目标：让 OpenClaw Agent 拥有跨会话的长期记忆，能记住用户偏好、对话历史，还能做语义化检索。用 PolarDB-X Zero 作为记忆存储，零配置、免运维。

Agent 记忆存储对数据库的要求其实不高：能存结构化数据、支持向量检索、连接简单。但传统数据库的门槛在于”连接”这件事本身 —— 注册账号、选配置、配网络、装客户端，还没开始写业务逻辑，半天就过去了。

PolarDB-X Zero 的核心价值就是：把”有数据库可用”这件事变得足够简单。 不需要注册账号，不需要选配置，通过 API 或 AI 工具一条指令就能创建，创建完直接用 MySQL 协议连接，内置向量检索能力。

对于 Agent 记忆这种场景，完美匹配。

传统方式：注册账号、选配置、配网络……

Zero 方式：在 OpenClaw 里发一条指令。

Read https://zero.polardbx.com/SKILL.md and follow the instructions to create a database using PolarDB-X Zero.

等几十秒，你会收到连接信息：

I've created a PolarDB-X Zero instance for you. Here are the details:Instance ID: pxz_uw1xxxxxxyR_T Region: cn-beijing Edition: standard Status: ready Expires at: 2026-04-29 16:04:49 CSTConnection Details:Host: pxzeromaxxxxxxhh.polarxmysql.rds.aliyuncs.comPort: 3346Username: pxz_16xxxxx67Password: 2K_m=nz9xxxxxxxFKConnection String:mysql://pxz_160xxxx67:2K_m%3DxxxxxFK@pxxxxxxxx6hh.polarxmysql.rds.aliyuncs.com:3346Claim URL:clm_Tdt-Ocy-noxxxxxxxxWAY3 · zero.polardbx.comhttps://zero.polardbx.com/claim/clm_Tdt-Ocy-noxK9RDxxxxxxxY3The instance will be automatically destroyed at the expiration time. There is no MySQL client installed in this environment, so I wasn't able to create a database directly. You can connect with any standard MySQL client (e.g., mysql, MySQL Workbench, DBeaver, TablePlus, or a MySQL driver in your application) and run CREATE DATABASE your_db_name; to create your database.

不需要注册账号，不需要选规格，不需要配 VPC 。 PolarDB-X Zero 的 API 是免认证的，创建实例只需要发一个 POST 请求。这就是”零配置”的含义。

通过 Model Context Protocol 让任何 AI Agent 获得持久化 MySQL 数据库。安装 MCP Server，在你喜爱的 IDE 中即连即用。

PolarDB-X Zero 提供了官方的 polardbx-zero-mcp 服务。第一步已经通过 create_instance() 创建了实例， MCP 会自动管理实例注册，所以不需要传任何环境变量：

{"mcpServers": {"polardbx": {"command": "polardbx-zero-mcp"    }  }}

如果你想连接已有的 PolarDB-X 实例（而非通过 MCP 创建），才需要配置环境变量。注意，环境变量名是 MYSQL_* 开头，不是 POLARDB_*：

{"mcpServers": {"polardbx": {"command": "polardbx-zero-mcp","env": {"MYSQL_URL": "mysql://admin:your_password@zero-xxx.polardbx.com:3306/default"      }    }  }}

或者逐个指定：MYSQL_HOST、MYSQL_PORT（默认 3306 ）、MYSQL_USERNAME（注意是 USERNAME 不是 USER ）、MYSQL_PASSWORD、MYSQL_DATABASE。

配置完成后， OpenClaw Agent 就可以通过 MCP 工具执行 SQL 查询了。polardbx-zero-mcp 提供了 create_instance、execute_sql_tool、list_instances 等工具，其中 execute_sql_tool 需要传入 sql 和 instance_id 两个必填参数。

Agent 的记忆不能只靠简单的聊天记录堆砌。我们需要分类型存储：

• 用户画像：用户 ID 、基本信息

• 对话历史：每轮对话的内容和时间

• 用户偏好：用户喜欢什么、不喜欢什么

• 向量记忆：语义化的记忆，用于相似度检索

PolarDB-X Zero 完全兼容 MySQL 协议，所以我们可以直接通过 MCP 工具执行标准 SQL 建表。更重要的是，它原生支持 VECTOR 类型和向量索引，这意味着语义检索不需要额外搭一个向量数据库。

CREATETABLE agent_memories (    id BIGINT AUTO_INCREMENT PRIMARYKEY,    user_id VARCHAR(64) NOTNULL,    memory_type ENUM('profile', 'conversation', 'preference', 'semantic') NOTNULL,    content TEXT,    embedding VECTOR(1536),    metadata JSON,    created_at TIMESTAMP DEFAULTCURRENT_TIMESTAMP,    updated_at TIMESTAMP DEFAULTCURRENT_TIMESTAMPONUPDATECURRENT_TIMESTAMP,INDEX idx_user_type (user_id, memory_type),INDEX idx_created (created_at));

为什么是 1536 维？因为 OpenAI 的 text-embedding-3-small 模型输出就是 1536 维向量。如果你用其他 embedding 模型，相应调整维度即可。

注意：

这个 Demo 为了简洁暂未创建向量索引。当记忆数据超过 10 万条时，建议添加向量索引加速检索，例如：

 ALTER TABLE agent_memories   ADD VECTOR INDEX vi_embedding (embedding) DISTANCE=COSINE; 

