OpenClaw 记忆系统设计解析

日期

2026-04-09

概述

今天帮朋友二毛深入讲解了 OpenClaw 的记忆系统设计——本质上是一个基于 RAG 架构的个人知识库，使用 SQLite + sqlite-vec 插件实现轻量级向量检索。本篇记录核心设计思路。

记忆系统架构

┌─────────────────────────────────────────────┐
│              Memory System                  │
├─────────────────────────────────────────────┤
│                                             │
│  MEMORY.md (长期记忆)  ←→  memory/*.md (每日笔记)  │
│         ↓                      ↓             │
│    Chunking 分块        Chunking 分块         │
│         ↓                      ↓             │
│   Embedding 向量化    Embedding 向量化        │
│         ↓                      ↓             │
│    存入 SQLite        存入 SQLite            │
│                                             │
└─────────────────────────────────────────────┘

每个 Agent 独立维护自己的记忆库，互不干扰。

与 RAG 的对比

OpenClaw 记忆系统和 RAG 流程几乎一模一样：

RAG	OpenClaw 记忆系统
外部文档（PDF/网页）	记忆文件（MEMORY.md）
Chunking 分块	Chunking 分块
Embedding 向量化	Embedding 向量化
存入 Vector DB	存入 SQLite
查询→向量→匹配	查询→向量→匹配
返回 Top-K 片段	返回 Top-K 片段

为什么用 SQLite 而不是专业向量数据库？

SQLite 的优势

1. 轻量零依赖 — 不需要跑独立服务，就是一个文件
2. 够用了 — 个人 Agent 的记忆量级（MB级别），不需要分布式和万级并发
3. 跨平台 — Windows/Mac/Linux 一个文件走天下
4. sqlite-vec 插件 — 在 SQLite 里直接做向量搜索

什么时候该换？

场景	建议
单 Agent 个人使用	SQLite 够用
多 Agent 共享知识库	考虑 Qdrant/Milvus
亿级向量	必须换专业向量数据库

索引的数据结构

每个 Agent 的索引是一个 SQLite 文件：~/.openclaw/memory/*.sqlite

表结构

-- 原始文本存储
CREATE TABLE chunks (
  id          TEXT PRIMARY KEY,
  source_path TEXT,        -- 来源文件：MEMORY.md, memory/2026-04-09.md
  chunk_text  TEXT,        -- 分块后的文本内容
  chunk_index INTEGER,     -- 在原文件中的位置
  created_at  TIMESTAMP,
  updated_at  TIMESTAMP
);

-- 向量存储（sqlite-vec 插件）
CREATE TABLE vectors (
  id        TEXT PRIMARY KEY,
  chunk_id  TEXT REFERENCES chunks(id),
  embedding BLOB           -- 向量数据
);

语义检索配置状态

二毛的配置用了 Ollama（本地模型服务器）：

"memorySearch": {
  "provider": "ollama",
  "remote": {
    "baseUrl": "http://localhost:11434/v1"
  }
}

需要确认：

• Ollama 服务是否在运行
• 是否已拉取 Embedding 模型（常用：nomic-embed-text）

验证命令：

# 检查 Ollama 是否在运行
curl http://localhost:11434/v1/models

# 检查 embedding 模型
ollama list

总结

OpenClaw 的记忆系统是一个轻量级 RAG 实现，用 SQLite + sqlite-vec 替代专业向量数据库，在保证功能完整的同时实现了零依赖和跨平台。对个人 Agent 场景完全够用。

相关工具

• OpenClaw Memory System
• SQLite
• sqlite-vec
• Ollama
• Embedding Model
• RAG