第12课：想找回半年前的对话？——全文记忆检索配置

进度：12/12，OpenClaw 搭建系列完结篇！你的AI即将拥有「回忆往事」的能力

你有没有遇到过这种情况：

• 三个月前跟AI讨论过一个API设计方案，现在想找回当时的结论，却翻不到记录
• 上周让AI帮你写过一个脚本，今天想用却忘了文件名
• 明明跟AI说过”记住这个项目用Python”，它却问你”用什么语言开发”

MEMORY.md 能存重要信息，但人的记忆是模糊的——你只记得”好像讨论过某个东西”，却想不起具体细节和日期。

这节课给 OpenClaw 装上「全文记忆检索」系统。配置好以后，AI能从海量历史对话中找到你需要的任何信息，哪怕你只记得只言片语。

学完这节课，你的AI能做到：

• 语义搜索：用自然语言描述，找到相关历史对话
• 自动归档：每次会话结束自动保存完整记录
• 精准定位：从半年前的某次对话中提取具体信息
• 关联追溯：找到一次对话后，能继续深挖上下文

这是 OpenClaw 搭建系列的最后一课，也是整个系列的「点睛之笔」——有记忆、能回忆的AI，才真正算得上「智能伙伴」。

准备工作

这节课需要：

• 配置好的 OpenClaw（前11课内容）
• 一个支持词嵌入(Embedding)的模型（Gemini 免费提供）
• 约 15 分钟时间

不需要：

• 额外付费（Gemini embedding 免费额度充足）
• 配置外部数据库
• 复杂的向量检索知识

全文记忆检索是什么？

全文记忆检索 = 让AI能从历史对话中「回忆」信息的能力。

我们之前配置的 MEMORY.md 属于「结构化记忆」——适合存明确的偏好、路径、设定。但它有两个局限：

1. 需要主动记录：你记得说”记住这个”，它才会存
2. 只能精确匹配：你问”上周的API方案”，如果MEMORY.md里没写”API方案”四个字，就找不到

全文检索解决的问题：

核心原理（简单版）：

OpenClaw 会把每次对话保存下来，用「词嵌入模型」把文字转成数学向量。当你搜索时，同样转成向量，找最相似的——这就是RAG（检索增强生成）。

不用理解原理，只要知道：它能像谷歌一样，用关键词找到你的历史对话。

第一步：启用会话归档（Hooks）

想要检索，首先得有「档案」。OpenClaw 通过 Hooks 机制自动保存每次会话。

1.1 什么是 Hooks？

Hooks 是 OpenClaw 的「事件钩子」——在特定时机自动执行操作。

默认提供的 Hooks：

我们要启用的是 session-memory，它会自动保存每次对话的完整内容。

1.2 配置 Hooks

查看当前 hooks 配置：

openclaw config get hooks

预期输出（已启用）：

{
  "enabled": ["session-memory", "bootstrap-extra-files", "command-logger"]
}

如果没有启用，添加配置：

openclaw config set hooks.enabled '["session-memory", "bootstrap-extra-files", "command-logger"]'

或在配置文件中添加：

{
  "hooks": {
    "enabled": ["session-memory", "bootstrap-extra-files", "command-logger"]
  }
}

图中显示了 hooks.enabled 配置，session-memory 已启用

1.3 验证归档功能

启用后，每次发出 /new 或 /reset 开启新会话时，之前的对话会被自动保存到：

~/.openclaw/agents/<agentId>/sessions/

检查归档目录：

ls -la ~/.openclaw/agents/main/sessions/ | head -10

预期输出：

drwxr-xr-x  10 shine shine  4096  4月 15 10:00 .
drwxr-xr-x   5 shine shine  4096  4月 15 09:00 ..
-rw-r--r--   1 shine shine  2048  4月 15 10:00 2026-04-15-abc123.json
-rw-r--r--   1 shine shine  1536  4月 15 09:30 2026-04-15-def456.json
-rw-r--r--   1 shine shine  3584  4月 14 16:00 2026-04-14-ghi789.json

