PowerMem 外脑接入OpenClaw-夜雨聆风

PowerMem 外脑接入OpenClaw

接上一篇文章当 AI 学会做梦：Hermes Agent 记忆系统的诞生札记

这篇文章不讲原理，只讲怎么用。

一、环境准备

1.1 依赖清单

在开始之前，确保你已经有了这些东西：

依赖	说明	验证方式
Python 3.10+	PowerMem CLI 基于 Python	`python3 --version`
pip	Python 包管理	`pip --version`
PowerMem	记忆数据库核心	见下方安装
pmem CLI	命令行工具	见下方安装
OpenClaw	AI Agent 运行时	已安装并能正常运行
定时任务 Cron Job	定时触发沉淀	系统 crontab 已配置

1.2 安装 PowerMem 和 pmem CLI

# 安装 PowerMem pip install powermem  # 验证安装 pmem --version # 输出：PowerMem 1.0.0 即为安装成功

1.3 配置 PowerMem 连接

PowerMem 依赖 .env 配置文件。安装完成后，运行交互式初始化：

# --- PowerMem + 火山引擎 Coding Plan  ---# 开发测试推荐使用 SQLite，纯本地无需额外数据库服务DATABASE_PROVIDER=sqliteSQLITE_PATH=./data/powermem_dev.dbSQLITE_ENABLE_WAL=trueSQLITE_TIMEOUT=30# Enable sparse vectorSPARSE_VECTOR_ENABLE=true# LLM：火山引擎 Coding Plan（ark-code-latest）LLM_PROVIDER=openaiLLM_API_KEY=  # 换成你的 Coding Plan KeyLLM_MODEL=ark-code-latestLLM_TEMPERATURE=0.7LLM_MAX_TOKENS=8192# Coding Plan 专用端点OPENAI_LLM_BASE_URL=https://ark.cn-beijing.volces.com/api/coding/v3LLM_TOP_P=1.0# Embedding：远程 Ollama（bge-m3:latest）用户要求测试远程欧拉玛EMBEDDING_PROVIDER=ollamaEMBEDDING_API_KEY=ollamaEMBEDDING_MODEL=embeddinggemma:latestOLLAMA_EMBEDDING_BASE_URL=http://10.229.190.87:11434EMBEDDING_DIMS=1024OCEANBASE_EMBEDDING_MODEL_DIMS=1024

pmem config init

# 停掉本机 ollama（避免干扰）systemctl stop ollama# 验证远程连接是否正常pmem config test# 期望输出：三项全 PASS(base) root@raspberrypi:~# systemctl stop ollama.service (base) root@raspberrypi:~# pmem config test[INFO] Testing configuration connectivity...[INFO] Testing database connection...[SUCCESS] Database: Connected[INFO] Testing LLM connection...[SUCCESS] LLM: Connected[INFO] Testing embedder connection...[SUCCESS] Embedder: Connected (dims=768)Results: 3 passed, 0 failed, 0 skipped

按提示填写：LLM Provider（选择你使用的模型服务商）、Embedder Provider（建议选择 Ollama，本地运行更稳定）、数据库连接信息。

⚠️ 注意：Ollama Embedder 只认以下两个变量名：

ollama_base_url=http://你的ollama地址:11434 # 或者 OLLAMA_EMBEDDING_BASE_URL=http://你的ollama地址:11434

❌ 不是OPEN_EMBEDDING_BASE_URL（这个变量名 PowerMem 不识别，会被静默忽略）

1.4 验证配置是否正确

# 测试所有组件连接 pmem config test  # 应该看到三项全部 PASS： # ✓ Database connection: SUCCESS # ✓ LLM connection: SUCCESS # ✓ Embedder connection: SUCCESS

