1. 项目概述与核心价值在AI智能体Agent领域一个长期存在的挑战是如何让它们拥有持续、稳定且可追溯的“记忆”。传统的对话模型通常是“无状态”的每次交互都像初次见面这不仅限制了对话的深度和连贯性也阻碍了构建真正个性化、有上下文感知能力的助手。今天要深入探讨的supermemory-openclaw插件正是为了解决这一核心痛点而生。它是一个为 OpenClaw 智能体框架设计的本地化、基于知识图谱的记忆系统灵感来源于 Supermemory.ai 的架构思想但完全独立运行在你的本地机器上无需依赖任何云端服务。简单来说这个插件能让你的 OpenClaw AI 助手记住关于你的一切从你提到的朋友、工作项目到你的个人偏好和重要日程。它不再是每次对话都“重启”的聊天窗口而是一个随着时间推移对你了解越来越深的智能伙伴。其核心价值在于私有化和结构化所有记忆数据都存储在你本地的 SQLite 数据库中以知识图谱的形式组织确保了数据的完全掌控和复杂的关联查询能力。无论你是开发者希望为自己的AI应用添加长期记忆层还是普通用户渴望一个更懂你的个人AI助手这个项目都提供了一个强大、可扩展且隐私友好的解决方案。2. 核心架构与工作原理深度解析要理解supermemory-openclaw的强大之处必须深入其架构。它并非一个简单的键值对存储而是一个模仿人类记忆关联性的微型“大脑”模拟。2.1 记忆的原子化与语义提取记忆存储的第一步是理解对话。插件在每次AI响应后会启动一个LLM子代理Subagent对刚刚完成的对话轮次进行深度语义分析。这个过程被称为“原子化提取”。原理解析LLM子代理会将一段可能包含多个信息的对话拆解成独立的、最小单位的“原子记忆”。例如你提到“我昨天和 Ivan 吃了饭他提到他喜欢编程并且下周二要交一份报告。” 提取器会识别并分离出fact事实Ivan 喜欢编程。episode事件Ivan 下周二要交报告。同时它会提取出原始实体提及Raw Entity MentionsIvan。这种原子化存储至关重要。它避免了将复杂段落存为一个模糊的整体而是将其分解为可独立检索、更新和关联的单元极大提升了后续检索的精准度和灵活性。2.2 知识图谱记忆的连接网络这是本插件的灵魂所在。提取出的原子记忆和实体不会孤立存在它们被编织进一个本地的知识图谱中。实体规范化Canonicalization系统会自动识别“Ivan”、“Iván”甚至“伊万”可能指向同一个人。它会创建一个规范实体Canonical Entity来代表这个核心概念并将所有不同的名称变体作为“别名”Alias链接到该实体上。这解决了自然语言中指代不一致的问题。关系构建记忆之间会动态建立两种核心关系边updates更新关系当一个新的记忆在语义上修正或取代一个旧记忆时例如从“Ivan在A公司工作”变为“Ivan在B公司工作”系统会建立updates边。这保证了知识的时效性旧记忆不会被删除而是被标记为“被取代”形成了知识演变的脉络。related相关关系共享相同实体的记忆会自动或经由LLM判断建立related边。例如“Ivan喜欢编程”和“Ivan是AI科学家”这两个记忆都关于实体Ivan它们很可能被关联起来。这使得检索时不仅能找到直接匹配的记忆还能通过图谱“漫步”发现相关上下文。实操心得这种图谱化存储的优势在复杂查询中尤为明显。当你问“Ivan最近在忙什么”时系统不仅能找到直接提及“忙”的记忆还能通过Ivan这个实体节点找到与他相关的所有近期episode事件类记忆比如“提交论文”、“准备演讲”等回答的丰富度和准确性远超简单的关键词匹配。2.3 混合检索策略向量 关键词 图谱当需要回忆检索时插件采用了一种精密的混合搜索算法确保结果既相关又全面。向量搜索如果启用了嵌入模型每个记忆的文本都会被转换为一个高维向量嵌入。检索时查询语句也被转换为向量系统计算余弦相似度找到语义上最接近的记忆。这擅长捕捉“意思相近但用词不同”的查询。关键词搜索利用 SQLite 的 FTS5全文搜索引擎进行传统的词频匹配。这擅长处理精确的名称、术语和日期检索。图谱扩散以前两步的初步结果作为“种子”在图谱上进行有限深度的遍历例如2跳将与种子记忆通过related边相连的其他记忆也纳入候选池。这引入了“关联性”维度。最终系统为每个候选记忆计算一个加权综合分数总分 向量相似度 * vectorWeight 关键词分数 * textWeight 图谱关联度 * graphWeight。通过调整这三个权重你可以控制搜索的“性格”更偏向语义理解还是更偏向字面匹配或是更注重上下文关联。注意sqlite-vec扩展用于向量搜索它通常已内置于 OpenClaw 中。