你好，我是郑工长。
当你装好 OpenClaw 后，真正决定它能不能长期稳定工作的一步，其实是——给 OpenClaw 配置好记忆系统。
我的 OpenClaw 目前创建了3个Agent,以我的本机真实环境为例，这篇文档完整记录了 OpenClaw 向量检索记忆能力的实现全过程：从功能背景、配置步骤、到验证方法，以及我在实测中遇到的关键问题与最终的解决方案。
一、功能背景
1.1 原有方案：纯文件记录
OpenClaw 默认使用 Markdown 文件来存储记忆：
memory/YYYY-MM-DD.md- 每日日志（追加模式）MEMORY.md- 长期记忆（可选）
这种方案的优点是简单直观，但存在以下问题：
| 问题 | 描述 |
|---|---|
| 全文搜索低效 | 只能通过文件名或手动搜索，无法进行语义匹配 |
| 无法检索相似内容 | 即使文档中表达了相同含义，不同措辞也会导致找不到结果 |
| 没有相关性排序 | 返回结果按照文件顺序，无法根据相关度排序 |
1.2 为什么需要向量检索？
随着记忆文件增多（当前已有 70+ 个 chunks），手动查找变得困难。我们需要一个能：
- ✅ 理解语义相似性的搜索功能
- ✅ 自动根据相关度排序结果
- ✅ 支持模糊查询（措辞不同但含义相近）
二、功能实现步骤
2.0 前置检查：确认记忆插件已安装
在配置向量检索之前，先确认 OpenClaw 已安装记忆插件：
# 查看已安装的插件列表
openclaw plugins list
# 或者只查看记忆相关插件
openclaw plugins list | grep -i memory
预期输出：
│ Memory │ memory- │ loaded │ stock:memory-core/index.ts │ 2026.2.26 │
│ (Core) │ core │ │ File-backed memory search tools and CLI │ │
状态说明：
loaded：✅ 已安装并启用disabled：❌ 已安装但未启用- 无输出：❌ 未安装
如果未安装，执行以下命令安装：
# 安装记忆插件（Core 版本）
openclaw plugins install @openclaw/memory
安装后重启 OpenClaw：
openclaw gateway restart
⚠️ 注意：OpenClaw 2026.2.26 版本默认已安装
memory-core插件，通常无需手动安装。
2.0.1 插件选择：memory-core vs memory-lancedb
OpenClaw 提供两种记忆插件，它们有显著区别：
核心对比
| 特性 | memory-core（推荐） | memory-lancedb |
|---|---|---|
| 存储方式 | Markdown 文件（MEMORY.md + memory/*.md） |
LanceDB 向量数据库 |
| 数据源 | ✅ 文件是真理源，人类可读 | ❌ 二进制数据库，需通过 API 访问 |
| 记忆管理 | 手动写入（Agent 主动保存） | ✅ 自动捕获 + 自动回忆 |
| 检索方式 | 混合搜索（BM25 + 向量） | 向量搜索为主 |
| 嵌入支持 | ✅ 多 provider（Gemini/Ollama/OpenAI 等） | 历史上绑定 OpenAI |
| 性能 | 小数据集快 | 大数据集性能更好 |
| 复杂度 | ✅ 简单，易维护 | 较复杂，需管理数据库 |
| 版本控制 | ✅ 支持 Git | ❌ 二进制文件 |
memory-core 优点
- ✅ 简单直观 - 记忆就是 Markdown 文件，可以直接编辑查看
- ✅ 人类可读 - 无需工具就能阅读记忆内容
- ✅ 版本控制友好 - 可以 Git 提交，方便回溯
- ✅ 灵活配置 - 支持多种 embedding provider（我们用的 Ollama）
- ✅ 混合搜索 - BM25 + 向量，兼顾关键字和语义匹配
memory-lancedb 优点
- ✅ 自动捕获 - 自动保存对话中的重要信息
- ✅ 自动回忆 - 自动注入相关记忆到上下文
- ✅ 向量数据库 - 专业向量存储，大数据集性能更好
- ✅ 生命周期钩子 - 通过 hooks 自动管理记忆
为什么选择 memory-core？
我们选择 memory-core 而非 memory-lancedb，主要基于以下考虑：
- ✅ 记忆文件人类可读 - 方便直接查看和编辑
- ✅ 支持 Git 版本控制 - 便于回溯和审计
- ✅ 对本地 embedding（Ollama）支持更完善 - 无需依赖 OpenAI
- ✅ 配置简单 - 维护成本低
- ✅ 当前记忆规模（~100 chunks）下性能完全够用 - 无需过度设计
何时考虑 memory-lancedb？
- 需要自动记忆捕获功能
- 记忆规模超过 1000+ chunks
- 不介意黑盒存储方式
- 需要自动回忆注入到上下文
💡 建议：对于大多数个人和小团队场景，
memory-core已经足够使用。只有在需要自动记忆捕获或处理大规模记忆数据时，才考虑memory-lancedb。
2.1 方案选择：Gemini vs Ollama
OpenClaw 支持多种 Embedding Provider，根据实际场景选择合适的方案：