如果 Embedder 报 FAIL，先确认 Ollama 服务是否在跑，再检查变量名是否正确。

二、安装 Skill

2.1 获取 Skill 包

把你的memory-powermem-integration 目录放到 OpenClaw 的 skills 目录下：

# 克隆到 Hermes Agent skills 目录（已集成到 Hermes 工作流）git clone https://github.com/tomson5566/tomson_skills.git \  ~/.hermes/skills/devops

2.2 Skill 目录结构

memory-powermem-integration/├── SKILL.md                      # 主技能定义（Hermes Agent Skill）├── README_FLOW.md                # 完整流程详解├── scripts/│   ├── memory_sync.py            # 记忆同步脚本（Cron Job 调用）│   ├── backup_powermem.sh        # 数据库备份脚本（每周日执行）│   ├── tag_extractor.py          # 标签提取规则（参考）│   └── read_memory.py            # 记忆读取工具├── references/│   ├── pmem_cli_commands.md      # pmem CLI 命令参考│   ├── pmem_add_behavior.md      # pmem add 实测行为记录│   ├── pmem_troubleshooting.md  # 故障排查指南│   └── memory_schema.md          # PowerMem SQLite 表结构└── README.md                     # 项目说明文档

2.3 配置 pmem 路径

Skill 默认的 pmem 路径是 /root/miniconda3/bin/pmem。如果你的环境不同，编辑 SKILL.md 中的 pmem_path 配置：

config:   pmem_path: /你的路径/pmem  # 改成你实际的 pmem 路径

2.4 配置定时任务

每周五凌晨 1 点——记忆沉淀：

# 编辑 crontab crontab -e  # 添加这行 0 1 * * 5 /你的路径/memory-powermem-integration/scripts/memory_sync.py

每周日凌晨 1 点——备份：

# 继续编辑 crontab，添加 0 1 * * 0 /你的路径/memory-powermem-integration/scripts/backup_powermem.sh

三、使用方法

3.1 按需检索——”你还记得上次那个问题吗”

当你需要 AI 回忆之前的对话内容时，直接说：

“你还记得上次那个部署问题吗？”
“搜一下之前关于 PowerMem 配置的记忆”
“上次我们聊的那个方案，现在进展到哪了？”

背后发生的事：

AI 识别到这是记忆检索请求
调用 pmem memory search [关键词] 搜索相关记忆
返回匹配结果，包含内容摘要和 10 个标签
AI 根据结果判断是否需要获取完整内容

效果示例：

# 用户输入你：搜一下之前关于 192.168.3.230 服务器配置的记忆# AI 返回AI：找到了2条相关记忆：记忆1 [P1] - 2026-05-23标签：服务器 | 配置 | ollama | 成功内容：192.168.3.230 服务器 qwenpaw 环境变量配置完成记忆2 [P1] - 2026-05-24标签：服务器 | 配置 | 环境变量 | 成功内容：qwenpaw用户环境变量已设置，ollama模型已配置

3.2 定时沉淀——每周五自动”做梦”

这是 Skill 的核心功能。

触发条件：

每周五凌晨 1 点，Cron Job 自动检查 /root/.hermes/memories/ 下的 MEMORY.md 和 USER.md 有没有新修改。

如果有新内容，AI 会：

读取文件内容
生成中文摘要（每条记忆 100 字以内）
分析内容提取 10 个标签
调用 pmem memory add 写入 PowerMem

10 个标签的定义：

标签	说明	示例
`tag1_time`	时间	2026-05-24
`tag2_topicA`	主主题	服务器、AI、运维
`tag3_topicB`	次主题	部署、安全、模型
`tag4_keywordA`	高频词	Tomson、qwenpaw
`tag5_keywordB`	技术栈	ollama、minimax
`tag6_keywordC`	工具/服务	hermes、openclaw
`tag7_project`	相关项目	192.168.3.230、Halo
`tag8_action`	动作类型	安装、配置、排查
`tag9_status`	状态	成功、失败、待处理
`tag10_priority`	优先级	P0、P1、P2

