核心用法
ChatGPT History Import 是一套专为 OpenClaw 生态设计的迁移工具链，用于将用户从 ChatGPT 导出的完整对话历史转化为可嵌入检索的向量数据库。
完整工作流四步走：
1. 导出原始数据 — 通过官方流程获取 conversations.json 文件
2. 格式转换 — 使用 convert_chatgpt.py 将 JSON 解析为结构化 Markdown 文档，支持 --min-messages 过滤无意义短对话
3. 向量化嵌入 — 调用 bulk_embed.py 将文本分块、生成 embedding 并写入 SQLite，可自定义模型、批次大小、并发 worker 数等参数
4. 配置集成 — 通过 extraPaths 将历史数据库挂载至 OpenClaw 的记忆检索系统，无需替换主库即可并行搜索
显著优点
- 零数据丢失：完整保留原始对话的上下文结构与时间线
- 渐进式迁移：extraPaths 机制支持新旧记忆共存，无需破坏性操作
- 高度可配置：从过滤阈值到嵌入模型、分块策略均可调优
- 生态原生：专为 OpenClaw 设计，与 memorySearch 深度集成
潜在局限
- 依赖外部 API：嵌入步骤需 OpenAI API Key，存在调用成本与速率限制
- 技术门槛：需命令行操作与 Python 环境，非技术用户上手较难
- 隐私考量：对话内容需上传至第三方 embedding 服务（除非本地部署替代模型）
- 格式单一：仅支持 ChatGPT 官方导出格式，其他平台需额外适配
适合人群
- 重度 ChatGPT 用户，希望在新平台复用历史对话知识
- 需要构建个人知识库的技术从业者
- 追求对话数据主权、希望本地化存档的隐私敏感用户
常规风险
- API Key 泄露风险：脚本执行时需暴露密钥，建议使用环境变量并严格管控权限
- 数据完整性：转换过程可能因 JSON schema 变动而失效，需关注版本兼容性
- 存储膨胀：大规模历史记录生成嵌入后数据库体积显著增长，需预留磁盘空间