夜雨聆风结论先行
OpenClaw 的记忆系统是其区别于普通 AI 助手的核心能力。通过三层记忆架构（工作区文件 + 向量索引 + 语义搜索），你可以让智能体拥有真正的长期记忆——记住你的偏好、项目上下文、甚至几个月前的对话细节。本文将提供三套可落地的配置方案，覆盖从个人用户到企业级部署的完整场景。
一、核心概念：OpenClaw 记忆系统如何工作
1.1 三层记忆架构
| 短期记忆 | |||
| 日记忆 | memory/YYYY-MM-DD.md | ||
| 长期记忆 | MEMORY.md |
关键洞察：OpenClaw 的记忆本质是纯 Markdown 文件。智能体只能”记住”写入磁盘的内容——没有文件，就没有记忆。
1.2 记忆工作流程
用户对话 → 智能体判断 → 写入 memory/ 或 MEMORY.md → 向量索引更新 → 语义搜索可用 自动记忆刷新机制：当会话接近压缩阈值时，OpenClaw 会自动触发静默回合，提醒智能体在上下文被压缩前写入持久记忆。
二、基础配置：5 分钟快速上手
2.1 工作区目录结构
2.2 最小可用配置
编辑 ~/.openclaw/openclaw.json：
环境变量设置（添加到 ~/.zshrc 或 ~/.bashrc）：
2.3 验证配置
三、进阶配置：三种生产级方案
方案 A：本地优先（隐私敏感场景）
适用场景：企业内网、隐私敏感数据、无互联网环境
安装步骤：
性能数据：
模型大小：~600MB 内存占用：~1.2GB 索引速度：约 1000 tokens/秒（M1 Mac） 搜索延迟：< 100ms
方案 B：混合搜索（推荐生产配置）
适用场景：需要兼顾语义理解和精确匹配的通用场景
核心特性：
| BM25 + 向量混合 | vectorWeight: 0.7, textWeight: 0.3 | |
| MMR 重排序 | lambda: 0.7 | |
| 时间衰减 | halfLifeDays: 30 |
效果对比：
搜索 “home network setup”：
-纯向量搜索：返回 3 条关于路由器的笔记（内容重复）-混合搜索 + MMR：返回路由器配置、DNS 设置、VLAN 规划（覆盖全面）
方案 C：QMD 后端（大规模知识库）
适用场景：需要索引外部文档、大规模知识库、高级检索需求
安装 QMD：
# 方式 1：通过 Bun 安装buninstall-ghttps://github.com/tobi/qmd# 方式 2：下载预编译版本# 访问 https://github.com/tobi/qmd/releases# 验证安装qmd--version
QMD vs 内置后端对比：
四、实战技巧：让记忆系统更智能
4.1 记忆文件组织最佳实践
4.2 自动记忆维护（Heartbeat 配置）
编辑 HEARTBEAT.md：
4.3 会话记忆搜索（实验性）
启用历史对话索引：
注意：会话记忆默认关闭，需显式启用。
五、避坑指南：常见问题与解决方案
5.1 记忆搜索返回空结果
排查步骤：
常见原因：
API 密钥未设置或过期 记忆文件为空或格式错误 索引尚未完成（首次启动需要时间）
5.2 切换嵌入模型后需要重新索引
5.3 群聊中记忆搜索不工作
默认情况下，MEMORY.md 只在私聊中加载。如需在群聊中使用记忆搜索：
六、性能优化与监控
6.1 索引性能调优
6.2 批量索引（大规模数据）
OpenAI Batch API 优势：
价格比同步请求低 50% 适合大规模历史数据索引 异步处理，不阻塞对话
七、总结与行动清单
三种配置方案速查
provider: "gemini" | ||
provider: "local" | ||
hybrid.enabled: true | ||
backend: "qmd" |
立即行动
1.今天：复制基础配置，设置 API 密钥，测试记忆功能2.本周：整理 MEMORY.md 长期记忆文件3.本月：根据使用场景选择进阶方案，优化搜索体验
参考资源
OpenClaw 官方文档 - Memory QMD 项目 Gemini Embeddings API OpenAI Embeddings API