手动触发沉淀：

# 如果你想立刻执行一次沉淀，不等周五 python3 /你的路径/memory-powermem-integration/scripts/memory_sync.py

3.3 备份和恢复

手动备份：

# 执行备份，输出到 /root/memory/ bash /你的路径/memory-powermem-integration/scripts/backup_powermem.sh  # 查看备份文件 ls -la /root/memory/ # 应该看到： # powermem_20260531_010000.db      ← SQLite 数据库备份 # memories_20260531_010000.json   ← JSON 导出  # 恢复备份 pmem manage restore -i /root/memory/memories_20260531_010000.json

四、效果展示

4.1 按需检索的实际效果

场景：

我上周和 AI 讨论了 PowerMem 的配置问题，结论已经沉淀进 PowerMem。

本周对话：

# 用户输入你：那个 PowerMem 配置问题，你还记得吗？# AI 返回AI：记得。你当时遇到的是 OLLAMA_EMBEDDING_BASE_URL 变量名的问题。 PowerMem 的 Ollama Embedder 只识别 ollama_base_url 和 OLLAMA_EMBEDDING_BASE_URL， 你之前配置的 OPEN_EMBEDDING_BASE_URL 被静默忽略了，导致连接的是本机而不是远程。 你已经在 /root/.env 里新增了正确的变量名。  这条记忆的时间是 2026-05-24，优先级 P1，状态是"已修复"。

没有这个 Skill 之前：我需要重新描述背景、重新发文档、重新解释问题。

有了这个 Skill 之后：AI 直接知道我在说哪件事，不需要我重复。

4.2 定时沉淀的实际效果

周五凌晨 1 点，Cron Job 触发后，检查到 MEMORY.md 有新内容，执行沉淀：

[2026-05-31 01:00:01] 开始记忆沉淀 [2026-05-31 01:00:01] 检查文件修改时间... [2026-05-31 01:00:02] MEMORY.md 有新修改，开始处理 [2026-05-31 01:00:03] 生成摘要，提取标签 [2026-05-31 01:00:04] 调用 pmem memory add... [2026-05-31 01:00:07] 写入成功，ID: 713685783025811456 [2026-05-31 01:00:07] 记忆沉淀完成，写入 3 条新记忆

本周的对话精华，自动进了 PowerMem，变成长期记忆。

4.3 标签检索的精准度

因为每条记忆都有 10 个标签，检索可以很精准：

# 按项目检索 pmem memory search "192.168.3.230" --limit 5  # 按动作类型检索（所有"配置"相关记忆） pmem memory search "配置" --limit 10  # 按状态检索（所有"失败"相关的排查记录） pmem memory search "失败" --limit 10

五、常见问题

Q: --json 参数会让 add 命令卡住怎么办？

A：不要用 --json 参数。直接用纯文本输出模式：

pmem memory add "内容摘要" --metadata '...' --no-infer

Q: 一条 add 生成了多条记忆，正常吗？

A：正常，这是 PowerMem 的语义拆分机制。如果你不想要拆分，加 --no-infer 参数：

pmem memory add "内容摘要" --no-infer

Q: 写入很慢怎么办？

A：加 --no-infer 跳过 LLM 推理。耗时从 35~90 秒降到 3~6 秒。

Q: 备份文件太多怎么办？

A：Skill 默认保留 4 周备份，超出时间的备份会在下次运行时自动清理。手动清理：

ls -la /root/memory/ rm /root/memory/powermem_20260501_*.db

六、总结

这个 Skill 做的是一件事：

让 OpenClaw 的记忆从”硬盘”变成”海马体”。

按需检索：随时搜，随时用，不需要重复发文档
定时沉淀：每周五自动把对话精华沉淀进 PowerMem
自动备份：每周日备份数据库，资产不丢

安装不复杂，配好环境、放好目录、设好定时任务，就能用。

项目地址：

https://github.com/tomson5566/tomson_skills/tree/main/memory-powermem-integration