| 特性 | Gemini | Ollama（本地） |
|---|---|---|
| 费用 | 免费 tier 1000 次/天 | ✅ 完全免费 |
| 网络 | 需要翻墙 | ✅ 本地访问 |
| 隐私 | 数据发送到 Google | ✅ 数据不出本地 |
| 速度 | 依赖网络 | ✅ 本地推理 |
| 配额 | 有限制 | ✅ 无限制 |
| 配置难度 | 简单 | 中等 |
推荐：
- 优先使用 Ollama（免费、本地、无限制）
- 备选 Gemini（云端、需要 API Key）
2.2 方案 A：配置 Ollama（推荐）
1. 安装 Ollama（如果未安装）
# macOS
brew install ollama
# 启动 Ollama 服务
ollama serve
2. 下载 Embedding 模型
# 推荐模型：nomic-embed-text（性能优秀，8K 上下文）
ollama pull nomic-embed-text
# 验证模型已安装
ollama list
3. 配置 OpenClaw
在 ~/.openclaw/openclaw.json 中添加 memorySearch 配置：
{
"agents": {
"defaults": {
"memorySearch": {
"provider": "openai",
"model": "nomic-embed-text:v1.5",
"remote": {
"apiKey": "ollama-local",
"baseUrl": "http://127.0.0.1:11434/v1"
}
}
}
}
}
配置说明：
provider: 使用"openai"（OpenClaw 支持的 provider，通过兼容接口调用 Ollama）model: 使用nomic-embed-text:v1.5（需要与本地安装的模型版本一致）remote.apiKey: 占位值"ollama-local"（Ollama 不需要真实 API Key）remote.baseUrl: Ollama 的 OpenAI 兼容接口地址- 无需配置
extraPaths：每个 Agent 默认会自动索引自己工作区的MEMORY.md和memory/*.md文件
⚠️ 重要：Ollama 的 OpenAI 兼容接口 URL 是
http://127.0.0.1:11434/v1（注意末尾的/v1）
2.3 方案 B：配置 Gemini
1. 获取 API Key
访问 Google AI Studio：https://aistudio.google.com/app/apikey
2. 配置环境变量
在 ~/.openclaw/.env 文件中配置 Gemini API Key：
# Google Gemini
GEMINI_API_KEY=your_gemini_api_key_here
⚠️ 安全提示：不要将真实的 API Key 提交到版本控制系统中。
3. 配置 OpenClaw
在 ~/.openclaw/openclaw.json 中添加 memorySearch 配置：
{
"agents": {
"defaults": {
"memorySearch": {
"provider": "gemini",
"model": "gemini-embedding-001",
"remote": {
"apiKey": "${GEMINI_API_KEY}"
}
}
}
}
}
配置说明：
provider: 使用 Gemini 作为嵌入服务提供商model: 使用gemini-embedding-001模型remote.apiKey: 从环境变量读取 API Key
2.4 重启 OpenClaw Gateway
配置完成后，重启 Gateway 使配置生效：
openclaw gateway restart
⚠️ 注意：重启操作最好由（你）执行。
2.5 执行索引
重启完成后，执行记忆索引：
openclaw memory index --verbose
索引输出示例（Ollama）：
Memory Index (main)
Provider: openai (requested: openai)
Model: nomic-embed-text:v1.5
Sources: memory
Indexed: 17/17 files · 46 chunks
Memory index updated (main).
Memory Index (zhengxiaobian)
Provider: openai (requested: openai)
Model: nomic-embed-text:v1.5
Sources: memory
Indexed: 7/7 files · 19 chunks
Memory index updated (zhengxiaobian).
Memory Index (fullstack-dev)
Provider: openai (requested: openai)
Model: nomic-embed-text:v1.5
Sources: memory
Indexed: 4/4 files · 7 chunks
Memory index updated (fullstack-dev).
