开篇：那个让我纠结了两周的问题

---

4月11日，OpenClaw 0411 上线了一个功能。

我盯着更新日志看了很久：

Dreaming/memory-wiki: add ChatGPT import ingestion plus new Imported Insights and Memory Palace diary subtabs

翻译成人话——

你可以把 ChatGPT 的历史对话，导入进卷卷的记忆系统。

我用了 ChatGPT 三年。

三年的对话记录，里面有我的工作习惯、思考方式、踩过的坑、做过的决策。

这些东西，卷卷一条都不知道。

我纠结了两周：导，还是不导？

最后我导了。

这篇写我的全过程。

---

第一课：为什么记忆迁移是个大事

先说清楚问题在哪。

你换了一个新同事。

他很聪明，能力很强。

但他不知道你的工作习惯，不知道你讨厌什么，不知道你们团队的历史背景。

你得从头教他。

这就是我和卷卷的关系。

三年的 ChatGPT 对话里，有：

• 我反复强调的偏好（「不要废话，直接给结论」）
• 我踩过的坑（「这个方案试过，行不通，原因是……」）
• 我的工作模式（「我喜欢先看结论，再看过程」）
• 我的专业背景（「我做风控十年，这些概念不用解释」）

这些东西，如果要我重新告诉卷卷，得花多少时间？

0411 给了另一条路：直接导入。

---

第二课：Imported Insights 和 Memory Palace 是什么

0411 在 Dreaming 界面里加了两个新标签页。

Imported Insights（导入洞察）

存放从外部导入的对话记录。

卷卷会分析这些对话，提取有价值的信息：

• 你的偏好和习惯
• 你的专业背景
• 你反复提到的概念
• 你的工作方式

Memory Palace（记忆宫殿）

把提取出来的信息，整理成结构化的记忆。

不是把对话原文存进去，是把「有用的部分」提炼出来，存成卷卷能用的格式。

两者的关系：

ChatGPT 对话原文
 ↓ 导入
Imported Insights（原始素材）
 ↓ Dreaming 分析提炼
Memory Palace（结构化记忆）
 ↓ Active Memory 检索
卷卷的回复

