核心功能与用法
chatgpt-import 是一套用于迁移 ChatGPT 历史对话至 OpenClaw 记忆搜索系统的工具链。其核心 workflow 分为四步：
1. 导出原始数据：通过 ChatGPT 官方导出功能获取 conversations.json；
2. 格式转换：使用 convert_chatgpt.py 脚本将 JSON 批量转换为 Markdown 文件，支持 --min-messages 过滤无效短对话；
3. 向量化入库：通过 bulk_embed.py 调用 OpenAI Embedding API 生成向量，存入 SQLite 数据库，支持自定义模型、批大小、并发数和分块策略；
4. 配置集成：将生成的 SQLite 路径加入 OpenClaw 的 memorySearch.extraPaths，重启网关即可启用语义检索。
显著优点
- 数据主权回归：打破 ChatGPT 对话的封闭存储，实现本地可搜索归档；
- 无缝迁移体验：标准化脚本降低技术门槛，支持批量处理与增量更新；
- 灵活配置：多参数可调（模型选型、并发控制、分块粒度），适配不同规模数据量；
- 生态整合：直接嵌入 OpenClaw 记忆检索体系，复用既有向量搜索能力。
潜在局限与风险
- API 依赖：向量化过程强制依赖 OpenAI API，产生额外成本与网络稳定性风险；
- 隐私暴露：原始对话内容需上传至 OpenAI 服务器处理，敏感信息存在第三方泄露可能；
- 格式兼容性：仅支持标准 ChatGPT 导出格式，自定义 GPTs 或插件对话可能解析异常；
- 维护成本：需持续跟踪 OpenClaw 配置变更，SQLite 文件需手动备份以防损坏。
适合人群
- 长期 ChatGPT 重度用户，需要跨会话检索历史内容；
- 企业/团队知识管理者，希望构建可搜索的 AI 对话资产库；
- 对数据隐私有自主控制需求的技术从业者。
常规风险提示
- 导出前确认 ChatGPT 账户权限，避免导出过程中会话被意外删除；
- API 密钥需妥善保管，避免硬编码于脚本或配置文件中；
- 大规模数据建议分批次嵌入，防止 API 速率限制与高额费用。