索引输出示例（Gemini）：
Memory Index (main)
Provider: gemini (requested: gemini)
Model: gemini-embedding-001
Sources: memory
Indexed: 19/19 files · 78 chunks
Memory index updated (main).
Memory Index (zhengxiaobian)
Provider: gemini (requested: gemini)
Model: gemini-embedding-001
Sources: memory
Indexed: 10/10 files · 41 chunks
Memory index updated (zhengxiaobian).
Memory Index (fullstack-dev)
Provider: gemini (requested: gemini)
Model: gemini-embedding-001
Sources: memory
Indexed: 3/3 files · 7 chunks
Memory index updated (fullstack-dev).
说明：
- 每个 Agent 自动索引自己工作区的记忆文件
- 无需配置
extraPaths，默认会索引：MEMORY.md（工作区根目录）memory/*.md（工作区 memory 目录）
2.6 验证功能
使用 memory_search 工具进行测试查询：
openclaw memory search "首次沟通 时间 记录"
预期结果：
- 返回相关记忆片段（按相关度排序）
- 包含文件路径和行号引用
- 显示相似度分数
实际测试结果（Ollama）：
{
"results": [
{
"path": "memory/2026-03-05.md",
"startLine": 58,
"endLine": 149,
"score": 0.7019,
"snippet": "...",
"citation": "memory/2026-03-05.md#L58-L149"
}
],
"provider": "openai",
"model": "nomic-embed-text:v1.5",
"mode": "hybrid"
}
实际测试结果（Gemini）：
{
"results": [
{
"path": "memory/2026-03-04.md",
"startLine": 1,
"endLine": 35,
"score": 0.4815,
"snippet": "...",
"citation": "memory/2026-03-04.md#L1-L35"
}
],
"provider": "gemini",
"model": "gemini-embedding-001",
"mode": "hybrid"
}
✅ 功能验证通过！
三、功能特性
3.1 混合搜索（Hybrid Search）
同时使用向量相似性和 BM25 关键字相关性：
- 向量搜索：理解语义相似性（"首次沟通"能匹配到"首次对话"）
- BM25 关键字：精确匹配高信号 token（ID、错误码、代码符号）
3.2 索引更新机制
- 自动触发：文件变更后 1.5 秒延迟后自动更新索引
- 按需同步：执行
memory_search时检查索引状态 - 强制更新：执行
openclaw memory index时重新索引
3.3 索引存储
每个 Agent 独立的 SQLite 数据库：
~/.openclaw/memory/main.sqlite~/.openclaw/memory/zhengxiaobian.sqlite~/.openclaw/memory/fullstack-dev.sqlite
四、实施过程中遇到的问题与解决方案
4.1 问题摘要
在实施过程中遇到了 Gemini API 配额耗尽（429 错误） 的问题，经过系统排查发现根本原因是环境变量配置不一致。
4.2 问题现象
执行 memory_search 时返回错误：
gemini embeddings failed: 429 RESOURCE_EXHAUSTED
You exceeded your current quota, please check your plan and billing details.
4.3 排查过程
第一步：检查 API Key 配置
发现存在两个不同的 Gemini API Key：
| 来源 | 值 | 状态 |
|---|---|---|
| 终端环境变量 | AIzaSy...CF-o |
❌ 配额耗尽 |
~/.openclaw/.env |
AIzaSy...ZE2o |
✅ 正常 |
第二步：检查 openclaw.json 配置
发现 memorySearch 配置不完整：
// 错误的配置
"memorySearch": {
"local": {}
},
第三步：深入排查环境变量来源
发现根本原因：OpenClaw Gateway 的 LaunchAgent plist 文件中硬编码了错误的 API Key。
文件位置：~/Library/LaunchAgents/ai.openclaw.gateway.plist
问题机制：
- 这个文件在 Gateway 首次启动时从环境变量读取并写入 API Key
- 之后不会自动更新，即使修改了
.env文件 - Gateway 优先使用 plist 中硬编码的值
4.4 解决方案
