OpenClaw 向量记忆实现方案

根据调研结果，我为你整理了 在 OpenClaw 中实现向量记忆的完整方案：

🧠 OpenClaw 向量记忆实现方案

📋 方案总览

• ✅ 完全本地运行，隐私安全
• ✅ 零配置，开箱即用
• ✅ Python 原生支持
• ✅ 轻量级，资源占用低
• ✅ 支持持久化存储
• 架构设计
• OpenClaw Memory System
• │
• ├── 现有记忆 (MEMORY.md + memory/*.md)
• │ └── 语义搜索 (memory_search)
• │
• └── 向量记忆系统 (新增)
• ├── ChromaDB (向量存储)
• ├── Sentence Transformers (Embedding 模型)
• └── 向量记忆技能 (vector-memory skill)
• 实现步骤
• 1️⃣ 创建技能目录结构
• skills/vector-memory/
• ├── SKILL.md # 技能说明
• ├── package.json # NPM 配置
• └── scripts/
• ├── init.py # 初始化数据库
• ├── store.py # 存储记忆
• ├── search.py # 向量搜索
• └── migrate.py # 迁移现有记忆
• 2️⃣ 安装依赖
• pip install chromadb sentence-transformers
• 3️⃣ 核心代码示例初始化数据库 (init.py):
• #!/usr/bin/env python3
• # -*- coding: utf-8 -*-
• import chromadb
• from chromadb.config import Settings
• import os
• # 数据库路径 (OpenClaw workspace)
• db_path = os.path.expanduser("~/.openclaw/workspace/memory/vector_db")
• # 创建持久化客户端
• client = chromadb.PersistentClient(path=db_path)
• # 创建记忆集合
• memory_collection = client.get_or_create_collection(
• name="openclaw_memory",
• metadata={"description": "OpenClaw 向量记忆"}
• )
• print(f"✅ 向量数据库初始化完成：{db_path}")
  存储记忆 (store.py):
• #!/usr/bin/env python3
• # -*- coding: utf-8 -*-
• import chromadb
• from sentence_transformers import SentenceTransformer
• import os
• import json
• from datetime import datetime
• # 配置
• db_path = os.path.expanduser("~/.openclaw/workspace/memory/vector_db")
• model_name = "sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2"
• # 初始化
• client = chromadb.PersistentClient(path=db_path)
• collection = client.get_or_create_collection(name="openclaw_memory")
• embedder = SentenceTransformer(model_name)
• def store_memory(text, metadata=None):
• """存储记忆到向量数据库"""
• # 生成嵌入向量
• embedding = embedder.encode(text)
•  
• # 生成唯一 ID
• memory_id = f"mem_{datetime.now().strftime('%Y%m%d%H%M%S')}_{hash(text) % 10000}"
•  
• # 默认元数据
• if metadata is None:
• metadata = {}
• metadata['created_at'] = datetime.now().isoformat()
• metadata['type'] = metadata.get('type', 'general')
•  
• # 存储
• collection.upsert(
• ids=[memory_id],
• embeddings=[embedding.tolist()],
• metadatas=[metadata],
• documents=[text]
• )
•  
• return memory_id
• # 示例
• if __name__ == "__main__":
• mem_id = store_memory(
• "用户喜欢现代感、科技感的设计风格，特别是玻璃拟态 (glassmorphism)",
• metadata={"type": "user_preference", "category": "design"}
• )
• print(f"✅ 记忆已存储：{mem_id}")
  向量搜索 (search.py):
• #!/usr/bin/env python3
• # -*- coding: utf-8 -*-
• import chromadb
• from sentence_transformers import SentenceTransformer
• import os
• import json
• # 配置
• db_path = os.path.expanduser("~/.openclaw/workspace/memory/vector_db")
• model_name = "sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2"
• # 初始化
• client = chromadb.PersistentClient(path=db_path)
• collection = client.get_or_create_collection(name="openclaw_memory")
• embedder = SentenceTransformer(model_name)
• def search_memories(query, n_results=5, filter_type=None):
• """搜索相关记忆"""
• # 生成查询向量
• query_embedding = embedder.encode(query)
•  
• # 构建过滤器
• where_filter = None
• if filter_type:
• where_filter = {"type": filter_type}
•  
• # 搜索
• results = collection.query(
