ActiveWiki — OpenClaw Wiki Integration

Status: Stabil/Release | Letzte Änderung: 2026-05-30 | Autor: Felix Lechner

1. Überblick

Was

ActiveWiki ist ein OpenClaw MemoryCorpusSupplement-Plugin, das eine Wiki-Vektordatenbank und einen Knowledge Graph automatisch in OpenClaws Active Memory Retrieval-Pipeline integriert.

Warum

Vor dem Plugin konnte der Active Memory Subagent nur eigene memory/-Dateien und Session-Verläufe durchsuchen. Wiki-Inhalte (private, family, public) waren nur manuell über memory_search corpus=wiki erreichbar — nicht automatisch bei jeder Antwort.

Jetzt: Jede memory_search-Query durchsucht automatisch Session-Geschichte + Wiki-Vektordatenbank + Knowledge Graph. Ergebnisse werden gemerged, nach Score sortiert, und als <active_memory_plugin>-Block in den LLM-Prompt injiziert.

Architektur

Nutzerfrage
    ↓
Active Memory Subagent → memory_search
    ↓
┌─── memory-core (eigene memory/ + Sessions)
├─── activewiki (Plugin)
│       ├── vectordb.py search      (Vektor-Chunks)
│       └── vectordb.py graph pages (KG-Entities + Beziehungen)
│       └── gemergt, scope-gegated
└─── Framework mergeMemorySearchCorpusResults()
    ↓
<active_memory_plugin>-Block im Prompt

2. Codebasis

Struktur

activewiki/
├── activewiki.example.json   ← Config-Vorlage
├── scopes.json               ← Scope-Mapping Beispiel
├── scripts/                  ← Python-Pipeline
│   ├── config.py             ← Config-Loader
│   ├── ingest.py             ← Dokumente in Inbox importieren
│   ├── distill.py            ← Wiki-Seiten generieren (LLM)
│   ├── split_pages.py        ← Große Dokumente chunken
│   ├── vectordb.py           ← Vektordatenbank + Knowledge Graph
│   ├── graph_build.py        ← Entity-Extraktion + Graph-Build
│   └── run_inbox.sh          ← Master-Pipeline (alle Phasen)
└── plugin/                   ← TypeScript OpenClaw-Plugin
    ├── index.ts
    ├── lib/
    │   ├── cli-wrapper.ts    ← hybride Suche: Vektor→Graph-Bridge
    │   ├── scope-resolver.ts ← Scope-Gating
    │   ├── wiki-reader.ts    ← Wiki-Seiten lesen
    │   └── types.ts
    ├── openclaw.plugin.json
    ├── package.json
    ├── tsconfig.json
    └── knowledge-graph.md    ← Betriebshandbuch

Plugin (TypeScript)

index.ts — Plugin-Entry:

• Registriert MemoryCorpusSupplement mit search() und get()
• register(api) ist synchron (OpenClaw-Anforderung)

lib/cli-wrapper.ts — Hybride Suche:

1. Vektorsuche überfetcht (k = clamp(maxResults×3, min 12, max 30))
2. Top-Treffer → wiki_page extrahiert (max 8 Pages)
3. graph pages holt Entities + 1-Hop-Beziehungen
4. KG-Quota: ~⅓ der Slots für KG-Treffer reserviert

Sicherheitsmaßnahmen:

• execFile statt exec (keine Shell-Interpolation)
• Whitelist-ENV (keine Secrets an Subprozess)
• Timeouts: 30s Vektor, 10s Graph
• Buffer-Limits: 2MB / 1MB

lib/scope-resolver.ts — Scope-Gating:

• Liest Scopes-Config bei jeder Suche neu (Pfad aus activewiki.json oder ACTIVEWIKI_SCOPES_CONFIG)
• Substring-Matching: sessionKey gegen sessionKeyPatterns
• Subagent-Workaround: Strippt :active-memory: und :subagent: Suffixe

lib/wiki-reader.ts — Seite lesen:

• Line-based Slicing (fromLine, lineCount)
• Slug-Validierung: ^[a-z0-9\-]{1,100}$
• safeResolve(): Pfad muss innerhalb wiki/<scope>/ bleiben

Scripts (Python)

config.py — Zentraler Config-Loader:

• Liest activewiki.json (Suchreihenfolge: --config → ACTIVEWIKI_CONFIG → auto-detect)
• Dot-notation Access: get(config, "embeddings.ollama_url")
• Helper-Funktionen: wikis_root(), scopes(), ollama_url(), llm_model() etc.

vectordb.py — Vektordatenbank + Knowledge Graph:

• Embedding über Ollama (bge-m3 oder konfiguriertes Modell)
• SQLite-Storage (vectordb/index.sqlite)
• Cosine Similarity Suche (numpy)
• Scope-aware (SQL-level Filterung)
• Knowledge Graph: Entities, Relationships, Communities
• Incremental Updates (content-hash basierend)

ingest.py — Dokument-Import:

• Docling OCR (PDF, Bilder, DOCX) → Markdown
• Scope-Erkennung aus inbox/<scope>/
• Content-Hashing (Duplikate vermeiden)

distill.py — Wiki-Seiten-Generierung:

• LLM-gestützte Extraktion (Docling Output → strukturierte Wiki-Seiten)
• Hierarchisch: Ordnerstruktur wird zur Wiki-Hierarchie
• Bottom-up Rollup: Parent-Seiten aus Child-Seiten synthetisiert

run_inbox.sh — Master-Pipeline:

• Koordiniert alle Phasen: Ingest → Distill → Vectordb → Graph
• Deadline-Respecting (konfigurierbar)
• Lock-File (keine parallelen Runs)

3. Konfiguration

activewiki.json

Kopiere activewiki.example.json nach activewiki.json und passe an.

Alle konfigurierbaren Optionen:

llm.temperature (float, default 0.5) — Wichtig: Von allen Scripts (vectordb.py, distill.py, split_pages.py) zentral ueber Config verwendet — nicht mehr hardcoded!

llm.max_tokens (int, default 4096) — Max Tokens pro Antwort

Vollstaendige Vorlage mit allen Optionen und Kommentaren: activewiki.example.json.