方案 1：手动更新 LaunchAgent plist（推荐）
# 编辑 plist 文件
nano ~/Library/LaunchAgents/ai.openclaw.gateway.plist
# 或使用 plutil 命令
plutil -replace "EnvironmentVariables.GEMINI_API_KEY" \
-string "your_correct_api_key" \
~/Library/LaunchAgents/ai.openclaw.gateway.plist
然后重启 Gateway：
openclaw gateway restart
方案 2：在 openclaw.json 中硬编码 API Key（不推荐）
"memorySearch": {
"remote": {
"apiKey": "your_correct_api_key"
}
}
⚠️ 安全警告：硬编码 API Key 会导致密钥泄露风险，仅建议在测试环境使用。
4.5 经验总结
关键发现
- LaunchAgent plist 不会自动更新：这是最大的坑，需要手动维护
- 环境变量优先级：
- 终端已设置的环境变量
~/.openclaw/.env文件openclaw.json中的env部分- Gateway LaunchAgent plist（优先级最高）
最佳实践
- ✅ 统一在
~/.openclaw/.env中管理所有 API Key - ✅ 在
openclaw.json中使用${VAR_NAME}引用环境变量 - ✅ 定期检查 LaunchAgent plist 中的值是否与
.env一致 - ✅ 建立操作约定：重启 Gateway 由人工执行，避免自动化操作
五、注意事项
5.1 Gemini API 配额限制
| 项目 | 限制 |
|---|---|
| 免费 tier | 每天 1000 次请求 |
| 计费规则 | 每次 embedding 请求计数 |
| 索引过程 | 每个 chunk = 1 次请求 |
| 查询过程 | 每次查询 = 1 次请求 |
优化建议：
- ✅ 启用缓存（已配置）
- ✅ 避免频繁手动 reindex
- ✅ 高使用量场景考虑切换到 Ollama（本地免费）
5.2 Ollama 配置注意事项
模型版本匹配
确保配置的模型名称与本地安装的一致：
# 查看本地已安装的模型
ollama list
# 输出示例：
# NAME ID SIZE MODIFIED
# nomic-embed-text:v1.5 0a109f422b47 274 MB 9 months ago
# qwen2.5:7b 845dbda0ea48 4.7 GB 2 weeks ago
如果安装的是 nomic-embed-text:v1.5，配置中必须使用完整版本名：
"model": "nomic-embed-text:v1.5"
OpenAI 兼容接口 URL
Ollama 的 OpenAI 兼容接口 URL 是 http://127.0.0.1:11434/v1（注意末尾的 /v1）：
"remote": {
"apiKey": "ollama-local",
"baseUrl": "http://127.0.0.1:11434/v1"
}
验证 Ollama 服务
# 测试 Ollama 是否正常响应
curl http://127.0.0.1:11434/v1/models
# 应该返回已安装的模型列表
5.3 安全注意事项
- ❌ 不要将 API Key 提交到版本控制系统
- ❌ 不要在文档中暴露真实 API Key
- ✅ 使用环境变量或密钥管理服务
- ✅ 定期轮换 API Key
- ✅ Ollama 本地部署无需 API Key，更安全
5.4 配置建议
extraPaths 配置策略
推荐：每个 Agent 只索引自己的记忆，不配置 extraPaths
{
"agents": {
"defaults": {
"memorySearch": {
"provider": "ollama",
"model": "nomic-embed-text:v1.5",
"remote": {
"apiKey": "ollama-local",
"baseUrl": "http://127.0.0.1:11434/v1"
}
}
}
}
}
优点：
- ✅ 配置简洁，无需维护路径列表
- ✅ 每个 Agent 独立管理自己的记忆
- ✅ 减少不必要的索引重复
- ✅ 降低 API 调用次数（避免重复 embedding）
何时需要配置 extraPaths：
- 需要跨 Agent 共享记忆时
- 需要索引工作区外的 Markdown 文件时
5.5 方案切换
如果需要在 Ollama 和 Gemini 之间切换，只需修改 openclaw.json：
切换到 Ollama：
"memorySearch": {
"provider": "openai",
"model": "nomic-embed-text:v1.5",
"remote": {
"apiKey": "ollama-local",
"baseUrl": "http://127.0.0.1:11434/v1"
}
}
切换到 Gemini：
"memorySearch": {
"provider": "gemini",
"model": "gemini-embedding-001",
"remote": {
"apiKey": "${GEMINI_API_KEY}"
}
}