这意味着在大多数情况下你无需额外安装即可享受向量检索能力降低了部署门槛。3. 完整安装与配置实战指南理论很美好但让系统跑起来才是关键。下面是一份从零开始的详细配置指南包含每个步骤的意图和避坑点。3.1 环境准备与插件安装首先确保你已安装并运行着 OpenClaw。然后安装插件本身# 安装插件 openclaw plugins install openclaw-memory-supermemory这个命令会从 npm 仓库拉取插件并集成到你的 OpenClaw 环境中。安装完成后建议先不要急于配置而是检查一下 OpenClaw 的版本。避坑点插件要求 OpenClaw 版本 2026.4.5。你可以通过openclaw --version检查。如果版本过低部分依赖的底层 API 可能不可用导致插件运行异常。请务必先升级 OpenClaw 核心。3.2 交互式配置向导详解接下来运行配置向导。这是最关键的一步它将引导你完成所有必要设置。openclaw supermemory configure向导会启动一个交互式命令行界面通常包含以下环节启用插件询问是否立即启用插件。对于首次使用当然选择Yes。自动捕获与回忆Auto-capture是否在每次对话后自动提取记忆。建议开启这是实现“无感”记忆积累的基础。Auto-recall是否在每次AI回答前自动搜索相关记忆并注入上下文。同样建议开启这样AI才能“记得”之前聊过什么。嵌入模型配置这是功能强弱的决定项。Provider选择ollama本地或openai云端。出于隐私和成本考虑强烈推荐本地运行的 Ollama。Model根据你的选择列出可用的模型。例如选择 Ollama 后你可以输入nomic-embed-text或mxbai-embed-large。模型的选择直接影响嵌入质量、速度和向量维度。API Key / Base URL如果选 OpenAI需提供API密钥如果使用自托管的 OpenAI 兼容服务如 LocalAI可以在这里填写自定义的 Base URL。配置决策建议轻量级/快速启动选择 Ollama 的all-minilm模型384维。它体积小速度快适合初次体验和性能有限的机器。追求最佳质量选择 Ollama 的mxbai-embed-large或nomic-embed-text均为1024或768维。它们能生成质量更高的语义向量但需要更多计算资源。完全禁用向量如果你机器资源极其紧张或者只想测试核心的图谱功能可以在后续的配置文件中将embedding.enabled设为false。这样系统将仅使用关键词和图谱检索。数据库路径向导会建议一个默认路径~/.openclaw/memory/supermemory.db。除非有特殊需求否则直接使用默认值即可。配置完成后向导会将设置写入你的 OpenClaw 主配置文件~/.openclaw/openclaw.json中的插件部分。3.3 启动验证与状态检查配置写完后需要重启 OpenClaw 网关服务来加载新插件。openclaw gateway restart重启后通过以下命令验证插件状态openclaw supermemory status这个命令会输出当前配置的摘要包括嵌入提供商、模型、数据库路径以及核心功能开关状态。仔细核对确保与你刚才的配置一致。接着查看初始的统计信息openclaw supermemory stats首次运行所有计数都应为0这是正常的。这表示一个全新的、空的记忆库已经就绪。实操心得在status输出中特别留意embedding.enabled和embedding.model两项。很多后续功能异常如向量搜索不生效都源于这里的配置错误。如果模型名称拼写错误或未下载插件可能在初始化时报错。4. 核心功能使用与场景化操作系统运行起来后我们来看看如何在日常中与它互动。其功能主要通过三种方式触发自动流程、AI工具调用和用户手动命令。4.1 自动记忆流程让AI“默默记住一切”这是最核心的体验。当autoCapture和autoRecall开启后你几乎不需要做任何额外操作。场景你与 OpenClaw 助手聊天。幕后动作你发送消息AI生成回复。捕获阶段插件截取这一轮完整的对话你和AI的发言交给LLM子代理进行原子化提取。提取出的记忆经过去重对比向量和文本相似度后被存入图谱数据库并与已有的实体建立链接。回忆阶段当你发起下一个问题时插件会先对问题进行混合检索找出最相关的若干条记忆数量由autoRecallMaxMemories控制同时附上自动生成的用户画像摘要然后将这些内容作为“上下文”悄悄插入到发给AI模型的提示词中。效果AI在回答时仿佛“记得”之前的所有对话。