chatgpt-import

核心用法

chatgpt-import 是 OpenClaw 生态专用的 ChatGPT 历史迁移工具，通过三步工作流实现对话数据的结构化导入：首先从 ChatGPT 导出 conversations.json 文件，随后使用 Python 脚本将 JSON 转换为 Markdown 格式（支持 --min-messages 过滤无效对话），最后调用 OpenAI Embedding API 生成向量并写入 SQLite 数据库。完成后的数据库通过 OpenClaw 配置文件的 memorySearch.extraPaths 字段接入，重启网关即可实现历史对话的全文检索。

显著优点

该工具设计简洁且高度透明：纯 Python 标准库实现，零第三方依赖，彻底杜绝供应链攻击风险；代码完全开源可审计，所有文件操作均带安全边界（如禁止覆盖现有数据库）；成本控制精准，2400 条对话仅需约 0.15 美元；输出格式为标准 SQLite，便于二次开发与跨平台迁移。文档层面，SKILL.md 对 API 成本、数据上传风险、密钥管理均有明确警示，体现负责任的安全披露态度。

潜在缺点与局限性

核心局限在于强制依赖 OpenAI 云端服务：对话内容必须离开本地环境传输至 api.openai.com，对含敏感信息的场景构成合规障碍；无本地嵌入模型替代方案，隐私敏感用户无法完全自主控制数据；缺乏内置的敏感信息扫描机制，需用户手动预处理；批量嵌入过程受限于 OpenAI API 速率限制，大规模历史导入可能耗时较长；此外，嵌入模型选择受限（仅支持 OpenAI 指定模型），无法灵活切换至开源替代方案。

适合的目标群体

• OpenClaw 深度用户：希望统一检索 ChatGPT 历史与新对话的进阶用户
• 个人知识管理爱好者：构建可搜索的 AI 对话存档，形成第二大脑
• 非敏感场景迁移需求：日常咨询、学习笔记、公开技术讨论等低隐私风险内容
• 成本敏感型开发者：需低成本实现对话数据向量化的独立开发者

使用风险

1. 数据隐私风险：对话内容上传至 OpenAI，需遵守其数据保留政策，企业机密、医疗记录、金融数据等严禁导入
2. API 密钥泄露：密钥通过环境变量或命令行传递，多用户服务器场景存在泄露可能
3. 嵌入成本累积：超大规模历史（数万条对话）可能产生意外费用
4. 服务依赖风险：OpenAI API 可用性直接影响功能，无离线降级方案
5. 格式兼容性：未来 ChatGPT 导出格式变更可能导致脚本失效，需关注上游更新

核心用法

该 Skill 提供三步式迁移方案：
1. 导出：按指南从 ChatGPT 下载 conversations.json。
2. 转换：运行 convert_chatgpt.py 将 JSON 转为 Markdown（支持 --min-messages 过滤短对话）。
3. 嵌入：通过 bulk_embed.py 调用 OpenAI Embeddings API 生成向量，写入 SQLite（支持批处理、多线程、自定义模型）。

最终配置 OpenClaw 的 memorySearch.extraPaths 指向生成的 SQLite 文件，即可通过记忆搜索调取历史对话。

显著优点

• 零依赖风险：仅使用 Python 标准库（urllib, sqlite3, argparse 等），彻底规避供应链攻击。
• 低成本：约 2,400 条对话仅需 $0.15（text-embedding-3-small）。
• 安全编码：无 eval/exec/system 调用，无硬编码密钥，文件操作使用安全上下文管理器。
• 透明可控：所有数据外发行为均在文档中明确披露，用户可自主过滤敏感内容。

潜在局限

• 数据必须出境：对话内容需发送至 OpenAI 服务器进行嵌入，对隐私敏感场景不适用。
• 外部依赖单一：嵌入流程强依赖 OpenAI API 可用性，网络中断或密钥失效将导致任务失败（虽有 3 次指数退避重试）。
• 无本地嵌入选项：暂不支持 sentence-transformers 等本地模型，数据无法完全本地化。
• T3 来源：个人开发者维护，长期维护与功能迭代存在不确定性。

适合人群

• 希望将 ChatGPT 历史迁移至 OpenClaw 的资深用户
• 愿意承担极低 API 成本以换取便捷搜索能力的个人
• 对数据出境风险有认知并能预先脱敏的技术用户

常规风险

• 隐私泄露：若未预处理，对话中的密钥、密码等可能随请求发送至 OpenAI。
• API 密钥管理：需配置 OPENAI_API_KEY，建议使用最小权限的 scoped key。
• 成本超支：大批量历史对话可能产生意外费用，建议先小批量测试。