telnyx-rag

Telnyx RAG Memory 是专为 OpenClaw 工作区设计的语义搜索与 RAG 问答技能，通过整合 Telnyx Storage 与 AI Embeddings，实现本地知识库的智能化检索与问答。

核心用法：该技能自动索引工作区内的 MEMORY.md、知识库和技能文档，采用智能分块策略（Markdown 按标题分割、JSON 按线程分割）处理大文件，通过 Telnyx AI 生成向量嵌入，支持自然语言语义搜索与完整的 RAG 问答管道。用户可通过 ./ask.py 直接提问，系统会自动检索相关上下文并生成答案，或仅使用 ./search.py 进行语义检索。支持增量同步、watch 模式监控变更及孤儿文件清理。

显著优点：首先，该技能仅依赖 Python 3.8+ 标准库，零外部 pip 依赖，部署轻量且安全。其次，智能分块与增量同步机制高效，仅上传变更文件并自动清理孤儿文件。再者，RAG 管道采用多信号重排序（语义相似度 + TF-IDF + 优先级提升），显著提升检索准确性。配置灵活，支持自定义模型、分块大小和文件匹配模式，且具备完善的错误处理和重试机制。

潜在缺点：作为 T3 来源的社区项目，缺乏官方企业级背书；功能强依赖 Telnyx 云服务，网络受限或 API 变更会影响可用性；需要用户自行申请和管理 Telnyx API Key，增加了使用门槛；文件上传云端可能存在合规性限制。

适合目标群体：主要面向 OpenClaw 工作流用户、需要构建个人或团队知识库的开发者，以及已使用 Telnyx 生态的技术团队。特别适合需要对工作区文档进行语义化管理、实现 AI 问答的知识型工作者。

使用风险：数据隐私方面，文件需上传至 Telnyx Cloud Storage，虽可通过 patterns 配置限制范围，但仍存在云端存储风险，敏感数据需谨慎；性能方面，嵌入生成和 LLM 推理依赖网络延迟，大文件同步可能触发超时；依赖风险上，服务可用性与 Telnyx 平台绑定，需关注 API 配额、费用及网络连通性。