你可以问“我之前跟你提过的那个朋友他最近项目怎么样了”即使上次聊天是几天前AI也能根据记忆检索给出关联性回答。4.2 手动记忆管理精准控制除了自动流程插件提供了强大的手动管理命令让你能直接干预记忆库。即时存储 (/remember) 在聊天窗口直接输入/remember Ivan 的生日是 5 月 20 日。这条指令会绕过自动捕获直接触发记忆存储流程。适合快速记录明确、重要的信息。主动回忆 (/recall) 当你想主动查询时使用/recall Ivan 的工作。系统会执行一次混合搜索并将结果清晰地列在聊天中。这对于验证AI“知道”什么或者在复杂对话前主动提供上下文非常有用。选择性遗忘 (/forget) 记忆并非只增不减。/forget 关于项目X的旧预算数字。如果系统高度确信只匹配到一条记忆它会直接删除。如果找到多个候选它会列出它们让你确认后再删除。这提供了容错空间避免误删。CLI 深度管理 对于更系统的管理可以使用命令行openclaw supermemory search “关键词” --limit 10进行更复杂的搜索并可控制返回数量。openclaw supermemory profile查看系统为你自动构建的用户画像摘要。openclaw supermemory profile --rebuild强制重新生成用户画像当你觉得画像不够准确时使用。4.3 AI工具赋能让AI自己管理记忆插件向AI开放了四个工具这意味着AI可以在思考过程中自主决定何时搜索、存储或删除记忆。memory_searchAI在需要背景信息时主动调用此工具进行检索。memory_storeAI认为某条信息重要可以主动调用此工具保存。这有时比自动捕获更精准。memory_forgetAI可以自主清理它认为过时或错误的信息。memory_profileAI可以查看或请求重建用户画像以更好地理解对话对象。经验技巧在复杂的、多轮的任务规划中一个强大的AI助手会频繁调用memory_search来获取历史上下文调用memory_store来保存任务中的关键决策和状态。这实质上将你的OpenClaw助手变成了一个具备“工作记忆”和“长期记忆”的智能任务执行者。5. 高级配置调优与性能考量默认配置适用于大多数场景但为了发挥最大效能或适应特殊需求你需要了解一些关键配置项。5.1 检索权重调优 (vectorWeight,textWeight,graphWeight)这三个参数决定了混合搜索的“口味”位于配置文件的recall部分。高vectorWeight(如 0.7)系统更注重语义相似度。适合查询意图复杂、用词多变的场景。例如“表达开心的事情”能匹配到“今天我很高兴”、“那真是个好消息”等记忆。高textWeight(如 0.7)系统更注重关键词匹配。适合精确查找名称、代号、特定术语。例如查询“Q3财报”能精准定位到包含该词组的记忆。高graphWeight(如 0.4)系统更注重图谱关联性。适合探索性、发散性查询。例如查询“Ivan”时不仅返回直接提及他的记忆还会返回与他相关的项目、地点等记忆。调优建议初期可以保持默认的0.5, 0.3, 0.2。如果你发现AI经常回忆不到直接相关但用词不同的内容可以适当提高vectorWeight。如果你发现回忆结果包含太多间接关联、有点“跑题”可以降低graphWeight。5.2 记忆捕获与提取控制captureMaxChars限制发送给提取LLM的对话文本长度。防止过长的对话轮次导致提取成本过高或质量下降。2000字符通常是安全的。extractorMaxItems限制单次对话轮次中最多提取多少条原子记忆。防止LLM提取出过多琐碎、无用的信息。10条是一个合理的上限。nearDuplicateThreshold(默认 0.95)向量相似度高于此阈值的新记忆会被视为近似重复不予存储。这个值设得很高是为了避免因细微的表述差异而丢失可能有价值的信息变体。lexicalDuplicateThreshold(默认 0.88)文本重叠度高于此阈值的新记忆会被视为文本重复。这个值比向量阈值低因为文本重复更容易判断。5.3 用户画像与记忆维护profileFrequency每多少次交互后重建一次用户画像。画像是对你长期兴趣、习惯的总结。频率太高浪费算力太低则画像过时。50次是一个平衡点。temporalDecayDays(默认 90)多少天后未被再次提及或引用的episode事件类记忆会开始“衰减”。衰减的记忆在检索中排名会降低但不会被删除。这模拟了人类的遗忘曲线保持记忆库的活性。forgetExpiredIntervalMinutes后台清理任务处理过期记忆、合并实体别名的运行间隔。