OpenClaw 向量记忆(Vector Memory)深度解析

语义搜索 + 混合检索 + 智能重排序

一、Vector Memory 是什么？

Vector Memory 是 OpenClaw 内置的向量化记忆搜索系统，让 Agent 能够通过语义理解来查找记忆，而不仅仅是关键词匹配。

项目	信息
类型	OpenClaw 内置功能
核心能力	语义向量搜索
搜索方式	Hybrid Search（BM25 + 向量）
定位	长期记忆的智能检索

二、Vector Memory 核心功能

2.1 语义搜索（Semantic Search）

不再依赖精确关键词，而是理解语义含义：

传统搜索	向量搜索
匹配"Python"	理解"编程语言"
匹配"用户偏好"	理解"用户习惯"
精确匹配	语义相似

2.2 混合搜索（Hybrid Search）

结合两种搜索方式的优点：

搜索方式	优点	适用场景
BM25	精确关键词匹配	专业术语、命令
Vector	语义理解	概念、意图
Hybrid	两者兼顾	复杂查询

2.3 支持的嵌入模型

OpenClaw 支持多种嵌入提供商：

提供商	特点
OpenAI	最流行，效果好
Gemini	Google 出品
Voyage	专注嵌入
Mistral	开源模型
Ollama	本地运行
GGUF 模型	本地离线

2.4 高级特性

特性	说明
MMR 重排序	多样性相关度平衡，避免重复结果
时间衰减	近期记忆权重更高
多模态记忆	支持图片等多模态内容
QMD 后端	高级检索后端可选

三、Vector Memory 工作原理

3.1 架构流程

┌─────────────┐    ┌─────────────┐    ┌─────────────┐│   用户输入   │───▶│ 向量嵌入    │───▶│  Milvus    │└─────────────┘    └─────────────┘    └─────────────┘                                            │                                            ▼                   ┌─────────────┐    ┌─────────────┐                   │ BM25 索引   │◀───│ 混合检索   │                   └─────────────┘    └─────────────┘                                            │                                            ▼                   ┌─────────────┐    ┌─────────────┐                   │ MMR 重排序  │───▶│ 返回结果   │                   └─────────────┘    └─────────────┘

3.2 记忆存储

格式：Markdown 文件
位置：workspace 目录
索引：自动向量索引
可读性：纯文本，人可读可改

四、Vector Memory vs 传统搜索

4.1 搜索效果对比

场景	传统搜索	向量搜索
查"上次的项目决策"	❌ 找不到	✅ 语义匹配
查"波哥的配置偏好"	✅ 精确	✅ 语义匹配
查"关于内存的问题"	❌ 模糊	✅ 概念理解

4.2 性能对比

指标	传统 FTS5	Vector Memory
语义理解	❌	✅
搜索速度	快	中（需向量计算）
结果相关性	基础	高
资源消耗	低	中

五、Vector Memory 配置

5.1 基本配置

{"memory":{"vector":{"enabled":true,"embeddingProvider":"openai","model":"text-embedding-3-small"}}}

5.2 混合搜索配置

{"memory":{"vector":{"hybrid":{"bm25":true,"vector":true,"weight":0.7}}}}

5.3 MMR 重排序配置

{"memory":{"vector":{"mmr":{"enabled":true,"threshold":0.7}}}}

六、相关生态

6.1 Memsearch（提取版）

项目	信息
来源	从 OpenClaw 提取
向量库	Milvus
存储	Markdown 文件
特点	独立可移植

"We took the exact memory architecture from OpenClaw and built memsearch — a standalone, plug-and-play long-term memory library."

6.2 Hindsight（增强版）

项目	信息
开发	Vectorize
定位	增强记忆引擎
特点	自动结构化知识提取

七、适用场景

✅ 推荐使用 Vector Memory：

需要语义理解的专业查询
复杂多层次记忆检索
需要多样性结果的场景
对相关性要求高的任务

❌ 可不用：

简单关键词搜索
资源极其受限
离线优先场景

八、总结

特性	说明
语义搜索	理解意图，不只是关键词
混合检索	BM25 + 向量，优势互补
多提供商	OpenAI/Gemini/Ollama 等
高级特性	MMR 重排序、时间衰减、多模态
Markdown 存储	人可读、可编辑、可 Git 版本控制

一句话总结：

Vector Memory = 让 OpenClaw 具备"理解"能力的记忆搜索系统

如果你需要更智能的记忆检索，Vector Memory 是官方推荐的选择！

本文由光头佬撰写 | 2026-03-28