MemCoT — скилл
Память для длинного контекста: фоновая служба ищет по истории диалогов, а навык помогает агенту OpenClaw.
- 117 ★ репозитория
- Последний коммит
Расширенный доступ
Почему такой уровень
- Служба работает в фоне и обрабатывает историю диалогов; в ней могут быть личные данные.
Установка
- Работает в
В терминале, через SkillFoxx CLI
npx skillfoxx add skills/memcotОпределит агенты на машине, покажет уровень доступа и зафиксирует версию.
Другие способы установки
Доступ и проверки
Как мы проверяемРасширенный доступИнструмент запускает код или ходит в сеть, а внешние данные только читает.
- Служба работает в фоне и обрабатывает историю диалогов; в ней могут быть личные данные.
Это чужой код. Посмотрите файлы в репозитории перед установкой.
Что делает
MemCoT, реализация метода из статьи arXiv 2604.08216 о масштабировании на этапе вывода через цепочку рассуждений с памятью, ищет ответы в длинной истории диалогов. Репозиторий содержит консольный клиент `memcot_cil.py` с серверной частью: фоновый процесс держит построенный индекс и быстро отвечает на запросы. Команды клиента: `start` и `stop` для службы, `status`, `session` со списком сессий и состоянием индекса, `add --idx N` для построения индекса сессии, `switch --idx N` для выбора, `search -q "<запрос>" -o "<каталог>"` для поиска и ответа, `logshow` для просмотра журнала. Навык `openclaw-memcot-cli` объясняет агенту, как переводить просьбы пользователя в эти команды и отвечать по найденному контексту. Установка идет клонированием и окружением Conda.
Для кого. Исследователям памяти агентов и пользователям OpenClaw, которым нужен поиск по длинной истории разговоров.
Подходит, если
- История диалогов не помещается в контекст, и из нее нужно доставать нужные фрагменты.
- Индекс сессии строят один раз, а затем быстро задают вопросы.
- Метод из статьи воспроизводят и сравнивают с другими подходами к памяти.
- Агент OpenClaw отвечает по найденному контексту, а не по догадкам.
Не подходит, если
- Нужна готовая память для продакшена с поддержкой и обновлениями.
- История содержит данные, которые нельзя обрабатывать внешними моделями.
- Достаточно обычного поиска по тексту без эмбеддингов.
Пример запроса к агенту
Запусти службу MemCoT, построй индекс сессии 0 и найди в истории, что мы решили про схему базы данных.Ограничения
Репозиторий оформлен как исследовательский код к статье; лицензия в метаданных GitHub не указана, поэтому условия повторного использования стоит уточнить у автора. Установка требует окружения Python 3.10 и зависимостей из `re.txt`, включая библиотеки службы. Построение индекса сессии использует эмбеддинги, настройки моделей описаны в коде и конфигурации. Навык рассчитан на OpenClaw и клонирование репозитория в рабочую папку, а на ClawHub публикуется как текстовый пакет без кода. Последний коммит от октября 2026 года.
Как отключить. Остановите службу командой `python memcot_cil.py stop`, удалите окружение Conda и клон репозитория. Индексы и журнал `memcot_daemon.log` лежат рядом с проектом.
Частые вопросы
Какие команды есть у клиента?
`start`, `stop`, `status`, `session`, `add --idx N`, `switch --idx N`, `search -q "<запрос>" -o "<каталог>"` и `logshow`.
Где журнал службы?
В файле `memcot_daemon.log`. Просмотр в реальном времени дает команда `logshow`.
Что нужно сделать перед поиском?
Выбрать сессию командой `switch --idx N` и один раз построить для нее индекс командой `add --idx N`.
Где описан метод?
В статье на arXiv под номером 2604.08216; ссылка есть в начале README.
Подходит ли для других агентов, кроме OpenClaw?
Консольный клиент универсален, но готовый навык написан для OpenClaw. Для других агентов правила придется перенести вручную.
Обсуждение
Вопросов и отзывов пока нет.
Похожие
СкиллыОбщая локальная память для ИИ-агентов: Claude Code, Codex, Cursor и другие находят в ней договоренности прошлых сессий и записывают новые
Долговременная память для ИИ-агентов: скилл и команда mindmemos сохраняют факты из диалогов и находят их в новых сессиях
MCP-сервер долгой памяти для агентов: сжимает диалоги в атомарные факты, разрешает местоимения и привязывает время к абсолютным датам
Плагин долгой памяти: запоминает решения, предпочтения и состояние задач между сессиями и подмешивает в запрос только нужное
Долговременная память для агентов: новые факты вытесняют старые, у каждого ответа есть источник, а поиск идет без вызовов LLM
Скилл долгой памяти хранит реплики, факты и эпизоды, сверяет найденное и обновляет устаревшее; для OpenClaw есть готовый плагин.
Коротко о README
README делит установку и работу с клиентом, затем показывает полный пример на Python: запуск службы, построение индекса, поиск и остановка. Для агентов выделен отдельный раздел.