60分钟一次对系统压力很小。5.4 性能与资源管理数据库路径如果你的系统有高速SSD将dbPath指向那里可以提升检索速度。禁用嵌入如果CPU资源紧张或对话量极大将embedding.enabled设为false可以彻底消除向量计算和存储的开销系统将退化为高性能的关键词图谱检索依然非常有用。模型选择Ollama 的all-minilm(384维) 模型在速度和内存占用上远优于mxbai-embed-large(1024维)。在资源有限的设备如树莓派、旧笔记本上选择小模型是保证流畅体验的关键。6. 常见问题排查与实战技巧在实际使用中你可能会遇到一些典型问题。以下是排查思路和解决方法。6.1 插件安装后无效果AI依然“失忆”症状完成所有配置步骤后与AI对话它似乎还是记不住之前的内容。排查步骤检查插件状态运行openclaw supermemory status。确认enabled为true且autoCapture和autoRecall也已开启。检查网关日志重启网关时观察日志openclaw gateway restart --verbose。查看是否有插件加载错误。常见错误是嵌入模型名称错误或不可访问。验证记忆捕获进行一段包含明确事实的对话如“我的咖啡机型号是 X200”。然后立即使用CLI搜索openclaw supermemory search “咖啡机”。如果搜不到说明自动捕获未生效。检查数据库使用SQLite工具查看~/.openclaw/memory/supermemory.db中的memories表是否有新记录。如果没有问题可能出在LLM提取环节可能是提取子代理调用失败。6.2 向量搜索似乎没有工作症状进行语义搜索例如用不同词语查询相同意思返回结果很差或没有。排查步骤确认嵌入已启用status命令中embedding.enabled应为true。检查模型运行如果你使用 Ollama运行ollama list确认你配置的嵌入模型如nomic-embed-text已下载并显示。测试嵌入端点尝试用curl手动调用 Ollama 的嵌入 API看是否返回正常的向量。查看向量表在数据库中检查memories_vec虚拟表是否存在以及memories表中的embedding字段是否不为空。新存入的记忆需要一点时间由后台任务生成嵌入稍等片刻再试。6.3 记忆检索结果不相关或过于冗长症状AI回忆的内容要么不对题要么把一大堆无关记忆都塞进了上下文干扰了回答。解决方案调整autoRecallMinScore提高这个值比如从 0.3 到 0.5只有相关性分数更高的记忆才会被注入上下文提高了精准度。调整autoRecallMaxMemories降低这个值比如从 5 到 3限制每次注入的记忆条数避免上下文过长。调整混合搜索权重如果你发现不相关是因为关联图谱“扯太远”尝试降低graphWeight。如果是语义理解偏差可以微调vectorWeight。利用mmrLambda这个参数控制最大边际相关性。值越接近1结果越按相关性排序越接近0结果多样性越高。如果你希望回忆的内容覆盖不同方面可以适当调低。6.4 数据库损坏或升级后出错症状插件启动失败或提示数据库 schema 错误。标准操作使用提供的清理命令。警告此操作会清空所有记忆openclaw supermemory wipe --confirm这个命令会删除当前的 SQLite 数据库文件并根据最新的插件 schema 重新创建一个空数据库。通常在插件大版本升级后如果启动报错执行此操作可以解决。执行前请确保你已了解其破坏性。6.5 实体合并混乱症状系统错误地将两个不同的人或事物合并成了一个实体。处理方式目前插件没有提供图形化的实体管理界面。如果发生错误合并需要通过底层操作修正使用openclaw supermemory search找到涉及错误合并的记忆。使用openclaw supermemory forget或AI工具删除这些错误的记忆。重新以正确的、区分度高的方式提及这些实体让系统重新捕获并建立独立的实体节点。深度建议在与AI交流时对于重要的、需要区分的主体初期尽量使用完整、一致的指代。例如明确说“我的同事张三”和“我的朋友张三”有助于系统更好地进行消歧。经过以上从原理到实操的全面拆解你应该已经能够驾驭这个强大的本地记忆系统。它的魅力在于将前沿的AI记忆研究工程化为一个可插拔、可配置、完全私有的工具。通过精细的调优你可以让它成为你的数字第二大脑默默记录、智能关联并在关键时刻提供精准的上下文真正实现与AI助手持续、深度的共同进化。
