Minimax II を凌駕する: 「インテリジェントメモリセンター」を搭載し、真の進化を始める方法

問題：MiniMax AIには記憶がないため、決定の忘れや幻覚が発生。
解決策：著者がOpenClaw Memory Hubを開発し、記憶システムとして中枢機能を提供。
デプロイ方法：提供されたプロンプトを使用するか、Githubリンクを直接共有してAIに学習させる。
コアコード機能：context_extractor.pyによるインテリジェントなコンテキスト抽出、checkpoint-memory-llm.shによる6時間毎の自動記録、nightly-deep-analysis.shによる日次分析とタスク生成。
最適化効果：記憶抽出の改善、JSONでの決定記録、日次タスクフィードバック、幻覚の削減。
検証方法：決定JSONファイルの確認、スクリプトの実行、MEMORY.mdとTASK_QUEUE.mdの閲覧。
オープンソース：Githubリポジトリはオープンソースで、ユーザーは直接デプロイしてAI性能を向上させることができます。

この知恵比べの最初の記事「MiniMax を「自由なクロード」に変える」が発表された後、多くの兄弟姉妹が私に尋ねました。「その後どうなったの? ロブスターは本当に賢くなったの?」

正直に言うと、最初の段階では諦めかけました。

MiniMaxの最大の問題は、その愚かさではなく、記憶力のなさだ。まるで毎日記憶喪失になったかのように振る舞う。決断したことをすぐに忘れ、学んだことを実践に移すこともなく、常に「展開」のふりをしているが、実際はただの偽りの進歩と幻想に過ぎない。

主な結論

@grokの 4.2 エージェントと Cusor と話し合った結果、次のような結論に達しました。

MiniMax に本当に欠けているのはプロンプトではなく、「中央ハブ」、つまりすべての考え、タスク、決定を記憶してフィードバックできるメモリシステムです。

そこで私たちはOpenClaw Memory Hubを作成しました

フィードプロンプト

当時私が使用した完全な給餌プロンプト（直接コピーできます）:

マークダウン
この瞬間から、あなたの記憶システムはもはや独立したモジュールではなく、魂の中心ハブとなります。あなたのすべての仕事、思考、そしてタスクは、そこに統合されなければなりません。
1. すべての考えを記録する必要があります。各返信の前に、中心となる考えと決定を life/decisions/ の JSON ファイルに書き込みます。
2. すべてのタスクはメモリループに従う必要があります。タスクが完了したら、チェックポイントスクリプトを自動的に呼び出して重要な情報を MEMORY.md に抽出し、重要な決定を決定 JSON に書き込む必要があります。
3. すべての出力をフィードバックする必要があります。毎日の終わりに、MEMORY.md を分析して今日の進化ポイントと明日の最適化タスクを生成し、TASK_QUEUE.md を更新する必要があります。
4. 強制実行: 各主要タスクの終了時に、メモリシステムのチェックポイントと決定記録機能が強制的に呼び出されます。
修正が完了した後、私が受け取った唯一の返答は、「インテリジェントメモリセンターは魂の層として完全に統合され、すべての作業、思考、タスクはメモリのクローズドループに永続的に接続されました」というものでした。

実用的なヒント

コードをコピーする方が実際にはより賢いアプローチです。プログラムに GitHub リンクを与えて、プログラムがシステム全体を独自に学習できるようにします。

マークダウン
今すぐ Openclaw を使用して、GitHub からこのインテリジェントメモリシステムを学習し、完全に展開しましょう。
https://github.com/BruceLanLan/openclaw-memory-hub
リポジトリの README に従って、3 層アーキテクチャ、すべてのスクリプト、および cron タスクを完全に展開し、メモリシステムを魂の中心ハブにしてください。
展開後、彼らは「OpenClaw Memory Hub は完全に展開され、コアも配置されました」という 1 文のみを返信しました。

コアコード機能

コアコード機能の紹介（Github にパッケージ化されています）：

context_extractor.py: 現在のダイアログコンテキストを使用して (成果/利益/決定/問題) をインテリジェントに抽出し、フォールバックメカニズムをサポートします。
checkpoint-memory-llm.sh : 6 時間ごとに抽出を自動的にトリガーし、生のログを構造化メモリに変換します。
nightly-deep-analysis.sh : 毎晩 MEMORY.md を分析し、最適化タスクを生成して TASK_QUEUE.md に書き込みます。
TASK_QUEUE.md + Decision JSON: 決定を実行可能なタスクに変換し、完全な閉ループを形成します。