~/.openclaw/agents/main/sessions/ 目录下的会话归档文件

文件名格式： YYYY-MM-DD-会话ID.json

每个文件包含完整的对话记录：用户消息、AI回复、工具调用、时间戳等。

第二步：配置词嵌入模型

有了档案，还需要「索引」才能快速检索。OpenClaw 使用词嵌入模型建立语义索引。

2.1 什么是词嵌入？

简单理解：把文字转换成「语义向量」。

• “苹果” 和 “iPhone” → 向量很接近（语义相关）
• “苹果” 和 “香蕉” → 向量也较近（都是水果）
• “苹果” 和 “汽车” → 向量很远（语义无关）

当你搜索 “手机”，即使历史记录里只有 “iPhone”，语义相近也能被找到。

2.2 Gemini Embedding（推荐）

Gemini 提供免费的词嵌入模型 gemini-embedding-001，额度充足（每天10万+次请求）。

配置步骤：

1. 获取 Gemini API Key（如果已有可跳过）

   • 访问 https://aistudio.google.com/app/apikey^[1]
   • 创建新的 API Key

2. 添加到配置文件：

{
  "agents": {
    "defaults": {
      "memorySearch": {
        "enabled": true,
        "provider": "gemini",
        "remote": {
          "baseUrl": "https://generativelanguage.googleapis.com/v1beta",
          "apiKey": "YOUR_GEMINI_API_KEY"
        }
      }
    }
  }
}

参数说明：

• enabled: 启用记忆搜索
• provider: 使用 gemini 作为嵌入 provider
• remote.baseUrl: Gemini API 地址
• remote.apiKey: 你的 Gemini API Key

memorySearch 配置结构示例

1. 重启 OpenClaw 生效

openclaw restart

2.3 使用 OpenAI 兼容接口（备选）

如果你已有 OpenAI 兼容的 embedding 服务（如 text-embedding-3-small）：

{
  "agents": {
    "defaults": {
      "memorySearch": {
        "enabled": true,
        "provider": "openai",
        "remote": {
          "baseUrl": "https://api.openai.com/v1",
          "apiKey": "YOUR_OPENAI_API_KEY",
          "model": "text-embedding-3-small"
        }
      }
    }
  }
}

2.4 验证嵌入配置

测试对话：

帮我找一下之前讨论过的那个API设计方案

如果配置正确，AI会：

1. 调用 memory_search 工具搜索历史记录
2. 找到相关对话并展示

验证失败排查：

• 检查 API Key 是否正确
• 确认 provider 和 baseUrl 匹配
• 查看 OpenClaw 日志是否有 embedding 相关错误

第三步：安装 session-logs 技能

OpenClaw 提供了专门的 session-logs 技能，用于搜索和分析会话历史。

3.1 安装依赖

session-logs 依赖 jq 和 ripgrep 两个命令行工具：

macOS：

which jq || brew install jq
which rg || brew install ripgrep

Ubuntu/Debian：

which jq || sudo apt-get install jq
which rg || sudo apt-get install ripgrep

验证安装：

jq --version
rg --version

3.2 启用 skill

依赖安装好之后会自动启用，可以通过命令：

openclaw skills list

查看 session-logs 状态

3.3 验证技能可用

测试对话：

搜索我上周关于Python的会话

AI 应该会自动调用 session-logs 技能进行搜索。

第四步：使用记忆检索

配置完成后，你可以用自然语言搜索历史对话。

4.1 基础搜索

你说：

帮我找一下之前讨论过的那个API设计方案

AI会：

1. 调用 memory_search 在历史记忆中查找
2. 如果记忆中没有，调用 session-logs 搜索归档会话
3. 返回找到的相关内容

AI回复示例：

找到了！在 2026-04-10 的会话中，我们讨论了用户认证API的设计：

当时的方案：

• 使用 JWT Token 进行身份验证
• Token 有效期 7 天，支持刷新
• 登录接口：POST /api/auth/login
• 返回格式：{ token, refreshToken, expiresIn }

需要我展示更多当时的讨论细节吗？

AI根据模糊描述找到历史对话内容

4.2 精准定位

你说：

查看 2026-04-10 那次关于API的完整对话

AI会： 使用 memory_get 或 session-logs 提取完整会话内容。

4.3 跨记忆类型检索

OpenClaw 会同时搜索多个来源：

搜索优先级：

1. 先查 MEMORY.md（最精准的结构化信息）
2. 再查每日记忆（时间维度摘要）
3. 最后查会话归档（完整对话内容）

4.4 实际应用场景

第五步：理解其他 Hooks

除了 session-memory，了解其他 hooks 能让你更好地定制 OpenClaw。

5.1 bootstrap-extra-files

作用： 启动时自动注入额外文件到工作区。

使用场景：

• 自动加载项目特定的 AGENTS.md
• 注入临时配置或模板
• 多项目切换时加载对应记忆

配置示例：

{
  "hooks": {
    "config": {
      "bootstrap-extra-files": {
        "patterns": [
          "~/projects/${PROJECT}/AGENTS.md"
        ]
      }
    }
  }
}