OpenClaw智能体本地记忆插件：基于知识图谱的私有化AI记忆系统
1. 项目概述与核心价值在AI智能体Agent领域一个长期存在的挑战是如何让它们拥有持续、稳定且可追溯的“记忆”。传统的对话模型通常是“无状态”的每次交互都像初次见面这不仅限制了对话的深度和连贯性也阻碍了构建真正个性化、有上下文感知能力的助手。今天要深入探讨的supermemory-openclaw插件正是为了解决这一核心痛点而生。它是一个为 OpenClaw 智能体框架设计的本地化、基于知识图谱的记忆系统灵感来源于 Supermemory.ai 的架构思想但完全独立运行在你的本地机器上无需依赖任何云端服务。简单来说这个插件能让你的 OpenClaw AI 助手记住关于你的一切从你提到的朋友、工作项目到你的个人偏好和重要日程。它不再是每次对话都“重启”的聊天窗口而是一个随着时间推移对你了解越来越深的智能伙伴。其核心价值在于私有化和结构化所有记忆数据都存储在你本地的 SQLite 数据库中以知识图谱的形式组织确保了数据的完全掌控和复杂的关联查询能力。无论你是开发者希望为自己的AI应用添加长期记忆层还是普通用户渴望一个更懂你的个人AI助手这个项目都提供了一个强大、可扩展且隐私友好的解决方案。2. 核心架构与工作原理深度解析要理解supermemory-openclaw的强大之处必须深入其架构。它并非一个简单的键值对存储而是一个模仿人类记忆关联性的微型“大脑”模拟。2.1 记忆的原子化与语义提取记忆存储的第一步是理解对话。插件在每次AI响应后会启动一个LLM子代理Subagent对刚刚完成的对话轮次进行深度语义分析。这个过程被称为“原子化提取”。原理解析LLM子代理会将一段可能包含多个信息的对话拆解成独立的、最小单位的“原子记忆”。例如你提到“我昨天和 Ivan 吃了饭他提到他喜欢编程并且下周二要交一份报告。” 提取器会识别并分离出fact事实Ivan 喜欢编程。episode事件Ivan 下周二要交报告。同时它会提取出原始实体提及Raw Entity MentionsIvan。这种原子化存储至关重要。它避免了将复杂段落存为一个模糊的整体而是将其分解为可独立检索、更新和关联的单元极大提升了后续检索的精准度和灵活性。2.2 知识图谱记忆的连接网络这是本插件的灵魂所在。提取出的原子记忆和实体不会孤立存在它们被编织进一个本地的知识图谱中。实体规范化Canonicalization系统会自动识别“Ivan”、“Iván”甚至“伊万”可能指向同一个人。它会创建一个规范实体Canonical Entity来代表这个核心概念并将所有不同的名称变体作为“别名”Alias链接到该实体上。这解决了自然语言中指代不一致的问题。关系构建记忆之间会动态建立两种核心关系边updates更新关系当一个新的记忆在语义上修正或取代一个旧记忆时例如从“Ivan在A公司工作”变为“Ivan在B公司工作”系统会建立updates边。这保证了知识的时效性旧记忆不会被删除而是被标记为“被取代”形成了知识演变的脉络。related相关关系共享相同实体的记忆会自动或经由LLM判断建立related边。例如“Ivan喜欢编程”和“Ivan是AI科学家”这两个记忆都关于实体Ivan它们很可能被关联起来。这使得检索时不仅能找到直接匹配的记忆还能通过图谱“漫步”发现相关上下文。实操心得这种图谱化存储的优势在复杂查询中尤为明显。当你问“Ivan最近在忙什么”时系统不仅能找到直接提及“忙”的记忆还能通过Ivan这个实体节点找到与他相关的所有近期episode事件类记忆比如“提交论文”、“准备演讲”等回答的丰富度和准确性远超简单的关键词匹配。2.3 混合检索策略向量 关键词 图谱当需要回忆检索时插件采用了一种精密的混合搜索算法确保结果既相关又全面。向量搜索如果启用了嵌入模型每个记忆的文本都会被转换为一个高维向量嵌入。检索时查询语句也被转换为向量系统计算余弦相似度找到语义上最接近的记忆。这擅长捕捉“意思相近但用词不同”的查询。关键词搜索利用 SQLite 的 FTS5全文搜索引擎进行传统的词频匹配。这擅长处理精确的名称、术语和日期检索。图谱扩散以前两步的初步结果作为“种子”在图谱上进行有限深度的遍历例如2跳将与种子记忆通过related边相连的其他记忆也纳入候选池。这引入了“关联性”维度。最终系统为每个候选记忆计算一个加权综合分数总分 向量相似度 * vectorWeight 关键词分数 * textWeight 图谱关联度 * graphWeight。通过调整这三个权重你可以控制搜索的“性格”更偏向语义理解还是更偏向字面匹配或是更注重上下文关联。