别再硬扛原生记忆了！OpenClaw内置Mem0，让Agent更省token、更智能

OpenClaw 把记忆分成“文件层”和“索引层”两部分：文件层用 Markdown 组织知识与经验，索引层用 SQLite + FTS5 + 向量扩展做检索，是一个典型的 file‑first、本地优先 架构。

• 文件是真实来源（source of truth）：只要你能在编辑器里看到的 Markdown，就一定是模型有机会“记住”的内容；反过来，模型不会悄悄把东西塞进某个看不到的数据库里。

• 本地优先：默认只依赖本地文件系统和 SQLite；向量检索通过 sqlite-vec 这种库嵌入到 SQLite 中完成。一方面降低部署门槛，另一方面也便于把工作区整体纳入 Git 做版本管理和备份。

在文件层，OpenClaw 主要有三类与记忆相关的内容：

1. 长期精选记忆 MEMORY.md
   用来存放相对稳定的事实，比如：你的名字、技术偏好、常驻项目、重要决策、常用服务地址等。通常由 Agent 或你自己手动维护，内容量不会太大，但质量要求高。

2. 每日日志 memory/YYYY-MM-DD.md
   每天自动或半自动追加的工作日志，记录当天的操作、临时决策、踩坑过程、TODO 等，更像“工作记忆”。新的会话启动时，会优先读取最近一两天的日志，为当日工作提供上下文。

3. 会话日志 sessions/*.jsonl 

   以 JSONL 形式记录完整的对话树（用户消息、工具调用、压缩摘要等），供索引层选择性纳入检索。相当于“原始事件流”，可以被二次加工为更结构化的记忆。

通过配置可以选择是否把 sessions 也加入 memory 索引，从而在“稳定长期记忆”和“带噪声的完整对话历史”之间做权衡。

在索引层，OpenClaw 内置了一个 Memory Search 子系统，默认使用 SQLite 作为底层存储：

1. 文本检索（BM25）
   借助 SQLite 的 FTS5 虚拟表，对 chunk 文本做全文索引，适合搜索错误码、变量名、路径等“不能被 embedding 吃掉”的硬 token。

2. 向量检索
   若环境安装了 sqlite-vec，会在 SQLite 内建一个向量虚拟表，按向量相似度找出与查询最接近的若干块，用于语义级别的“相似记忆”。

3. 混合排序
   默认启用混合检索：向量分数和 BM25 分数按可配置权重混合，既能找出语义上类似的片段，又不丢失对精确关键词的敏感度。

整体来看，它是一个“单机版 RAG 引擎”，但专门针对 Markdown 工作区做了工程优化，非常适合个人或单机 Agent 的长期记忆场景。

在 Agent 侧，OpenClaw 把记忆暴露为工具，最典型的是：

• memory_search：给定自然语言查询，在 MEMORY.md、memory/*.md（以及可选的 sessions）里检索相关片段，并把结果作为一个结构化对象返回。系统提示会明确告诉模型：凡是涉及历史决策、长期偏好或之前提到过的信息，回答前应先调用这个工具。

• memory_get：按路径和行号精确读取某段 Markdown 内容，帮模型做“按需展开”，避免一次性把整篇长文塞进上下文。

此外，OpenClaw 还引入了类似“预压缩记忆冲刷”的机制：当会话上下文接近模型的 context 上限时，会静默触发一个内部 turn，请模型把当下对话中真正重要、值得长期保留的事实写入当天的 memory/YYYY-MM-DD.md，以降低后续上下文被裁剪时的信息损失。

• 对上：以 OpenClaw 插件的形式，接入 Agent 生命周期，在每轮对话前后做自动召回（auto-recall）和自动记录（auto-capture）。

• 对下：把所有持久记忆存储在 Mem0 后端（云端或自托管），不再依赖本地 SQLite；对于 OpenClaw 来说，记忆就像一个独立的服务，可以跨会话、跨进程、甚至跨多台机器共享。

openclaw-mem0-plugin 以 OpenClaw 插件的形式发布，安装流程与其他插件类似。核心步骤如下：

1. 确保OpenClaw 已安装
   本地至少需要能正常运行 Gateway 和一个 Agent，例如通过 openclaw status 确认环境正常。

2. 安装插件包

openclaw plugins install @xray2016/openclaw-mem0-plugin

该命令会从 npm registry 安装插件，并在本地插件目录（通常位于 ~/.openclaw/plugins）下注册。

如果使用 Mem0 Cloud，需要在 Mem0 控制台创建项目，获取 API Key，并记录云端地址。详细步骤参考（https://www.volcengine.com/docs/86722/1884417?lang=zh），其中创建project时推荐填入如下的prompt，引导mem0提取个人的姓名/职业等基本信息，也可以根据用户的场景自定义。