修改后重启 Gateway 并重新索引：
openclaw gateway restart
openclaw memory index --verbose
5.4 操作约定
所有需要重启 OpenClaw 的操作都由用户（郑工）来执行
这是为了避免 Agent 自动执行破坏性操作，确保生产环境的安全性。
六、总结
6.1 关键收获
- ✅ 向量检索功能正常工作，能理解语义相似性
- ✅ 自动根据相关度排序结果
- ✅ 建立了清晰的操作约定，确保系统安全
- ✅ 发现了 LaunchAgent plist 不会自动更新的坑
6.2 配置优化
- ✅ 已移除不必要的
extraPaths配置 - ✅ 每个 Agent 独立索引自己的记忆
- ✅ 降低 API 调用次数，避免重复 embedding
- ✅ 已切换到 Ollama 本地 embedding（完全免费）
6.3 方案对比总结
| 特性 | Gemini | Ollama（本地） | 推荐场景 |
|---|---|---|---|
| 费用 | 免费 1000 次/天 | ✅ 完全免费 | Ollama |
| 网络 | 需要翻墙 | ✅ 本地访问 | Ollama |
| 隐私 | 数据发送到 Google | ✅ 数据不出本地 | Ollama |
| 速度 | 依赖网络 | ✅ 本地推理 | Ollama |
| 配额 | 有限制 | ✅ 无限制 | Ollama |
| 配置难度 | ✅ 简单 | 中等 | Gemini |
| 维护成本 | 需管理 API Key | ✅ 无需维护 | Ollama |
推荐：
- 日常使用：Ollama（免费、本地、无限制）
- 备用方案：Gemini（云端、应急使用）
6.4 后续优化方向
- ✅ 已切换到 Ollama，无需监控 API 配额
- 根据需要调整 hybrid search 参数（vectorWeight, textWeight 等）
- 考虑在内存受限场景下优化 embedding 缓存策略
6.5 记忆更新机制完善
为了解决"手动记忆"需要主动记录的问题，建立了多层保障机制：
问题背景
memory-core 是"手动记忆"插件，需要 Agent 主动调用工具写入记忆文件。这导致：
- ❌ 容易遗漏重要工作内容
- ❌ 依赖 Agent 自律或用户提醒
- ❌ 记忆更新不及时
解决方案：多层保障机制
┌─────────────────────────────────────┐
│ Cron 定时任务（每天 23:00） │ ← 保底机制
│ 即使忘记记录，也会自动总结 │
├─────────────────────────────────────┤
│ AGENTS.md 行为规范 │ ← 主要机制
│ 会话结束前必须总结并记录 │
│ 重要阶段完成后立即记录 │
├─────────────────────────────────────┤
│ HEARTBEAT 检查（每 4 小时） │ ← 补充机制
│ 检查记忆是否及时更新 │
│ 如超过 4 小时未更新，主动询问 │
├─────────────────────────────────────┤
│ 用户手动触发 │ ← 直接方式
│ 在会话中直接要求 Agent 更新记忆 │
└─────────────────────────────────────┘
方案 1：Cron 定时任务（保底）
使用 openclaw cron add 命令创建定时任务（推荐方式，你可以让你的agent去创建）：
# 为 main Agent 创建每日记忆总结任务
openclaw cron add \
--name main-daily-memory \
--cron "0 23 * * *" \
--agent main \
--message "请总结今天的工作内容，更新到 memory/YYYY-MM-DD.md 文件中。包括：1.完成的任务 2.解决的问题 3.技术决策 4.配置变更" \
--description "Main Agent 每日记忆总结"
# 为 zhengxiaobian Agent 创建每日记忆总结任务
openclaw cron add \
--name zhengxiaobian-daily-memory \
--cron "0 23 * * *" \
--agent zhengxiaobian \
--message "请总结今天的工作内容，更新到 memory/YYYY-MM-DD.md 文件中。包括：1.完成的任务 2.解决的问题 3.技术决策 4.配置变更" \
--description "郑小编 每日记忆总结"
# 为 fullstack-dev Agent 创建每日记忆总结任务
openclaw cron add \
--name fullstack-dev-daily-memory \
--cron "0 23 * * *" \
--agent fullstack-dev \
--message "请总结今天的工作内容，更新到 memory/YYYY-MM-DD.md 文件中。包括：1.完成的任务 2.解决的问题 3.技术决策 4.配置变更" \
--description "全栈开发 每日记忆总结"
命令参数说明：
--name <name>: 任务名称（唯一标识）--cron <expr>: Cron 表达式（5 字段或 6 字段，支持秒）--agent <id>: 指定执行记忆的 Agent--message <text>: Agent 消息内容--description <text>: 任务描述（可选）