5.2 command-logger

作用： 记录所有执行过的命令到日志文件。

日志位置：

~/.openclaw/logs/commands.log

用途：

• 审计和排查问题
• 统计使用频率
• 恢复误操作前的状态

5.3 boot-md

作用： 网关启动时执行 BOOT.md 文件内容。

使用场景：

• 启动时发送通知
• 初始化环境检查
• 自动执行日常任务

BOOT.md 示例：

# 启动检查清单

- [ ] 检查磁盘空间
- [ ] 同步配置文件到Git
- [ ] 发送启动通知到飞书

常见问题 FAQ

Q1: 搜索不到历史记录？

排查步骤：

1. 确认 session-memory hook 已启用：openclaw config get hooks.enabled
2. 检查会话目录是否存在：ls ~/.openclaw/agents/default/sessions/
3. 确认 embedding 配置正确且 API Key 有效
4. 等待几秒后重试（嵌入索引可能有延迟）

Q2: Gemini embedding 免费额度够吗？

额度情况：

• Gemini embedding-001：每天 100,000 次请求免费
• 一次典型搜索：1-3 次嵌入调用
• 正常使用：足够支撑每天数百次搜索

超出额度： 可以配置备用 embedding provider（如 OpenAI）。

Q3: 会话记录会占用多少空间？

空间估算：

• 一次普通对话：10-50 KB
• 每天 10 次对话：约 300 KB/天
• 每月：约 9 MB
• 每年：约 100 MB

清理旧记录：

# 删除 3 个月前的会话
find ~/.openclaw/agents/default/sessions/ -name "*.json" -mtime +90 -delete

# 归档到压缩包
find ~/.openclaw/agents/default/sessions/ -name "*.json" -mtime +90 -exec tar -rvf old-sessions.tar {} \;

Q4: 敏感对话会被记录吗？

默认行为：

• ✅ 所有对话都会归档
• ✅ 包括可能包含敏感信息的对话

隐私建议：

1. 定期清理敏感会话：

   # 找到并删除包含敏感词的会话
   rg -l "密码|密钥|token" ~/.openclaw/agents/default/sessions/ | xargs rm
   

2. 使用私密模式：

   /private 开启私密会话（不记录到归档）
   

3. 工作区隔离：

   • 敏感工作使用独立 Agent
   • 每个 Agent 有独立的会话目录

Q5: 记忆搜索和谷歌搜索有什么区别？

两者互补：

• 记忆搜索 = “我什么时候说过…”
• 谷歌搜索 = “现在世界上发生了什么”

Q6: 可以用自己的 embedding 模型吗？

可以，配置自定义 provider：

{
  "models": {
    "providers": {
      "my-embedding": {
        "baseUrl": "http://localhost:8000",
        "apiKey": "",
        "models": [
          {
            "id": "local-embed",
            "name": "Local Embedding",
            "input": ["text"]
          }
        ]
      }
    }
  },
  "agents": {
    "defaults": {
      "memorySearch": {
        "enabled": true,
        "provider": "my-embedding",
        "model": "local-embed",
        "remote": {
          "baseUrl": "http://localhost:8000"
        }
      }
    }
  }
}

Q7: 如何让AI更频繁地使用记忆？

方法1：在 AGENTS.md 中强调

## 记忆使用准则

- 回答前优先搜索相关记忆
- 不确定时查看历史记录
- 主动关联过去的讨论

方法2：通过对话训练

以后回答我的问题前，先搜索一下历史记忆，看看有没有相关讨论

方法3：配置强制搜索

{
  "agents": {
    "defaults": {
      "instructions": [
        "每次回答前，先调用 memory_search 搜索相关历史信息"
      ]
    }
  }
}

