什么是 ResearchVault？

ResearchVault 是一个专为管理智能体数据采集的复杂生命周期而构建的高速研究编排引擎。它提供了一个稳健的本地基础设施，通常被称为“金库”（The Vault），利用 SQLite 持久化存储工件、发现和语义链接。作为 Openclaw Skills 中的杰出代表，它使智能体能够超越简单的搜索任务，进入深度、结构化的知识发现。

该技能擅长发散性推理，允许开发者产生并行的研究分支和假设。通过集成使用本地嵌入进行自动链接发现的综合引擎，ResearchVault 确保将零散的信息织入一个具有凝聚力的知识图谱。主动验证任务进一步增强了这一点，智能体在此过程中自主地纠正和验证低置信度的数据点。

下载入口:https://github.com/openclaw/skills/tree/main/skills/lraivisto/research-vault

安装与下载

1. ClawHub CLI

从源直接安装技能的最快方式。

2. 手动安装

将技能文件夹复制到以下位置之一

优先级：工作区 > 本地 > 内置

3. 提示词安装

将此提示词复制到 OpenClaw 即可自动安装。

ResearchVault 应用场景

• 为复杂的市场或学术研究项目编排多源数据采集。
• 为需要在会话间恢复任务的长期运行研究智能体管理持久化状态。
• 探索并行研究路径和发散假设，以确保全面的主题覆盖。
• 通过自我纠正的验证任务，自动验证收集到的事实。
• 通过内置的 MCP 服务器支持，为多个 AI 智能体提供统一的上下文层。

1. 项目初始化：该过程从定义项目 ID 和目标开始，初始化本地 SQLite 持久层。
2. 多源采集：智能体使用 scuttle 命令从 URL 或社交平台获取数据，并在金库中填充原始工件。
3. 语义综合：综合引擎利用嵌入分析金库，以发现并记录发现结果之间的语义链接。
4. 主动验证：系统识别低置信度数据，并生成验证计划，供智能体验证或纠正事实。
5. MCP 集成：状态通过模型上下文协议（MCP）服务器公开，允许 Openclaw Skills 生态系统中的其他工具与研究数据进行交互。

ResearchVault 配置指南

要开始使用 ResearchVault，请确保您已安装 Python 3.13+ 和 uv。此技能旨在与其他 Openclaw Skills 无缝集成。

# 初始化环境
uv venv
uv pip install -e .

# 初始化一个新的研究项目
uv run python scripts/vault.py init --id "project-v1" --name "My Research" --objective "Specific Goal"

# 开始数据采集
uv run python scripts/vault.py scuttle "https://example.com" --id "project-v1"

ResearchVault 数据架构与分类体系

ResearchVault 维护一个结构化的 SQLite 数据库，以确保对研究数据的高性能访问。该模式包括以下核心组件：

name: researchvault
description: "High-velocity research orchestration engine. Manages persistent state, synthesis, and autonomous verification for agents."
metadata:
  {
    "openclaw":
      {
        "requires": { "python": ">=3.13", "bins": ["uv"] },
        "install":
          [
            {
              "id": "vault-venv",
              "kind": "exec",
              "command": "uv venv && uv pip install -e .",
              "label": "Initialize ResearchVault Environment",
            },
          ],
      },
  }

ResearchVault ??

Autonomous state manager for agentic research.

Core Features

• The Vault: Local SQLite persistence for artifacts, findings, and links.
• Divergent Reasoning: Create branches and hypotheses to explore parallel research paths.
• Synthesis Engine: Automated link-discovery using local embeddings.
• Active Verification: Self-correcting agents via verification_missions.
• MCP Server: Native support for cross-agent collaboration.
• Watchdog Mode: Continuous background monitoring of URLs and queries.

Workflows

1. Project Initialization

uv run python scripts/vault.py init --id "metal-v1" --name "Suomi Metal" --objective "Rising underground bands"

2. Multi-Source Ingestion

uv run python scripts/vault.py scuttle "https://reddit.com/r/metal" --id "metal-v1"

3. Synthesis & Verification

# Link related findings
uv run python scripts/vault.py synthesize --id "metal-v1"

# Plan verification for low-confidence data
uv run python scripts/vault.py verify plan --id "metal-v1"

4. MCP Server

uv run python scripts/vault.py mcp --transport stdio

Environment

Requires Python 3.13 and uv.