注意sqlite-vec扩展用于向量搜索它通常已内置于 OpenClaw 中。这意味着在大多数情况下你无需额外安装即可享受向量检索能力降低了部署门槛。3. 完整安装与配置实战指南理论很美好但让系统跑起来才是关键。下面是一份从零开始的详细配置指南包含每个步骤的意图和避坑点。3.1 环境准备与插件安装首先确保你已安装并运行着 OpenClaw。然后安装插件本身# 安装插件 openclaw plugins install openclaw-memory-supermemory这个命令会从 npm 仓库拉取插件并集成到你的 OpenClaw 环境中。安装完成后建议先不要急于配置而是检查一下 OpenClaw 的版本。避坑点插件要求 OpenClaw 版本 2026.4.5。你可以通过openclaw --version检查。如果版本过低部分依赖的底层 API 可能不可用导致插件运行异常。请务必先升级 OpenClaw 核心。3.2 交互式配置向导详解接下来运行配置向导。这是最关键的一步它将引导你完成所有必要设置。openclaw supermemory configure向导会启动一个交互式命令行界面通常包含以下环节启用插件询问是否立即启用插件。对于首次使用当然选择Yes。自动捕获与回忆Auto-capture是否在每次对话后自动提取记忆。建议开启这是实现“无感”记忆积累的基础。Auto-recall是否在每次AI回答前自动搜索相关记忆并注入上下文。同样建议开启这样AI才能“记得”之前聊过什么。嵌入模型配置这是功能强弱的决定项。Provider选择ollama本地或openai云端。出于隐私和成本考虑强烈推荐本地运行的 Ollama。Model根据你的选择列出可用的模型。例如选择 Ollama 后你可以输入nomic-embed-text或mxbai-embed-large。模型的选择直接影响嵌入质量、速度和向量维度。API Key / Base URL如果选 OpenAI需提供API密钥如果使用自托管的 OpenAI 兼容服务如 LocalAI可以在这里填写自定义的 Base URL。配置决策建议轻量级/快速启动选择 Ollama 的all-minilm模型384维。它体积小速度快适合初次体验和性能有限的机器。追求最佳质量选择 Ollama 的mxbai-embed-large或nomic-embed-text均为1024或768维。它们能生成质量更高的语义向量但需要更多计算资源。完全禁用向量如果你机器资源极其紧张或者只想测试核心的图谱功能可以在后续的配置文件中将embedding.enabled设为false。这样系统将仅使用关键词和图谱检索。数据库路径向导会建议一个默认路径~/.openclaw/memory/supermemory.db。除非有特殊需求否则直接使用默认值即可。配置完成后向导会将设置写入你的 OpenClaw 主配置文件~/.openclaw/openclaw.json中的插件部分。3.3 启动验证与状态检查配置写完后需要重启 OpenClaw 网关服务来加载新插件。openclaw gateway restart重启后通过以下命令验证插件状态openclaw supermemory status这个命令会输出当前配置的摘要包括嵌入提供商、模型、数据库路径以及核心功能开关状态。仔细核对确保与你刚才的配置一致。接着查看初始的统计信息openclaw supermemory stats首次运行所有计数都应为0这是正常的。这表示一个全新的、空的记忆库已经就绪。实操心得在status输出中特别留意embedding.enabled和embedding.model两项。很多后续功能异常如向量搜索不生效都源于这里的配置错误。如果模型名称拼写错误或未下载插件可能在初始化时报错。4. 核心功能使用与场景化操作系统运行起来后我们来看看如何在日常中与它互动。其功能主要通过三种方式触发自动流程、AI工具调用和用户手动命令。4.1 自动记忆流程让AI“默默记住一切”这是最核心的体验。当autoCapture和autoRecall开启后你几乎不需要做任何额外操作。场景你与 OpenClaw 助手聊天。幕后动作你发送消息AI生成回复。捕获阶段插件截取这一轮完整的对话你和AI的发言交给LLM子代理进行原子化提取。提取出的记忆经过去重对比向量和文本相似度后被存入图谱数据库并与已有的实体建立链接。回忆阶段当你发起下一个问题时插件会先对问题进行混合检索找出最相关的若干条记忆数量由autoRecallMaxMemories控制同时附上自动生成的用户画像摘要然后将这些内容作为“上下文”悄悄插入到发给AI模型的提示词中。