你是一个用户基础信息的提取专家，要求从一段对话中提取用户的基本信息(包括姓名、年龄、性别、地域等)，并按照指定格式返回比如：```AI: 你好呀～最近过得怎么样？用户: 还行吧，我叫王小明，最近工作有点忙。AI: 你好，小明！😊 你是做什么工作的呀？用户: 我在互联网公司做后端开发，今年 28 岁了。AI: 哇，程序员呀～那肯定经常加班吧？用户: 哈哈，是的，尤其在北京，竞争挺激烈的```输出：{"facts":["年龄:28岁","姓名:王小明","职业:程序员","地域:北京"]}

1. 修改 OpenClaw 配置启用插件
   在 ~/.openclaw/openclaw.json 或对应 Agent 的配置文件中，为插件增加一个 entry，配置好模式和参数（见下文）。

平台模式是最简单的接入方式——把所有记忆存储和检索的工作交给 Mem0 云端：

// ~/.openclaw/openclaw.json 片段{  "plugins": {    "entries": {      "openclaw-mem0-plugin": {        "enabled": true,        "config": {          "mode": "platform",          // 使用 Mem0 Cloud          "apiKey": "your_api_key", // 从 Mem0 控制台获取          "userId": "openclaw-user",   // 用于区分不同终端用户          "host": "mem0_platform_addr"  // mem0服务地址        }      }    }  }}

常见的配置建议：

• userId 由用户自定义，保证不同使用者之间的记忆隔离。

• host/api_key  可从mem0控制台获取。

配置完成后，重启 Gateway 即可让 Agent 拥有跨会话的 Mem0 长期记忆能力。

openclaw gateway restart

新开一个session，模拟输入带有很强用户信息的对话，验证OpenClaw是否触发记忆存储。

我叫林晓，28岁，是个性格开朗的女生，热爱生活，喜欢探索新鲜事物。平时工作认真，闲暇时爱旅行、摄影、阅读，也享受和朋友分享美食、聊天。新的一年，希望能继续努力，收获更多成长和快乐！

等一会如果看"memory store completed"则表示OpenClaw触发添加记忆成功。

打开火山mem0的控制台，通过长期记忆检索即可看到记忆已经生成。提取别的记忆，修改记忆项目中策略的prompt即可。

openclaw-mem0-plugin 向 Agent 暴露了一组用于“显式管理记忆”的工具，同时也扩展了 CLI 以便开发者调试。

典型的工具包括：

• memory_search：按自然语言查询相关记忆，支持指定 scope（如 "session"、"long-term" 或 "all"）。

• memory_list：列出当前用户的所有记忆，常用于调试或审查。

• memory_store：显式写入一条记忆，通常在用户说“牢记这件事”时由模型调用，可选择写入长期或仅当前会话。

• memory_get：按 id 精确读取某条记忆，用于进一步展开上下文。

• memory_forget：删除某条记忆，用于满足用户“不要再记住某件事”的需求。

这些工具会出现在 Agent 的工具列表中，模型可以像使用 memory_search 那样，在需要时主动调用它们。

为了方便验证 Mem0 是否正常工作，插件还提供了一些 CLI 命令，例如：

# 搜索所有 scope 下的记忆openclaw mem0 search "what languages does the user know"
# 只查长期记忆openclaw mem0 search "what languages does the user know" --scope long-term
# 只查当前会话记忆openclaw mem0 search "what languages does the user know" --scope session
# 查看当前用户记忆统计openclaw mem0 stats

从工程实践角度看，openclaw-mem0-plugin 相比 OpenClaw 原生记忆主要有以下几个方面的优势：

OpenClaw 原生记忆的最大特点是“所有东西都是文件”，这非常适合工程师用 Git 来管理和编辑记忆，但也意味着：

• 你需要手动或通过 prompt 让模型把重要信息写进特定文件；

• 删除或修改记忆往往要手工编辑 Markdown。

mem0 则提供了更面向产品化的接口：

• 抽取层自动从对话中形成结构化事实，避免记忆中充满大量冗长的原话；

• 通过 memory_list / memory_forget 等接口可以做精细的审计与删除。

这对于需要长期运营、需要合规审计的生产级 Agent 来说，是一个很重要的加分项。

在单机使用场景下，OpenClaw 原生 memory 已经足够可靠、简单；但一旦进入多用户、多 Agent、长时间运行的生产场景，你往往需要：

• 更细粒度的监控（延迟、召回命中率、错误率等）；

• 更复杂的访问控制和多租户隔离。

这些能力用 SQLite 单机难以优雅实现，而 mem0 通过云端托管，让你可以用成熟的数据库和监控体系来管理“记忆”这一关键基础设施。