常用 Cron 表达式：
0 23 * * *- 每天 23:00 执行0 9 * * 1-5- 工作日 9:00 执行0 */4 * * *- 每 4 小时执行0 0 * * 0- 每周日 0:00 执行
管理命令：
# 查看已创建的定时任务
openclaw cron list
# 查看任务状态
openclaw cron status
# 手动触发任务（测试用）
openclaw cron run <name>
# 禁用任务
openclaw cron disable <name>
# 启用任务
openclaw cron enable <name>
# 删除任务
openclaw cron rm <name>
优点：
- ✅ 无需编辑配置文件
- ✅ 即时生效，无需重启 Gateway
- ✅ 可以动态管理（启用/禁用/删除）
- ✅ 有完整的任务历史和状态追踪
方案 2：AGENTS.md 行为规范（主要）
在每个工作区的 AGENTS.md 中添加记忆更新规范：
## 📝 记忆更新规范
### 必须记录的场景
以下情况**必须**立即更新记忆文件：
1. ✅ 完成重要功能开发
2. ✅ 解决关键技术问题
3. ✅ 做出重要技术决策
4. ✅ 配置发生重大变更
5. ✅ 会话结束前（总结本次会话）
### 记录格式
```markdown
## {时间} {工作内容}
### 背景
{为什么做这件事}
### 过程
{实施步骤}
### 结果
{最终结果}
### 注意事项
{需要注意的点}
自动检查机制
- Cron 任务：每天 23:00 自动检查并总结当天工作
- 会话结束：必须总结并记录到 memory/YYYY-MM-DD.md
- HEARTBEAT：每 4 小时检查一次记忆更新状态
记忆更新原则
- 及时性 - 重要工作完成后立即记录，不要等待
- 准确性 - 记录真实的工作内容和结果
- 完整性 - 包括背景、过程、结果、注意事项
- 可追溯 - 记录关键配置、命令、决策原因
**更新的工作区**：
- `~/.openclaw/workspace/AGENTS.md`（main Agent）
- `~/.openclaw/workspace-xiaobian/AGENTS.md`（zhengxiaobian Agent）
- `~/.openclaw/workspace-fullstack/AGENTS.md`（fullstack-dev Agent）
#### 方案 3：HEARTBEAT 定期检查（补充）
在每个工作区的 `HEARTBEAT.md` 中添加记忆检查清单：
```markdown
# HEARTBEAT.md - 定期检查清单
## 记忆更新检查
检查今天的记忆文件是否及时更新：
1. 读取今天的 `memory/YYYY-MM-DD.md` 文件
2. 检查最后更新时间
3. 如果超过 4 小时未更新：
- 主动询问用户是否有工作需要记录
- 如果有，总结并写入记忆文件
- 如果无工作，跳过
## 检查频率
工作时间（09:00-23:00）：每 4 小时检查一次
非工作时间：跳过（除非紧急）
更新的工作区：
~/.openclaw/workspace/HEARTBEAT.md~/.openclaw/workspace-xiaobian/HEARTBEAT.md~/.openclaw/workspace-fullstack/HEARTBEAT.md
方案 4：用户手动触发（直接方式）
用户在会话中直接要求 Agent 更新记忆：
用户：请总结一下今天的工作，更新到记忆文件
Agent：好的，让我总结一下今天的工作...
[总结完成的工作]
现在我将更新记忆文件...
[调用 edit 工具写入 memory/YYYY-MM-DD.md]
✅ 已记录到记忆文件
优点：
- ✅ 简单直接，无需配置
- ✅ 用户可控，按需触发
- ✅ 可以指定记录内容
缺点：
- ❌ 依赖用户主动提醒
- ❌ 容易忘记执行
适用场景：
- 临时需要更新记忆
- 重要工作完成后立即要求记录
- 会话结束前要求总结
附录：完整配置示例
A.1 Ollama 完整配置（推荐）
{
"agents": {
"defaults": {
"memorySearch": {
"provider": "openai",
"model": "nomic-embed-text:v1.5",
"remote": {
"apiKey": "ollama-local",
"baseUrl": "http://127.0.0.1:11434/v1"
}
}
}
}
}
前置条件：
# 安装 Ollama
brew install ollama
# 启动服务
ollama serve
# 下载模型
ollama pull nomic-embed-text
# 验证服务
curl http://127.0.0.1:11434/v1/models
A.2 Gemini 完整配置（备用）
{
"agents": {
"defaults": {
"memorySearch": {
"provider": "gemini",
"model": "gemini-embedding-001",
"remote": {
"apiKey": "${GEMINI_API_KEY}"
}
}
}
}
}
前置条件：
# 在 ~/.openclaw/.env 中配置 API Key
echo "GEMINI_API_KEY=your_api_key_here" >> ~/.openclaw/.env