效果AI在回答时仿佛“记得”之前的所有对话。你可以问“我之前跟你提过的那个朋友他最近项目怎么样了”即使上次聊天是几天前AI也能根据记忆检索给出关联性回答。4.2 手动记忆管理精准控制除了自动流程插件提供了强大的手动管理命令让你能直接干预记忆库。即时存储 (/remember) 在聊天窗口直接输入/remember Ivan 的生日是 5 月 20 日。这条指令会绕过自动捕获直接触发记忆存储流程。适合快速记录明确、重要的信息。主动回忆 (/recall) 当你想主动查询时使用/recall Ivan 的工作。系统会执行一次混合搜索并将结果清晰地列在聊天中。这对于验证AI“知道”什么或者在复杂对话前主动提供上下文非常有用。选择性遗忘 (/forget) 记忆并非只增不减。/forget 关于项目X的旧预算数字。如果系统高度确信只匹配到一条记忆它会直接删除。如果找到多个候选它会列出它们让你确认后再删除。这提供了容错空间避免误删。CLI 深度管理 对于更系统的管理可以使用命令行openclaw supermemory search “关键词” --limit 10进行更复杂的搜索并可控制返回数量。openclaw supermemory profile查看系统为你自动构建的用户画像摘要。openclaw supermemory profile --rebuild强制重新生成用户画像当你觉得画像不够准确时使用。4.3 AI工具赋能让AI自己管理记忆插件向AI开放了四个工具这意味着AI可以在思考过程中自主决定何时搜索、存储或删除记忆。memory_searchAI在需要背景信息时主动调用此工具进行检索。memory_storeAI认为某条信息重要可以主动调用此工具保存。这有时比自动捕获更精准。memory_forgetAI可以自主清理它认为过时或错误的信息。memory_profileAI可以查看或请求重建用户画像以更好地理解对话对象。经验技巧在复杂的、多轮的任务规划中一个强大的AI助手会频繁调用memory_search来获取历史上下文调用memory_store来保存任务中的关键决策和状态。这实质上将你的OpenClaw助手变成了一个具备“工作记忆”和“长期记忆”的智能任务执行者。5. 高级配置调优与性能考量默认配置适用于大多数场景但为了发挥最大效能或适应特殊需求你需要了解一些关键配置项。5.1 检索权重调优 (vectorWeight,textWeight,graphWeight)这三个参数决定了混合搜索的“口味”位于配置文件的recall部分。高vectorWeight(如 0.7)系统更注重语义相似度。适合查询意图复杂、用词多变的场景。例如“表达开心的事情”能匹配到“今天我很高兴”、“那真是个好消息”等记忆。高textWeight(如 0.7)系统更注重关键词匹配。适合精确查找名称、代号、特定术语。例如查询“Q3财报”能精准定位到包含该词组的记忆。高graphWeight(如 0.4)系统更注重图谱关联性。适合探索性、发散性查询。例如查询“Ivan”时不仅返回直接提及他的记忆还会返回与他相关的项目、地点等记忆。调优建议初期可以保持默认的0.5, 0.3, 0.2。如果你发现AI经常回忆不到直接相关但用词不同的内容可以适当提高vectorWeight。如果你发现回忆结果包含太多间接关联、有点“跑题”可以降低graphWeight。5.2 记忆捕获与提取控制captureMaxChars限制发送给提取LLM的对话文本长度。防止过长的对话轮次导致提取成本过高或质量下降。2000字符通常是安全的。extractorMaxItems限制单次对话轮次中最多提取多少条原子记忆。防止LLM提取出过多琐碎、无用的信息。10条是一个合理的上限。nearDuplicateThreshold(默认 0.95)向量相似度高于此阈值的新记忆会被视为近似重复不予存储。这个值设得很高是为了避免因细微的表述差异而丢失可能有价值的信息变体。lexicalDuplicateThreshold(默认 0.88)文本重叠度高于此阈值的新记忆会被视为文本重复。这个值比向量阈值低因为文本重复更容易判断。5.3 用户画像与记忆维护profileFrequency每多少次交互后重建一次用户画像。画像是对你长期兴趣、习惯的总结。频率太高浪费算力太低则画像过时。50次是一个平衡点。temporalDecayDays(默认 90)多少天后未被再次提及或引用的episode事件类记忆会开始“衰减”。衰减的记忆在检索中排名会降低但不会被删除。这模拟了人类的遗忘曲线保持记忆库的活性。