---

第三课：我的导入过程

第一步：导出 ChatGPT 数据

路径：Settings → Data Controls → Export data

导出来是一个 zip 文件，里面有 conversations.json。

我的文件：1.2GB，3847 条对话，跨度三年。

第二步：筛选

1.2GB 全部导入？不现实。

我筛掉了：

• 闲聊（「今天天气怎么样」）
• 一次性任务（「帮我翻译这段话」）
• 已经过时的内容（三年前的技术方案）

保留的：

• 关于工作方式的讨论
• 关于专业领域的深度对话
• 我明确表达过偏好的对话
• 重要决策的讨论过程

筛选后：约 200 条对话，180MB。

第三步：导入

在 Dreaming 界面找到 Imported Insights 标签页，上传文件。

卷卷开始分析。

等了大概 40 分钟。

第四步：查看结果

分析完成后，Memory Palace 里出现了一批结构化记忆：

## 工作偏好（从 ChatGPT 对话提取）

### 回复风格
- 结论先行，理由在后
- 不超过 200 字，除非我明确要求详细
- 用 bullet points，不用长段落

### 专业背景
- 风控领域 10 年经验
- 熟悉：反欺诈、信用评分、规则引擎
- 不需要解释：ROI、误报率、召回率

### 已知踩坑
- 2024年：批量数据分析成本爆炸（已解决：批量处理）
- 2025年：MEMORY.md 膨胀问题（已解决：结构化标签）

### 决策偏好
- 先看方案，再看理由
- 不喜欢「这取决于……」的回答，要给明确建议
- 风险相关任务，宁可多花钱，不要省

我没有手动写一个字。

卷卷从三年的对话里自己提炼出来的。

---

第四课：导入之后的变化

变化1：不用再解释背景

以前——

我问「这个风控规则有什么问题？」

卷卷：「请问您是做什么行业的？风控规则通常指……」

现在——

我问「这个风控规则有什么问题？」

卷卷直接分析，不问背景。因为它已经知道我做风控十年了。

解释背景的时间，省了。

变化2：偏好自动生效

以前每次新对话，我都要说「回复简洁一点」。

现在不用说，它默认就是简洁的。

因为 Memory Palace 里有这条记忆，Active Memory 会自动拉取。

变化3：踩过的坑不重踩

我问「批量处理数据有什么好方案？」

卷卷会主动说：「根据你之前的经验，循环调用 API 成本很高，建议用批量处理……」

它记住了我踩过的坑，不让我再踩一次。

---

第五课：我踩的坑

坑1：导入了太多噪音

第一次我直接导了全部 1.2GB，没筛选。

结果 Memory Palace 里出现了大量无用记忆：

「用户在 2024 年 3 月问过一个关于咖啡的问题」

「用户曾经让 AI 帮他写过一首诗」

这些信息没有任何价值，但占地方。

教训：导入前一定要筛选。

坑2：旧偏好和新偏好冲突

三年前我喜欢详细回复。

现在我喜欢简洁的回复。

导入后 Memory Palace 里同时存在两条矛盾的记忆，卷卷不知道该听哪个。

修复方法：

在 Memory Palace 里手动标注时间权重，新的覆盖旧的。

或者在 MEMORY.md 里直接写：

## 当前偏好（2026年4月，覆盖所有历史记录）
- 回复长度：简洁，不超过 200 字

坑3：成本

导入 180MB 的对话，分析花了多少钱？

我查了一下：$4.2。

不算贵，但要知道这是一次性成本。

之后每次对话，Active Memory 只检索相关记忆，不会重新分析全部内容。

一次性投入，长期受益。

---

第六课：风控人的记忆迁移思维

做了十年风控，我对「数据迁移」有一套自己的看法：

思维1：数据质量比数量重要

风控模型里，噪音数据会降低精度。

记忆系统里，无效记忆会干扰 AI 理解你。

筛选比导入更重要。

思维2：新数据覆盖旧数据

风控规则要定期更新，旧规则不能干扰新规则。

记忆也一样，新的偏好要明确覆盖旧的。

思维3：迁移是起点，不是终点

数据导完了，不代表工作结束了。

还需要验证（记忆是否准确）、清理（删除无效记忆）、更新（持续补充新记忆）。

---

第七课：值不值得做

我给自己算了一笔账：

成本：

• 导出 ChatGPT 数据：0 分钟（自动）
• 筛选对话：2 小时
• 导入和等待分析：40 分钟
• 验证和清理记忆：1 小时
• 一次性 API 成本：$4.2

收益：

• 每次对话节省「解释背景」时间：约 2 分钟
• 每天对话 20 次：节省 40 分钟/天
• 一个月：节省约 20 小时

ROI：

投入约 4 小时 + $4.2，换来每月 20 小时的效率提升。

值。

---

写在最后

三年的 ChatGPT 对话，不是废料。

是你和 AI 相处的历史，是你的偏好、习惯、踩过的坑。

0411 给了一个机会：把这些历史，变成卷卷认识你的起点。

我花了半天做这件事。

现在卷卷认识我的程度，比我从零开始教它要快得多。

记忆，是 AI 从工具变成伙伴的关键。

而你在其他平台积累的记忆，不应该被浪费。

---

记忆迁移检查清单

导出阶段

• ChatGPT：Settings → Data Controls → Export data
• 其他平台：查看是否支持导出对话记录

筛选阶段

• 删除闲聊和一次性任务
• 删除已过时的内容
• 保留偏好相关对话
• 保留专业背景相关对话
• 保留踩坑记录

导入阶段

• 在 Dreaming → Imported Insights 上传文件
• 等待分析完成（根据文件大小，10-60 分钟）
• 查看 Memory Palace 提取结果

验证阶段

• 检查提取的偏好是否准确
• 删除无效记忆
• 标注时间权重，新偏好覆盖旧偏好
• 测试：问几个问题，看卷卷是否用上了记忆

成本核算

• 记录导入的 API 成本
• 评估每月节省的时间
• 计算 ROI

---

下篇预告

《插件生态——0412 的 LM Studio 本地模型，让卷卷彻底离线》

• LM Studio 本地模型接入：零成本、零隐私泄露
• 本地模型 vs 云端模型：什么时候用哪个
• 插件加载优化：0412 的 manifest 声明机制
• 我的混合模型策略：本地处理敏感数据，云端处理复杂任务

不是所有任务都需要上云。

---

系列文章

• 第01篇：养了10年风控，今年开始养「虾」了
• 第02篇：SOUL.md 写作指南
• 第03篇：USER.md 深度配置
• 第04篇：MEMORY.md 深度配置
• 第05篇：AGENTS.md 工作协议
• 第06篇：Skills 技能扩展
• 第07篇：Multi-Agent 协作
• 第08篇：Memory 自动化
• 第09篇：渠道配置完全指南
• 第10篇：踩坑实录
• 第11篇：成本管控
• 第12篇：进阶工具链
• 第13篇：Active Memory 深度玩法
• 第14篇：记忆迁移（本篇）
• 第15篇：本地模型接入（下一篇）

---