• query_embeddings=[query_embedding.tolist()],
• n_results=n_results,
• where=where_filter,
• include=["documents", "metadatas", "distances"]
• )
•  
• # 格式化输出
• memories = []
• if results['documents'] and results['documents'][0]:
• for i, doc in enumerate(results['documents'][0]):
• memories.append({
• 'content': doc,
• 'metadata': results['metadatas'][0][i],
• 'distance': results['distances'][0][i]
• })
•  
• return memories
• # 示例
• if __name__ == "__main__":
• query = "用户喜欢什么设计风格？"
• results = search_memories(query, n_results=3)
•  
• print(f"🔍 搜索结果：{len(results)} 条相关记忆\n")
• for i, mem in enumerate(results, 1):
• print(f"{i}. {mem['content']}")
• print(f" 相似度：{1 - mem['distance']:.4f}")
• print(f" 元数据：{mem['metadata']}\n")
• 4️⃣ 集成到 OpenClaw创建新工具函数 (memory_vector.py):
• # 添加到 OpenClaw 工具系统
• def memory_vector_store(text, metadata=None):
• """向量记忆存储工具"""
• # 调用 store.py
• pass
• def memory_vector_search(query, n_results=5):
• """向量记忆搜索工具"""
• # 调用 search.py
• pass
  修改 memory_search 技能:
• ## 增强版 memory_search
• 优先级：
• 1. 先搜索向量记忆 (语义相似度)
• 2. 再搜索文本记忆 (关键词匹配)
• 3. 合并结果，去重排序
• 方案 B：Qdrant 方案 (高性能)
• 优势
• ✅ 支持混合搜索 (向量 + 关键词)
• ✅ 支持过滤和聚合
• ✅ 可本地运行，也可云端部署
• ✅ 性能优秀，适合大规模数据
• 快速开始
• # Docker 运行 Qdrant
• docker run -p 6333:6333 -p 6334:6334 \
• -v qdrant_storage:/qdrant/storage \
• qdrant/qdrant
• from qdrant_client import QdrantClient
• from qdrant_client.models import Distance, VectorParams, PointStruct
• # 连接
• client = QdrantClient(host="localhost", port=6333)
• # 创建集合
• client.create_collection(
• collection_name="openclaw_memory",
• vectors_config=VectorParams(size=384, distance=Distance.COSINE),
• )
• # 存储记忆
• client.upsert(
• collection_name="openclaw_memory",
• points=[
• PointStruct(
• id=1,
• vector=embedding,
• payload={"text": "记忆内容", "type": "preference"}
• )
• ]
• )
• 方案 C：LangChain + 向量库 (完整 RAG)
• 优势
• ✅ 完整的 RAG 管道
• ✅ 支持 1000+ 向量库集成
• ✅ 内置记忆管理工具
• 架构
• from langchain_community.vectorstores import Chroma
• from langchain_community.embeddings import HuggingFaceEmbeddings
• from langchain.text_splitter import RecursiveCharacterTextSplitter
• from langchain.chains import RetrievalQA
• # 初始化
• embeddings = HuggingFaceEmbeddings(
• model_name="sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2"
• )
• vectorstore = Chroma(
• persist_directory="./memory/vector_db",
• embedding_function=embeddings
• )
• # 创建检索链
• qa_chain = RetrievalQA.from_chain_type(
• llm=your_llm,
• retriever=vectorstore.as_retriever()
• )
• # 查询
• result = qa_chain("用户的设计偏好是什么？")
• 方案 D：混合记忆系统 (终极方案)结合 OpenClaw 现有记忆和向量记忆：
• ┌─────────────────────────────────────────────┐
• │ OpenClaw 记忆系统 │
• ├─────────────────────────────────────────────┤
• │ ┌─────────────┐ ┌──────────────┐ │
• │ │ 文本记忆 │ │ 向量记忆 │ │
• │ │ MEMORY.md │ │ ChromaDB │ │
• │ │ memory/*.md │ │ (语义搜索) │ │
• │ └──────┬──────┘ └──────┬───────┘ │
• │ │ │ │
• │ └────────┬─────────┘ │
• │ ▼ │
• │ ┌───────────────┐ │
• │ │ 记忆路由器 │ │
• │ │ (智能选择) │ │
• │ └───────────────┘ │
• │ │ │
• │ ┌────────┴────────┐ │
• │ ▼ ▼ │
• │ ┌─────────────┐ ┌──────────────┐ │
• │ │ memory_get │ │ vector_search│ │
• │ └─────────────┘ └──────────────┘ │
• └─────────────────────────────────────────────┘
• 📊 方案对比