虾折腾大赛+给你的OpenClaw装一颗「长期记忆」大脑！让小龙虾越用越聪明！

AI超元域

2026年03月12日 15:00

10:38

5.4万观看 30弹幕

🚀OpenClaw进阶玩法：自研LanceDB记忆插件让小龙虾记忆力暴增，效果远超内置记忆系统！多scope隔离+噪声拦截+热插拔，一键安装！再也不会忘记之前

AI超元域

10.2万粉丝 14.5万点赞

AI已来！AI超元域开源项目作者。

你有没有遇到过这种情况：跟你的 AI Bot 聊了半天，第二天再来，它一脸茫然地说"你好，请问有什么可以帮你的？"——好像昨天什么都没发生过。
今天这篇笔记，就帮你彻底解决这个问题。

大家好，我是AI超元域。

用 OpenClaw 搭 Agent 的朋友应该都遇到过同一个问题：内置的 memory-lancedb 只有最基础的向量搜索，记忆召回质量不够用，很多场景下跟没有记忆差不多。

所以我开发了 memory-lancedb-pro——一个生产级的长期记忆插件，目标就一个：让你的 OpenClaw 真正拥有跨对话、跨 Session 的长期记忆。

不是那种"把聊天记录存个txt"的粗暴方案，而是一套完整的向量检索 + 全文搜索 + 交叉编码器重排序 + 记忆生命周期管理系统。

目前仓库已经有 2.1k star，最新的 v1.1.0 beta 加了不少新能力。但很多人跟我反馈：README 太长了，参数太多了，第一次装不知道从哪下手。

所以这篇文章的原则只有一条：

先跑通，再增强。先活下来，再追求效果。

这个插件到底做了什么？

相比内置的 memory-lancedb，memory-lancedb-pro 把整个记忆系统拉到了生产级别：

混合检索：向量语义搜索 + BM25 全文关键词匹配，双管齐下，再用 RRF 融合打分。

交叉编码器重排序：支持 Jina、SiliconFlow（有免费额度）、Voyage AI、Pinecone 四个 provider。60% cross-encoder 分 + 40% 原始融合分，API 挂了还能自动降级。

智能提取（v1.1.0 新增）：LLM 驱动的 6 类别自动提取——profile、preferences、entities、events、cases、patterns。不用你手动 memory_store，聊着聊着它就把关键信息记下来了。

记忆生命周期：Weibull 衰减引擎 + 三级晋升体系（Peripheral → Working → Core）。重要的记忆越用越强，没用的慢慢消退。像人的大脑一样。

多 Scope 隔离：每个 Agent、每个用户、每个项目都可以有自己的记忆空间，互不干扰。

开始之前，你需要准备什么

三样东西：

1. 一个跑着的 OpenClaw 实例

如果你还没装 OpenClaw，这篇文章不是你的起点。先去把 OpenClaw 跑起来，再回来。

2. Node.js v18+

终端里跑一下 node --version，看看版本号。低于 18 的先升级。

3. 一个 Jina API Key

去 https://jina.ai/ 注册，免费额度有 100 万 token，日常使用够用很长时间。

这是整个流程里唯一必须的 API Key。

第一步：安装插件

先确认你的 OpenClaw workspace 在哪：

 代码块
Shell
自动换行
复制代码
openclaw config get agents.defaults.workspace
复制成功

记住这个路径，通常是 ~/.openclaw/workspace。

然后安装插件。有两种方式：

方式 A：npm 安装（推荐，更简洁）

 代码块
Shell
自动换行
复制代码
npm i memory-lancedb-pro@beta
复制成功

方式 B：Git Clone（适合想看源码的同学）

 代码块
Shell
自动换行
复制代码
cd /你的workspace路径
git clone https://github.com/CortexReach/memory-lancedb-pro.git plugins/memory-lancedb-pro
cd plugins/memory-lancedb-pro
npm install
复制成功

⚠️ 注意：仓库地址是 CortexReach/memory-lancedb-pro，不是旧的 win4r/memory-lancedb-pro（虽然 GitHub 有 redirect，但建议用新地址）。

