Deep Memory 技能 🧠

面向生产环境的语义记忆系统，专为 AI 智能体设计。融合分层文件存储、向量检索与图关系建模能力。

架构

┌─────────────────────────────────────┐
│        文件层（常驻运行）            │
│  HOT / WARM / COLD Markdown 文件   │
│  semantic_memory.json               │
└──────────────┬──────────────────────┘
               ↓
┌─────────────────────────────────────┐
│        向量层（Docker 容器）         │
│  Qdrant：语义相似性检索             │
│  集合（Collection）：semantic_memories │
│  向量维度：4096（qwen3-embedding）    │
└──────────────┬──────────────────────┘
               ↓
┌─────────────────────────────────────┐
│        图层（Docker 容器）           │
│  Neo4j：实体关系记忆               │
│  约束条件：Memory.key + Entity.id   │
└─────────────────────────────────────┘
               ↓
┌─────────────────────────────────────┐
│     嵌入模型（Ollama）              │
│  qwen3-embedding:8b（4096 维）       │
│  本地运行，免费，无需调用 API       │
└─────────────────────────────────────┘

前置依赖

• Docker Desktop（需处于运行状态）
• Ollama 已安装（macOS 下可通过 brew install ollama 安装）

使用方法

初始化设置（首次运行）

python3 ~/.openclaw/workspace/skills/deep-memory/scripts/setup.py

写入一条记忆

from deep_memory import MemorySystem
mem = MemorySystem()
mem.store("user_sir", "Sir prefers direct communication, no pleasantries", tags=["preference", "communication"])

检索记忆

results = mem.search("how does Sir like to communicate?", top_k=5)
for r in results:
    print(r['content'], r['score'])

联合查询（向量 + 图）

results = mem.joint_query("investment strategy", entity="Sir", top_k=3)

设置流程

执行 setup 脚本时，将自动完成以下步骤：

1. 检查 Docker 是否正在运行
2. 检查 Ollama 是否已安装；如未安装或缺失模型，则拉取 qwen3-embedding:8b
3. 启动 Qdrant 容器（监听端口 6333/6334）
4. 启动 Neo4j 容器（监听端口 7474/7687）
5. 创建 Qdrant 集合（名称：semantic_memories，维度：4096，距离度量：Cosine）
6. 在 Neo4j 中创建约束（Memory.key 和 Entity.id）
7. 构建 HOT/WARM/COLD 目录结构
8. 将 Python 工具包复制到 workspace
9. 运行端到端验证测试

智能体集成

在你的 SOUL.md 或 AGENTS.md 文件中，添加如下内容：

## 记忆检索
在回答有关过往工作、决策或偏好的问题前：
1. 执行：python3 ~/.openclaw/workspace/.lib/qdrant_memory.py search ""
2. 将结果与 memory_search 工具输出合并
3. 使用排名靠前的结果作为上下文