forgetExpiredIntervalMinutes后台清理任务处理过期记忆、合并实体别名的运行间隔。60分钟一次对系统压力很小。5.4 性能与资源管理数据库路径如果你的系统有高速SSD将dbPath指向那里可以提升检索速度。禁用嵌入如果CPU资源紧张或对话量极大将embedding.enabled设为false可以彻底消除向量计算和存储的开销系统将退化为高性能的关键词图谱检索依然非常有用。模型选择Ollama 的all-minilm(384维) 模型在速度和内存占用上远优于mxbai-embed-large(1024维)。在资源有限的设备如树莓派、旧笔记本上选择小模型是保证流畅体验的关键。6. 常见问题排查与实战技巧在实际使用中你可能会遇到一些典型问题。以下是排查思路和解决方法。6.1 插件安装后无效果AI依然“失忆”症状完成所有配置步骤后与AI对话它似乎还是记不住之前的内容。排查步骤检查插件状态运行openclaw supermemory status。确认enabled为true且autoCapture和autoRecall也已开启。检查网关日志重启网关时观察日志openclaw gateway restart --verbose。查看是否有插件加载错误。常见错误是嵌入模型名称错误或不可访问。验证记忆捕获进行一段包含明确事实的对话如“我的咖啡机型号是 X200”。然后立即使用CLI搜索openclaw supermemory search “咖啡机”。如果搜不到说明自动捕获未生效。检查数据库使用SQLite工具查看~/.openclaw/memory/supermemory.db中的memories表是否有新记录。如果没有问题可能出在LLM提取环节可能是提取子代理调用失败。6.2 向量搜索似乎没有工作症状进行语义搜索例如用不同词语查询相同意思返回结果很差或没有。排查步骤确认嵌入已启用status命令中embedding.enabled应为true。检查模型运行如果你使用 Ollama运行ollama list确认你配置的嵌入模型如nomic-embed-text已下载并显示。测试嵌入端点尝试用curl手动调用 Ollama 的嵌入 API看是否返回正常的向量。查看向量表在数据库中检查memories_vec虚拟表是否存在以及memories表中的embedding字段是否不为空。新存入的记忆需要一点时间由后台任务生成嵌入稍等片刻再试。6.3 记忆检索结果不相关或过于冗长症状AI回忆的内容要么不对题要么把一大堆无关记忆都塞进了上下文干扰了回答。解决方案调整autoRecallMinScore提高这个值比如从 0.3 到 0.5只有相关性分数更高的记忆才会被注入上下文提高了精准度。调整autoRecallMaxMemories降低这个值比如从 5 到 3限制每次注入的记忆条数避免上下文过长。调整混合搜索权重如果你发现不相关是因为关联图谱“扯太远”尝试降低graphWeight。如果是语义理解偏差可以微调vectorWeight。利用mmrLambda这个参数控制最大边际相关性。值越接近1结果越按相关性排序越接近0结果多样性越高。如果你希望回忆的内容覆盖不同方面可以适当调低。6.4 数据库损坏或升级后出错症状插件启动失败或提示数据库 schema 错误。标准操作使用提供的清理命令。警告此操作会清空所有记忆openclaw supermemory wipe --confirm这个命令会删除当前的 SQLite 数据库文件并根据最新的插件 schema 重新创建一个空数据库。通常在插件大版本升级后如果启动报错执行此操作可以解决。执行前请确保你已了解其破坏性。6.5 实体合并混乱症状系统错误地将两个不同的人或事物合并成了一个实体。处理方式目前插件没有提供图形化的实体管理界面。如果发生错误合并需要通过底层操作修正使用openclaw supermemory search找到涉及错误合并的记忆。使用openclaw supermemory forget或AI工具删除这些错误的记忆。重新以正确的、区分度高的方式提及这些实体让系统重新捕获并建立独立的实体节点。深度建议在与AI交流时对于重要的、需要区分的主体初期尽量使用完整、一致的指代。例如明确说“我的同事张三”和“我的朋友张三”有助于系统更好地进行消歧。经过以上从原理到实操的全面拆解你应该已经能够驾驭这个强大的本地记忆系统。它的魅力在于将前沿的AI记忆研究工程化为一个可插拔、可配置、完全私有的工具。通过精细的调优你可以让它成为你的数字第二大脑默默记录、智能关联并在关键时刻提供精准的上下文真正实现与AI助手持续、深度的共同进化。