第二步：选模板

不要自己配参数。选模板。

我给你准备了三个，覆盖从新手到进阶的所有场景。

模板 A：lite-safe（第一次装的你，就选这个）

自动存记忆，但先不自动召回。存进去就算成功。

适合：第一次装、国产弱模型用户、搞不清楚哪里出问题时退回的安全港。

 代码块
JSON
自动换行
复制代码
{
  "embedding": {
    "apiKey": "${JINA_API_KEY}",
    "model": "jina-embeddings-v5-text-small",
    "baseURL": "https://api.jina.ai/v1",
    "dimensions": 1024,
    "taskQuery": "retrieval.query",
    "taskPassage": "retrieval.passage",
    "normalized": true
  },
  "autoCapture": true,
  "autoRecall": false,
  "smartExtraction": false,
  "retrieval": {
    "mode": "hybrid",
    "vectorWeight": 0.7,
    "bm25Weight": 0.3,
    "candidatePoolSize": 20,
    "minScore": 0.45,
    "hardMinScore": 0.55,
    "rerank": "none",
    "filterNoise": true
  },
  "sessionMemory": {
    "enabled": false
  }
}
复制成功

💡 为什么先关 autoRecall 和 smartExtraction？因为弱模型容易把注入的 <relevant-memories> 原样吐出来，体验很差。先确保记忆能存进去，这一步成功了再往下走。

模板 B：balanced-default（大多数人的最优解）

自动存 + 自动召回，不开 rerank，配置简单。

适合：想直接体验完整记忆召回，模型能力还行的用户。

 代码块
JSON
自动换行
复制代码
{
  "embedding": {
    "apiKey": "${JINA_API_KEY}",
    "model": "jina-embeddings-v5-text-small",
    "baseURL": "https://api.jina.ai/v1",
    "dimensions": 1024,
    "taskQuery": "retrieval.query",
    "taskPassage": "retrieval.passage",
    "normalized": true
  },
  "autoCapture": true,
  "autoRecall": true,
  "autoRecallMinLength": 8,
  "autoRecallTopK": 3,
  "autoRecallExcludeReflection": true,
  "autoRecallMaxAgeDays": 30,
  "autoRecallMaxEntriesPerKey": 10,
  "smartExtraction": true,
  "extractMinMessages": 2,
  "extractMaxChars": 8000,
  "retrieval": {
    "mode": "hybrid",
    "vectorWeight": 0.7,
    "bm25Weight": 0.3,
    "candidatePoolSize": 20,
    "minScore": 0.45,
    "hardMinScore": 0.55,
    "rerank": "none",
    "filterNoise": true
  },
  "sessionMemory": {
    "enabled": false
  }
}
复制成功

💡 这里开了 smartExtraction，插件会用 LLM 自动从对话中提取 6 类结构化记忆。如果你没配 llm 块，它会 fallback 用 embedding 的 apiKey。

