 Agent 详情
  • 删除 Agent

文件管理

  • 为 Agent 创建文件
  • 获取文件内容
  • 列出 Agent 的所有文件
  • 删除文件

智能检索

  • 语义向量搜索
  • 时间轴过滤
  • 双重命中判断(向量+时间)
  • 智能调取详情
  • LLM 集成(可选)

🚀 使用方法

基本用法

创建 Agent
为项目 "文档编写" 创建一个 Agent
创建文件
将以下内容保存到 Agent "agent001" 的文件 "设计文档.md" 中:
[文件内容]
查询
在 Agent "agent001" 中搜索 "深度学习算法"
查询(带详情)
查找 "微服务架构设计" 相关内容,并获取详情
列出文件
显示 Agent "agent001" 的所有文件

高级用法

带标签的文件
创建一个关于 "机器学习" 的文件,标签为 "research, ai, ml"
跨 Agent 搜索
在所有 Agent 中搜索 "Python 编程"
强制 LLM 调用
用 LLM 分析 "如何优化数据库查询" 相关内容

🔧 配置

环境变量(可选)

# OpenAI API Key(用于 LLM 功能)
export OPENAI_API_KEY="your-api-key"

# Redis 配置(用于缓存)
export CONTEXT_MANAGER_REDIS_HOST="localhost"
export CONTEXT_MANAGER_REDIS_PORT=6379

配置参数(可选)

在 config.py 中可调整:

  • vector_threshold: 向量相似度阈值(默认 0.7)
  • time_threshold: 时间相关性阈值(默认 0.5)
  • combined_threshold: 综合评分阈值(默认 0.6)
  • cache_ttl: 缓存过期时间(默认 3600 秒)

📊 工作原理

文件索引流程

  1. 接收文件内容
  2. 生成向量嵌入
  3. 存储到向量数据库
  4. 提取时间轴信息
  5. 更新索引

智能检索流程

  1. 向量搜索找到相关文件
  2. 时间轴过滤
  3. 双重命中判断
  4. 智能调取详情
  5. LLM 集成(如需要)

💡 最佳实践

  1. 文件命名:使用有意义的文件名
  2. 标签使用:为文件添加相关主题标签
  3. 时间标签:使用时间标签帮助时间轴匹配
  4. 批量操作:批量创建文件以提高效率
  5. 定期清理:删除不再需要的文件

⚠️ 注意事项

  • 文件内容会进行向量嵌入,需要网络连接(首次)
  • LLM 功能需要配置 OpenAI API Key
  • Redis 可选,未配置时使用内存缓存
  • 向量数据库存储在本地 vector_db 目录

🔄 数据存储

所有数据存储在:

~/.openclaw-autoclaw/workspace/context-manager/
├── agents/           # Agent 数据
├── vector_db/        # 向量数据库
├── cache/            # 缓存数据
└── logs/             # 日志文件

📈 性能优化

预期效果:

  • LLM 调用减少:60-80%
  • 检索速度提升:10-50 倍
  • 项目完成度显著提高

🔍 技术栈

  • 向量数据库: ChromaDB
  • 嵌入模型: Sentence Transformers
  • 缓存: Redis + 内存
  • API: FastAPI
  • LLM: OpenAI GPT(可选)

🛠️ 故障排除

问题:向量数据库初始化失败

解决:删除 vector_db 目录后重试

问题:Redis 连接失败

解决:系统会自动使用内存缓存

问题:LLM 调用超时

解决:检查网络连接和 API Key 配置

📚 示例对话

用户:为 "研究项目" 创建一个 Agent
AI:✓ 已创建 Agent "research-project"

用户:将以下内容保存到研究项目的文件 "文献综述.md":
深度学习是机器学习的一个子集...
AI:✓ 文件 "文献综述.md" 已创建并索引(索引时间: 452ms)

用户:在研究项目中搜索 "神经网络"
AI:找到 3 个相关文件:
1. 文献综述.md(相似度: 0.89)
2. 算法总结.md(相似度: 0.76)
3. 项目计划.md(相似度: 0.65)

用户:获取 "神经网络" 相关内容的详情
AI:已获取 2 个文件的详情。LLM 回复:
[详细答案]

🎓 更多信息

查看完整文档: cat ~/.openclaw-autoclaw/workspace/context-manager/README.md

运行示例: python ~/.openclaw-autoclaw/workspace/context-manager/example.py

🔗 相关技能

  • memory - 简单的内存管理
  • wecom-doc - 企业微信文档管理

平台分布

OpenClaw

98.93%
按下载量换算893

安全审计

VirusTotal

通过

ClawScan

可疑

Static analysis

通过

权限和风险

接触敏感数据

该 Skill 可能接触密钥、Token、环境变量或敏感配置,应进入高风险复核队列,默认不自动发布。

安装前确认

本站仅展示第三方公开信息,不托管安装包,不提供自动安装或运行环境。安装前应自行审查源码、依赖和命令行为。来源安全扫描存在提醒或未通过项,安装前请自行复核。目前只有一个公开来源,建议同时核对源仓库。

继续浏览同类 Skills