边缘优化的RAG记忆系统,支持OpenClaw的语义搜索,自动加载记忆文件,实现智能召回,提升对话效果。
QQ OpenClaw 记忆增强器.是一项面向实际任务的技能,主要用于Give OpenClaw 长期记忆 - 记得会话中的重要信息, 并自动回顾相关语境进行对话.;Core Capabilitys.;
该技能适合需要稳定复用相关能力的场景,可作为自动化工作流的一部分,也便于后续检查、调整和扩展。从功能定位来看,该技能强调把分散的操作要求整理成清晰、可复用的处理流程,使用户能够围绕既定目标快速准备输入、选择执行方式并获得结构化结果。实际使用前应先确认任务范围、数据来源、运行环境、必要权限和关键参数,再依据技能说明逐步执行;
若输入条件不完整,应先补齐信息或采用保守配置,避免因错误假设导致结果偏离需求。执行过程中需要关注工具调用是否成功、接口或依赖是否可用、输出格式是否符合预期,并对异常提示、缺失字段和边界情况进行处理;涉及批量任务时,还应保存进度,避免中断后重复操作。
为 OpenClaw 赋予长期记忆能力——跨会话持久化存储关键信息,并在对话中自动召回相关上下文。
| 能力 | 说明 |
|---|---|
| 🔍 语义搜索 | 基于向量相似度的搜索,理解用户意图而不仅匹配关键词 |
| 📂 自动加载 | 自动读取 memory/ 目录下的所有文件 |
| 💡 智能召回 | 在对话过程中自动发现并调用相关历史记忆 |
| 🔗 记忆图谱 | 构建不同记忆之间的语义关联关系 |
| 💾 本地存储 | 100% 本地化运行,无云端上传,完全保障隐私 |
| 🚀 边缘设备优化 | 内存占用 <10MB,可在 Jetson / Raspberry Pi 等设备上流畅运行 |
| 任务 | 命令(Edge 版本) | 命令(标准版本) |
|---|---|---|
| 加载记忆 | python3 memory_enhancer_edge.py --load |
python3 memory_enhancer.py --load |
| 搜索 | --search "查询内容" |
--search "查询内容" |
| 添加记忆 | --add "内容" |
--add "内容" |
| 导出 | --export |
--export |
| 统计信息 | --stats |
--stats |
建议使用该能力的情况:
不建议使用的情况:
适用场景: Jetson、Raspberry Pi 及其他嵌入式设备
python3 memory_enhancer_edge.py --load
特性:
适用场景: 桌面端 / 服务器端,追求最高检索精度
pip install sentence-transformers numpy python3 memory_enhancer.py --load
特性:
clawhub install openclaw-memory-enhancer
git clone https://github.com/henryfcb/openclaw-memory-enhancer.git ~/.openclaw/skills/openclaw-memory-enhancer
# 加载已有的 OpenClaw 记忆 cd ~/.openclaw/skills/openclaw-memory-enhancer python3 memory_enhancer_edge.py --load # 搜索相关记忆 python3 memory_enhancer_edge.py --search "voice-call plugin setup" # 添加一条新记忆 python3 memory_enhancer_edge.py --add "User prefers dark mode" # 显示统计信息 python3 memory_enhancer_edge.py --stats # 导出为 Markdown 格式 python3 memory_enhancer_edge.py --export
from memory_enhancer_edge import MemoryEnhancerEdge
# 初始化
memory = MemoryEnhancerEdge()
# 加载已有记忆
memory.load_openclaw_memory()
# 搜索相关记忆
results = memory.search_memory("AI trends report", top_k=3)
for r in results:
print(f"[{r['similarity']:.2f}] {r['content'][:100]}...")
# 为当前对话召回上下文
context = memory.recall_for_prompt("Help me check billing")
# 返回格式化的记忆上下文字符串
# 添加新记忆
memory.add_memory(
content="User prefers direct results",
source="chat",
memory_type="preference"
)
# 在你的 OpenClaw agent 中
from skills.openclaw_memory_enhancer.memory_enhancer_edge import MemoryEnhancerEdge
class EnhancedAgent:
def __init__(self):
self.memory = MemoryEnhancerEdge()
self.memory.load_openclaw_memory()
def process(self, user_input: str) -> str:
# 1. 召回相关记忆
memory_context = self.memory.recall_for_prompt(user_input)
# 2. 将记忆上下文注入提示词
enhanced_prompt = f"""
{memory_context}
User: {user_input}
"""
# 3. 调用 LLM 并传入增强后的提示词
response = call_llm(enhanced_prompt)
return response
| 类型 | 说明 | 示例 |
|---|---|---|
daily_log |
每日记忆文件 | memory/2026-02-22.md |
capability |
能力记录 | 技能、工具等 |
core_memory |
核心规范 | 重要规则与约定 |
qa |
问答对 | Q: 如何…… A: 应该…… |
instruction |
直接指令 | "Remember: always do X" |
solution |
技术解决方案 | 分步操作指南 |
preference |
用户偏好 | "User likes dark mode" |
~/.openclaw/workspace/knowledge-base/向量维度:128 内存占用:< 10MB 依赖项:无(仅 Python 标准库) 存储格式:JSON 最大记忆数:1000(可配置) 单次查询延迟:< 100ms
向量维度:384 内存占用:50–100MB 依赖项:sentence-transformers、numpy 存储格式:NumPy + JSON 模型体积:约 50MB(需下载) 单次查询延迟:< 50ms
可在代码中编辑以下配置项:
self.config = {
"vector_dim": 128, # 向量维度
"max_memory_size": 1000, # 最大记忆数量
"chunk_size": 500, # 内容分块大小
"min_keyword_len": 2, # 关键词最小长度
}
# 降低相似度阈值 results = memory.search_memory(query, threshold=0.2) # 默认为 0.3 # 增加返回数量 results = memory.search_memory(query, top_k=10) # 默认为 5
系统会在达到上限时自动清除最早的记忆条目。
如需提升上限,请修改:
self.config["max_memory_size"] = 5000 # 从默认 1000 提升至 5000
max_memory_size 配置值MIT 许可证 —— 详见 LICENSE 文件。
本项目并非 OpenClaw 或 Moonshot AI 官方产品。
用户须自行提供 OpenClaw workspace 及对应 API 密钥。
相关专题
热门下载
相关下载
精品课程
共1课时 | 175人学习
共0课时 | 0人学习
共1课时 | 224人学习
最新文章