OpenClaw 知识库/知识图谱插件对比:graph-memory vs Cognee vs Mem0

背景

OpenClaw 默认使用 Markdown 文件 + SQLite 混合检索（向量 + FTS5 关键词），适合基础 KB，但对嵌套结构和复杂关系支持弱。

针对高级需求，社区和官方插件提供了图谱/嵌套增强方案。

一、五种方案对比

1. 默认混合检索
资源占用极低，但上下文易线性膨胀（7轮对话可达9万+ token），跨会话弱，推理仅相似度无多跳。

2. graph-memory 插件
SQLite 属性图 + 三元组提取，75% token 压缩（9.5万→2.4万），多跳推理强，跨会话自动复用。CPU 约 5ms/查询，内存 200-500MB。

3. Cognee 插件
外部 KG 引擎，自动将 Markdown 同步为知识图谱，支持多跳遍历。资源中等（内存 500MB-1GB），适合长周期项目关系推理。

4. QMD 插件
Hybrid Retrieval 优化，适合纯 KB 场景，可与图谱叠加使用。

5. Mem0 插件
自动事实提取 + 持久化记忆，跨会话能力最强，适合多用户/长期记忆场景。

二、选型建议

• 入门/低资源：默认 + graph-memory（75% 压缩 + KG 入门）
• 强关系/嵌套推理：优先 Cognee
• 纯 KB 检索优化：QMD
• 长期持久 + 自动提取：Mem0
• 最高性价比组合：graph-memory + Cognee + Markdown 源文件

三、部署提示

• 所有插件通过 pnpm openclaw plugins install xxx 一键安装
• graph-memory 支持 Ollama/vLLM 本地模型零 API 费用
• Cognee 需要 Docker 启动 KG 引擎
• 资源随数据量线性增长，数万节点仍保持毫秒级响应

本文信息基于 2026 年 3 月最新数据整理