一、引言
众所周知,OpenClaw的强大在于其灵活的Skills生态和高效的大模型决策能力,作为个人智能助手,它可以在轻松在个人电脑上部署,并且接入飞书等常用聊天工具,实现方便的智能体验。
不过,OpenClaw内置的默认记忆插件仅基于文件记录操作,虽然能快速接入记忆能力,但会无差别的、事无巨细地保存所有的操作记录,不仅造成token消耗过多,增加开发成本,还存记忆不筛选、没有重点等多个问题,实则“反向拖后腿”,因此原生记忆系统也成了OpenClaw的一大“硬伤”。
与其在原生记忆插件的坑里反复调试、不如直接重构OpenClaw的记忆体系,openclaw-mem0-plugin插件应运而生,该插件将记忆接入mem0,实现记忆的精确检索,减少token的消耗;同时,在会话中自动捕捉关键的记忆信息;基于mem0云服务平台实现记忆跨会话,跨Agent的管理。插件安装过程简单快捷,只需获取API Key和接入地址,并安装配置插件即可使用。
本文将介绍OpenClaw原生记忆系统的实现原理,手把手带你安装、体验openclaw-mem0-plugin插件,从而为OpenClaw用户的记忆能力提供一个企业级的选择。
二、OpenClaw 记忆系统实现原理
1.1 为什么需要“记忆层”
传统基于 LLM 的 Agent,每个请求都是“无状态”的:上下文只存在于当前 prompt 中,一旦会话结束或上下文被压缩,就再也找不回之前的细节。OpenClaw 的目标是让个人或团队可以长期运行“自己的智能体”,因此必须提供一个跨会话、可编辑、可回溯的记忆层,而不是把一切都塞进对话窗口里。
OpenClaw 的设计选择是:把记忆当成工作区里的普通文件,所有持久记忆都写进 Markdown,再通过本地索引和检索把“该记住的”片段重新喂回 LLM,而不是强依赖外部云服务或复杂的向量数据库集群。
1.2 文件优先与本地优先的记忆架构
OpenClaw 把记忆分成“文件层”和“索引层”两部分:文件层用 Markdown 组织知识与经验,索引层用 SQLite + FTS5 + 向量扩展做检索,是一个典型的 file‑first、本地优先 架构。
- 文件是真实来源(source of truth):只要你能在编辑器里看到的 Markdown,就一定是模型有机会“记住”的内容;反过来,模型不会悄悄把东西塞进某个看不到的数据库里。
- 本地优先:默认只依赖本地文件系统和 SQLite;向量检索通过 sqlite-vec 这种库嵌入到 SQLite 中完成。一方面降低部署门槛,另一方面也便于把工作区整体纳入 Git 做版本管理和备份。
1.3 记忆文件的层次:长期、短期与会话
在文件层,OpenClaw 主要有三类与记忆相关的内容:
-
长期精选记忆 MEMORY.md 用来存放相对稳定的事实,比如:你的名字、技术偏好、常驻项目、重要决策、常用服务地址等。通常由 Agent 或你自己手动维护,内容量不会太大,但质量要求高。
-
每日日志 memory/YYYY-MM-DD.md 每天自动或半自动追加的工作日志,记录当天的操作、临时决策、踩坑过程、TODO 等,更像“工作记忆”。新的会话启动时,会优先读取最近一两天的日志,为当日工作提供上下文。
-
会话日志 sessions/*.jsonl
以 JSONL形式记录完整的对话树(用户消息、工具调用、压缩摘要等),供索引层选择性纳入检索。相当于“原始事件流”,可以被二次加工为更结构化的记忆。
通过配置可以选择是否把 sessions 也加入 memory 索引,从而在“稳定长期记忆”和“带噪声的完整对话历史”之间做权衡。
1.4 索引与混合检索:SQLite + 向量搜索
在索引层,OpenClaw 内置了一个 Memory Search 子系统,默认使用 SQLite 作为底层存储:
- Markdown 分块与嵌入
- 按行把 Markdown 切成大小约 400 tokens、重叠约 80 tokens 的块,尽量保证语义完整不被截断。
- 为每个块计算哈希并缓存嵌入,避免重复计算。
- 嵌入可以来自本地 GGUF 模型(通过 node-llama-cpp)、OpenAI text-embedding-3-small 或 Gemini 等,支持 batch 与失败重试策略。
-
文本检索(BM25) 借助 SQLite 的 FTS5 虚拟表,对 chunk 文本做全文索引,适合搜索错误码、变量名、路径等“不能被 embedding 吃掉”的硬 token。
-
向量检索 若环境安装了 sqlite-vec,会在 SQLite 内建一个向量虚拟表,按向量相似度找出与查询最接近的若干块,用于语义级别的“相似记忆”。
-
混合排序 默认启用混合检索:向量分数和 BM25 分数按可配置权重混合,既能找出语义上类似的片段,又不丢失对精确关键词的敏感度。
整体来看,它是一个“单机版 RAG 引擎”,但专门针对 Markdown 工作区做了工程优化,非常适合个人或单机 Agent 的长期记忆场景。
1.5 与 Agent / 工具链的集成
在 Agent 侧,OpenClaw 把记忆暴露为工具,最典型的是:
- memory_search:给定自然语言查询,在 MEMORY.md、memory/.md(以及可选的 sessions)里检索相关片段,并把结果作为一个结构化对象返回。系统提示会明确告诉模型:凡是涉及历史决策、长期偏好或之前提到过的信息,回答前应先调用这个工具。*
- memory_get:按路径和行号精确读取某段 Markdown 内容,帮模型做“按需展开”,避免一次性把整篇长文塞进上下文。
此外,OpenClaw 还引入了类似“预压缩记忆冲刷”的机制:当会话上下文接近模型的 context 上限时,会静默触发一个内部 turn,请模型把当下对话中真正重要、值得长期保留的事实写入当天的 memory/YYYY-MM-DD.md,以降低后续上下文被裁剪时的信息损失。
1.6 记忆后端插件化与 LanceDB 插件
虽然内置的文件 + SQLite 方案已经足够好用,但 OpenClaw 仍然为记忆后端预留了插件 Slot。默认情况下,mem…