配置好 MCP 连接后，接下来需要让 Agent 知道如何使用这个数据库。我们通过 OpenClaw 的 Skill 机制，定义记忆存储和检索的行为规则。

在 OpenClaw 的 Skill 目录中创建 memory-skill/SKILL.md，告诉 Agent ：

记忆规则：

1. 当用户透露个人信息（如名字、职业、位置）时，存为 profile 类型

2. 当用户表达喜好（如”我喜欢吃辣”）时，存为 preference 类型

3. 每轮对话结束后，将对话内容存为 conversation 类型

4. 当对话涉及重要事实或知识时，生成语义向量后存为 semantic 类型

存储方式：

• 对于 profile、conversation、preference 类型，不需要向量数据， INSERT 时省略 embedding 列：

INSERTINTO agent_memories (user_id, memory_type, content, metadata)VALUES (%s, %s, %s, %s);

• 对于 semantic 类型，需要通过 OpenAI embedding API 生成向量后插入。 OpenClaw 内置了 OpenAI 工具调用能力，可以在执行 SQL 前先调用 embedding 模型生成 1536 维向量，然后使用 PolarDB-X 的 VEC_FROMTEXT() 函数将其存入数据库：

INSERTINTO agent_memories (user_id, memory_type, content, embedding, metadata)VALUES (%s, 'semantic', %s, VEC_FROMTEXT(%s), %s);

检索方式：

每次回复用户前，先检索相关记忆：

1. 获取用户画像和偏好：

SELECT id, user_id, memory_type, content, metadataFROM agent_memoriesWHERE user_id = %s AND memory_type IN ('profile', 'preference')ORDERBY updated_at DESC LIMIT20;

2. 语义搜索相关记忆（使用 PolarDB-X 的 VEC_DISTANCE() 函数计算向量距离，距离度量方式 COSINE 或 EUCLIDEAN 在创建向量索引时指定）：

SELECT id, user_id, memory_type, content, metadata,          VEC_DISTANCE(embedding, VEC_FROMTEXT(%s)) AS distanceFROM agent_memoriesWHERE user_id = %s AND memory_type = 'semantic'AND embedding IS NOTNULLORDERBY distance ASC LIMIT5;

3. 获取最近的对话历史：

SELECT id, user_id, memory_type, content, metadataFROM agent_memoriesWHERE user_id = %s AND memory_type = 'conversation'ORDERBY created_at DESC LIMIT10;

注意：所有 SQL 执行都需要通过 MCP 的 execute_sql_tool 工具，传入 sql 和第一步获取的 instance_id。

这个 Skill 定义了 Agent 的记忆行为：什么时候存、怎么存、什么时候查、怎么查。 PolarDB-X Zero 的 VEC_FROMTEXT() 和 VEC_DISTANCE() 函数让向量操作在 SQL 层面就能完成，不需要应用层额外计算。

配置完成后，重启 OpenClaw ，开始对话测试。

第一轮：建立记忆

你：你好，我叫小明，我喜欢吃辣，不吃香菜。Agent: 你好小明！我记下了：你喜欢吃辣，不吃香菜。以后给你推荐美食时会考虑这些偏好。

Agent 通过 MCP 工具执行了 INSERT ，将 profile 类型（名字）和 preference 类型（饮食偏好）存入 agent_memories 表。这两条记录不需要向量数据。

第二轮：测试记忆保持

你：推荐个晚餐。Agent: 基于你喜欢吃辣的偏好，推荐几个选择：1. 麻辣火锅 - 经典辣味选择2. 川菜馆的水煮鱼3. 湘菜的剁椒鱼头需要我帮你查一下附近有哪些好吃的店吗？

Agent 先通过 MCP 执行了 SELECT 查询，检索到了”喜欢吃辣，不吃香菜”的偏好记忆，据此给出推荐。

第三轮：测试偏好记忆

你：我之前说过不吃什么来着？Agent: 你之前提到不吃香菜，我已经记下了这个偏好。需要我推荐不含香菜的菜品吗？

Agent 在回复前执行了记忆检索，通过偏好查询（WHERE memory_type IN ('profile', 'preference')）找到了”不吃香菜”这条 preference 记录。这是普通的 SQL 查询，不是语义搜索——因为偏好数据不需要向量嵌入，直接按类型检索即可命中。

第四轮：测试语义检索（进阶）

如果之前还聊过其他话题，比如”Python 的装饰器怎么用”，可以测试：

你：上次聊到的那个编程概念是什么？Agent: 你上次问的是 Python 装饰器。装饰器是一种高阶函数，可以在不修改原函数代码的情况下增强功能……

Agent 生成查询的 embedding ，通过 VEC_DISTANCE() 语义相似度搜索，从 semantic 类型的记忆中找到了关于 Python 装饰器的对话记录。

上面的流程展示了核心能力，实际使用还可以进一步扩展：

• 记忆衰减：太久远的记忆降低权重，或者归档到冷存储

• 记忆摘要：定期把零散对话总结成结构化知识，减少检索量

• 多模态记忆：支持图片、文件的存储和检索（ PolarDB-X 的 JSON 列可以存元数据）

• 隐私控制：敏感信息加密存储，用户可删除自己的记忆数据

• 多 Agent 共享记忆：多个 Agent 共用同一个 PolarDB-X Zero 实例，实现团队知识共享

整个流程，从创建数据库到 Agent 拥有记忆能力，大概 10 分钟。其中大部分时间在理解记忆模型设计，而不是折腾数据库配置。

这就是 PolarDB-X Zero 的价值 —— 它让”有数据库可用”这件事变得足够简单。对于 AI Agent 的记忆存储、状态管理、语义检索这类场景，你不再需要组合 Redis + 向量数据库 + 关系型数据库，一个 PolarDB-X Zero 就够了。

你在做 AI Agent 时，是怎么处理记忆和上下文的？ 欢迎在评论区分享你的方案。如果这篇实战对你有帮助，请点 「在看」 让更多人看到，也欢迎转发给正在做 Agent 的朋友。