1. 智能体记忆：人生还是别只如初见

记忆机制是Agent中的重要课题，如何让你的Agent不要每次和你聊天都像第一天认识？之前聊过的话它还能回忆起来？

OpenClaw 的解法也很直接：本地 RAG。把知识库索引好，用时按需检索，只把相关内容塞进有限的上下文窗口。而且设计上是渐进式的——没配 API 也能用，配了就能更强。

2. 默认配置：自适应策略

OpenClaw 的记忆默认是开箱即用的，核心就这几行：

{
  "enabled": true,        // 功能开启
  "provider": "auto",     // 自动检测 Embedding 服务
  "vector.enabled": true, // 优先尝试向量搜索
  "hybrid.enabled": true, // 混合搜索备用
  "fallback": "none"      // 失败不回退，直接降级
}

关键在"auto"这个设计。OpenClaw 会按顺序检测：OpenAI → Gemini → Voyage → Ollama → 本地模型，全都没有就自动降级。你不用操心配错，它自己找活路。

3. 零配置：FTS-Only 模式

如果你什么 API key 都没填，Ollama 也没装，OpenClaw 会默默进入FTS-Only模式。

实际生效的配置

{
  "model": "fts-only",
  "provider": "none"
}

工作机制

流程其实挺直观：用户问题进来，先拆成关键词，然后去 SQLite 的 FTS5 索引里搜，BM25 算个分，返回最相关的文本块。

"怎么部署到服务器？"
    ↓
分词 → ["怎么", "部署", "服务器"]
    ↓
FTS5 索引检索 + BM25 评分
    ↓
返回 6 个相关段落（每段约 400 tokens，重叠 80 tokens）
    ↓
塞进 prompt，LLM 作答

BM25 是什么？

简单说就是个带智商的关键词匹配。它不仅数词频，还会：

• • 降低常见词的权重（"的"、"是"不值钱）
• • 偏爱短文档里的命中（100 字文档出现 1 次，比 10000 字文档出现 10 次更相关）
• • 词频饱和（出现 10 次和 100 次，差别没那么大）

局限

纯关键词的硬伤：认字不认意。

4. 进阶：向量搜索

想要语义理解，得有个能把文字变成"意思"的东西——这就是 Embedding 模型。

配置方式

{
  "memorySearch": {
    "provider": "openai",              // 或 gemini、voyage、ollama
    "model": "text-embedding-3-small"  // 默认小模型，够用
  }
}

工作机制

Embedding 模型会把任意文本转成固定维度的向量，比如 1536 个数字。语义相近的文本，向量空间里的距离也近。

文档："如何在 AWS 上部署 OpenClaw"
    ↓
text-embedding-3-small
    ↓
[0.023, -0.045, 0.891, ...]  ← 1536 维向量
    ↓
存入 sqlite-vec（SQLite 的向量扩展）

查询时也一样：

问题："怎么在云服务器上跑这个？"
    ↓
Embedding 模型
    ↓
[0.019, -0.038, 0.854, ...]
    ↓
余弦相似度检索 → 找到最接近的文档向量
    ↓
返回语义相关的结果

带来的能力

• •同义词关联："部署" ≈ "上线" ≈ "发布"
• •跨语言：中文问题能找到英文文档（向量空间是语言无关的）
• •容错：错别字、口语化表达也能匹配

5. 更强：混合搜索

纯向量也有坑——遇到专有名词、版本号、精确术语时，它可能"想太多"。这时候 BM25 的字面匹配反而更准。

OpenClaw 的解法是双路召回，加权融合。

配置

{
  "query": {
    "hybrid": {
      "enabled": true,
      "vectorWeight": 0.7,   // 语义占大头
      "textWeight": 0.3,     // 关键词兜底
      "candidateMultiplier": 4
    }
  }
}

工作机制

问题："OpenClaw 配置"
        ↓
    ┌───┴───┐
    ↓       ↓
 向量搜索   BM25 搜索
 (语义)    (关键词)
    ↓       ↓
[A:0.92]  [B:0.95]
[B:0.88]  [C:0.90]
    └────┬────┘
         ↓
    加权融合：0.7×向量分 + 0.3×BM25分
         ↓
    重新排序，取 Top 6

为什么混合更好？

向量负责"懂意思"，BM25 负责"别漏词"，两者互补。

6. 高阶玩法

6.1 MMR 重排序：结果多样性

默认的 Top-K 有个问题——可能 6 条结果全在讲同一件事。MMR（Maximal Marginal Relevance）会让结果又相关又多样。

{
  "mmr": {
    "enabled": true,
    "lambda": 0.7   // 0 最多样，1 最相关
  }
}

工作机制：每选一条结果，就降低与其相似的候选分数。确保覆盖不同角度。

问题："OpenClaw 记忆机制"

普通排序 → [向量搜索×3, 向量搜索×2, 向量搜索×1]
MMR 排序 → [向量搜索, BM25原理, 混合搜索, 配置方法, 会话记忆, 多模态]

6.2 时间衰减：新记忆优先

老记忆可能过时，新记忆更相关。

{
  "temporalDecay": {
    "enabled": true,
    "halfLifeDays": 30   // 30 天分数减半
  }
}

分数会乘以一个衰减因子：2^(-天数/30)。今天创建的记 1.0，一个月前 0.5，两个月前 0.25。

6.3 查询扩展：提高召回

用户的问题可能太简短，LLM 帮忙扩展几个同义表述，分别搜索后合并结果。

{
  "expansion": {
    "enabled": true,
    "model": "gpt-4o-mini",
    "maxPhrases": 3
  }
}

原问题："怎么部署"
    ↓
LLM 扩展：
- 如何上线 OpenClaw
- 服务器安装配置
- 生产环境部署指南
    ↓
4 个查询分别检索，结果去重融合

6.4 会话记忆：跨轮次上下文

默认只索引memory/目录的静态文件。开启会话记忆后，当前对话本身也会被索引。

{
  "experimental": {
    "sessionMemory": true
  },
  "sync": {
    "sessions": {
      "deltaBytes": 1000,      // 会话新增 1000 字节触发索引
      "deltaMessages": 5       // 或 5 条新消息
    }
  }
}

效果：第 1 轮你说"我在做支付系统"，第 5 轮问"怎么设计"时，系统还记得上下文。甚至下次开新会话，之前的对话也能被检索到。

6.5 多模态：图片、音频也能搜

{
  "multimodal": {
    "enabled": true,
    "image": { "enabled": true },
    "audio": { "enabled": true }
  }
}

• • 图片 → Gemini 视觉模型生成描述 → Embedding → 向量
• • 音频 → Whisper 转录 → 文本 → Embedding → 向量

之后搜"架构图"就能找到那张 PNG，搜"会议录音"能找到对应的 MP3。

7. 层级对照与选型建议

快速上手建议

想立刻升级？最省事的方案：

// Gemini，免费额度够用
{
  "memorySearch": {
    "provider": "gemini",
    "model": "gemini-embedding-exp-03-07"
  }
}

完全离线？

ollama pull nomic-embed-text

{
  "memorySearch": {
    "provider": "ollama",
    "model": "nomic-embed-text"
  }
}