OpenClaw 记忆搜索配置教程,让AI不再失忆

OpenClaw 的记忆搜索memory_search就是为了解决这个问题。它提供以下几种搜索方式。

• • 关键词搜索：通过 FTS5 全文索引实现（BM25 评分）。
• • 向量搜索：通过任意受支持提供商的 embeddings 实现。
• • 混合搜索：结合两者以获得最佳结果。
• • CJK 支持：通过 trigram 分词支持中文、日文和韩文。
• • sqlite-vec 加速：用于数据库内向量查询（可选）。

关键词搜索是最基本的搜索，不需要如何配置就能用。

我们重点说说向量搜索。

简单说，它把你问的问题转成一段数字，然后在你之前的聊天记录和笔记里找最相关的内容，塞给 AI 一起回答。转数字这一步叫 embedding，干这活的模型就叫 embedding 模型。

如果你已经有 OpenAI、Gemini、Voyage、Mistral 或 DeepInfra 的 API key,直接把key写入.env,内置引擎会自动检测它并启用向量搜索,无需配置。

但上面这些需要网络环境，使用起来并不友好，那么有合适的国内提供商吗？

硅基流动就是一个选择。它刚好提供一个收费的Pro/BAAI/bge-m3模型,费用也很低,每1KToken是0.00007元。

配置很简单：把 memorySearch 的 embedding 指向硅基的接口就行。

配置文件在 ~/.openclaw/openclaw.json,配置长这样：

"agents":{"defaults":{"memorySearch":{"provider":"openai-compatible","model":"Pro/BAAI/bge-m3","fallback":"none","remote":{"baseUrl":"https://api.siliconflow.cn/v1","apiKey":{"source":"env","provider":"default","id":"SILICONFLOW_API_KEY"}}}}  }

解释几个点：

provider: "openai-compatible" 的意思是「这是一个 OpenAI 兼容的 embedding 接口」。硅基的 https://api.siliconflow.cn/v1/embeddings 跟 OpenAI 的接口格式一样，所以用这个。

model: "Pro/BAAI/bge-m3" 是硅基上的模型名。bge-m3 是 BAAI 开源的 embedding 模型，效果跟 OpenAI 的 text-embedding-3-small 差不多，胜在便宜。

remote 里写硅基的 baseUrl 和 API Key。注意 Key 不要明文写在配置文件里，用环境变量引用。

环境变量名是 SILICONFLOW_API_KEY。

SILICONFLOW_API_KEY=你的Key

好，配置写完了，先关掉openclaw gateway,跑一下重建索引就行：

openclaw memory index –force,然后就一切正常了。

PS C:\WINDOWS\system32> openclaw memory index --forceOpenClaw 2026.6.1 (2e08f0f) — Less clicking, more shipping, fewer "where did that file go" moments.Memory index updated (main).Memory index updated (yuanbao-group).Memory index updated (mp-writer).

测试一下记忆搜索功能:搜索记忆里有关模型的讨论。

最后一句： 记忆搜索这东西，平时感觉不到，但当你问了一个问题，AI 翻出你三个月前写过的笔记来回答时——那一下，真挺值的。

以上，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～谢谢你看我的文章，我们，下次再见。

文章内容基于OpenClaw版本2026.6.6

我的Openclaw教程