进阶技巧

技巧1：定期记忆维护

每周整理一次：

帮我整理这周的记忆：
1. 把重要的临时信息写入 MEMORY.md
2. 删除过期的每日记忆
3. 归档旧的会话记录

技巧2：跨会话任务追踪

建立任务档案：

在 MEMORY.md 中创建一个「进行中任务」列表，每完成一个就勾选掉

示例 MEMORY.md：

## 进行中任务

- [x] 配置 OpenClaw 基础环境
- [x] 接入飞书频道
- [x] 配置记忆系统
- [ ] 配置全文检索
- [ ] 测试视频生成功能

## 已完成项目

### OpenClaw搭建系列（12/12课）
- 2026-04-20: 完成全文记忆检索配置

技巧3：关键词标签化

在对话中主动打标签：

【项目A】这个需求需要用到Redis缓存...

搜索时：

搜索关于【项目A】的所有讨论

技巧4：记忆备份策略

定期备份会话：

#!/bin/bash
# backup-sessions.sh

BACKUP_DIR="~/backup/openclaw-sessions"
SESSION_DIR="~/.openclaw/agents/default/sessions"
DATE=$(date +%Y%m%d)

mkdir -p $BACKUP_DIR
tar -czf $BACKUP_DIR/sessions-$DATE.tar.gz $SESSION_DIR

# 保留最近10个备份
ls -t $BACKUP_DIR/sessions-*.tar.gz | tail -n +11 | xargs rm -f

技巧5：使用记忆做周报

每周五：

根据本周的每日记忆，帮我生成一份工作周报

AI 会自动：

1. 读取本周的 memory/2026-04-*.md
2. 提取完成的任务
3. 整理成周报格式

总结：完整的 OpenClaw 记忆体系

恭喜，你的 OpenClaw 拥有了「完整记忆能力」！

回顾整个记忆体系：

现在你的AI可以：

• ✅ 记住重要信息（第11课）
• ✅ 回忆历史对话（第12课）
• ✅ 持续学习你的偏好
• ✅ 越用越懂你

OpenClaw 搭建系列 12 课全部完成！

回顾 12 节课成果：

你的 AI 已经从一个「工具」成长为「伙伴」：

• 能听、能说、能看、能写
• 能搜索、能浏览、能创作
• 能记住、能回忆

这不是终点，而是起点。

接下来的「实战系列」，我们将用这些能力完成真实任务：自动生成公众号文章、自动发布B站视频、让AI主动找活干…

准备好了吗？实战系列见！

课后作业

试试这些玩法：

1. 找回一次旧对话：试着用模糊描述让AI找回一周前的某个讨论
2. 建立个人知识库：把重要技术笔记通过对话存入记忆
3. 测试语义搜索：用不同的关键词搜索同一主题（如”Python”和”Py”）
4. 整理记忆文件：让AI帮你整理 MEMORY.md，删除过期的
5. 创建任务追踪：在 MEMORY.md 中建立项目进度追踪表

附录：配置速查表

记忆搜索配置

{
  "agents": {
    "defaults": {
      "memorySearch": {
        "enabled": true,
        "provider": "gemini",
        "remote": {
          "baseUrl": "https://generativelanguage.googleapis.com/v1beta",
          "apiKey": "YOUR_API_KEY"
        }
      }
    }
  }
}

Hooks 配置

{
  "hooks": {
    "enabled": ["session-memory", "bootstrap-extra-files", "command-logger"]
  }
}

依赖安装

# macOS
brew install jq ripgrep

# Ubuntu/Debian
sudo apt-get install jq ripgrep

常用命令

# 查看会话列表
ls -lt ~/.openclaw/agents/default/sessions/

# 搜索会话内容
rg "关键词" ~/.openclaw/agents/default/sessions/

# 查看今日记忆
cat ~/.openclaw/workspace/memory/$(date +%Y-%m-%d).md

# 备份所有记忆
tar -czf backup-$(date +%Y%m%d).tar.gz ~/.openclaw/workspace/

🎉 OpenClaw 搭建系列（12/12）完结！

文章作者：光闪
系列：OpenClaw 搭建与配置
发布日期：2026-04-20

下一步

实战系列预告：

• 实战1：公众号文章自动生成与发布 ✅ 已发布
• 实战2：B站视频全自动投稿
• 实战3：定时任务与心跳机制
• 实战4：自动提交 Issue 和 PR

敬请期待！

引用链接