在 Windows 上接入 OpenClaw 自动记忆,降低 Token 消耗,解决碎片化

OpenViking 已经装好了，也顺利接进了 OpenClaw，现在服务和插件都正常，记忆的自动保存和自动调用也都开好了。

我已经把公众号信息先写进 OpenViking 了，后面它会一边聊一边记，越用越懂你

字节开源的 OpenViking 可以降低 Token 消耗，解决碎片化，提升检索效果，可观察上下文，上下文自迭代

项目地址：https://github.com/volcengine/OpenViking

这是OpenViking的UI界面

教程

1.安装

pip install openviking --upgrade --force-reinstall

2.创建配置文件

New-Item -ItemType Directory -Path "$HOME\.openviking" -ForceNew-Item -ItemType File -Path "$HOME\.openviking\ov.conf" -Force

3.编辑

notepad $HOME\.openviking\ov.conf

复制以下内容前请删除注释，向量模型也要配置

{  "storage": {    "workspace": "/home/your-name/openviking_workspace"  },  "log": {    "level": "INFO",    "output": "stdout"                 // 日志输出："stdout" 或 "file"  },  "embedding": {    "dense": {      "api_base" : "<api-endpoint>",   // API 端点地址      "api_key"  : "<your-api-key>",   // 模型服务 API Key      "provider" : "<provider-type>",  // 提供商类型："volcengine"、"openai"、"azure" 等      "api_version": "2025-01-01-preview", // （仅 azure）API 版本，可选，默认 "2025-01-01-preview"      "dimension": 1024,               // 向量维度      "model"    : "<model-name>"      // Embedding 模型名称或 Azure 部署名（如 doubao-embedding-vision-250615 或 text-embedding-3-large）    },    "max_concurrent": 10               // 最大并发 embedding 请求（默认：10）  },  "vlm": {    "api_base" : "<api-endpoint>",     // API 端点地址    "api_key"  : "<your-api-key>",     // 模型服务 API Key    "provider" : "<provider-type>",    // 提供商类型 (volcengine, openai, azure, litellm 等)    "api_version": "2025-01-01-preview", // （仅 azure）API 版本，可选，默认 "2025-01-01-preview"    "model"    : "<model-name>",       // VLM 模型名称或 Azure 部署名（如 doubao-seed-2-0-pro-260215 或 gpt-4-vision-preview）    "max_concurrent": 100              // 语义处理的最大并发 LLM 调用（默认：100）  }}

4.创建配置文件后，设置环境变量指向它

$env:OPENVIKING_CONFIG_FILE = "$HOME/.openviking/ov.conf"

5.启动

openviking-server

到这里之后让小龙虾自己完成后续的配置