模板 C：pro-rerank（GPT-4 / Claude 用户，追求质量）

全功能拉满：智能提取 + 交叉编码器重排序 + 记忆生命周期。

适合：用 GPT-4、Claude Sonnet / Opus 等强模型，想把召回质量拉到最高的用户。

 代码块
JSON
自动换行
复制代码
{
  "embedding": {
    "apiKey": "${JINA_API_KEY}",
    "model": "jina-embeddings-v5-text-small",
    "baseURL": "https://api.jina.ai/v1",
    "dimensions": 1024,
    "taskQuery": "retrieval.query",
    "taskPassage": "retrieval.passage",
    "normalized": true
  },
  "autoCapture": true,
  "autoRecall": true,
  "captureAssistant": false,
  "autoRecallMinLength": 8,
  "autoRecallTopK": 3,
  "autoRecallExcludeReflection": true,
  "autoRecallMaxAgeDays": 30,
  "autoRecallMaxEntriesPerKey": 10,
  "smartExtraction": true,
  "extractMinMessages": 2,
  "extractMaxChars": 8000,
  "llm": {
    "apiKey": "${OPENAI_API_KEY}",
    "model": "gpt-4o-mini",
    "baseURL": "https://api.openai.com/v1"
  },
  "retrieval": {
    "mode": "hybrid",
    "vectorWeight": 0.7,
    "bm25Weight": 0.3,
    "candidatePoolSize": 20,
    "minScore": 0.45,
    "hardMinScore": 0.35,
    "rerank": "cross-encoder",
    "rerankApiKey": "${JINA_API_KEY}",
    "rerankModel": "jina-reranker-v3",
    "rerankEndpoint": "https://api.jina.ai/v1/rerank",
    "rerankProvider": "jina",
    "recencyHalfLifeDays": 14,
    "recencyWeight": 0.1,
    "filterNoise": true,
    "lengthNormAnchor": 500,
    "hardMinScore": 0.35,
    "timeDecayHalfLifeDays": 60,
    "reinforcementFactor": 0.5,
    "maxHalfLifeMultiplier": 3
  },
  "sessionMemory": {
    "enabled": false
  }
}
复制成功

💡 这里的 llm 块指定了智能提取用的模型。如果你用国产模型做聊天但想用 GPT-4o-mini 做提取，完全可以——记忆层和聊天层互不影响。
reinforcementFactor 和 maxHalfLifeMultiplier 是 v1.1.0 新增的"间隔重复"机制：经常被手动召回的记忆，衰减会变慢，效果类似 Anki。

第三步：写入配置

打开 ~/.openclaw/openclaw.json，加入 plugins 配置：

 代码块
JSON
自动换行
复制代码
{
  "plugins": {
    "load": {
      "paths": ["plugins/memory-lancedb-pro"]
    },
    "entries": {
      "memory-lancedb-pro": {
        "enabled": true,
        "config": {
          这里粘贴你选好的模板
        }
      }
    },
    "slots": {
      "memory": "memory-lancedb-pro"
    }
  }
}
复制成功

⚠️ 如果你之前用过内置的 memory-lancedb，需要先禁用它。同一时间只能有一个 memory 插件。

⚠️ 如果用 npm 方式安装的，load.paths 不需要，直接用 entries + slots 就行。如果用 git clone 的，建议用绝对路径。

API Key 怎么填？

方式一（简单直接）："apiKey": "jina_xxxxxxxx你的key"

方式二（推荐）："apiKey": "${JINA_API_KEY}"，然后确保运行 Gateway 的进程能拿到这个环境变量。

⚠️ 最大的坑：在终端里 export JINA_API_KEY=xxx 只对当前终端有效。如果你的 Gateway 是 launchd / systemd / Docker 启动的，它拿不到你终端的环境变量。最稳的办法：直接把 key 写进配置文件。

第四步：验证

 代码块
Shell
自动换行
复制代码
# 验证配置格式
openclaw config validate

# 重启 Gateway（改完配置必须重启）
openclaw gateway restart

# 确认插件被识别
openclaw plugins info memory-lancedb-pro

# 确认 hooks 挂载成功
openclaw hooks list --json

# 查看记忆库状态
openclaw memory-pro stats
复制成功

五条命令全部不报错，就算安装成功了。

然后做一个对话测试——

测试 1：存记忆

对你的 Agent 说：记住：我喜欢冷萃咖啡，不喜欢太甜。

Agent 应该确认已记录。

测试 2：查记忆

 代码块
Shell
自动换行
复制代码
openclaw memory-pro list --scope global --limit 5
复制成功

能看到刚才那条记忆就对了。

测试 3：测试召回（balanced / pro 用户）

开一个新对话，问：我平时喝什么咖啡？

如果 Agent 能回答出"冷萃，不太甜"，说明整个链路跑通了。

Embedding 和 Rerank 提供商选择

Embedding（必选一个）

提供商模型 Base URL 维度 Jina（推荐） jina-embeddings-v5-text-small

https://api.jina.ai/v1 1024 OpenAI text-embedding-3-small

https://api.openai.com/v1 1536 Google Gemini gemini-embedding-001

https://generativelanguage.googleapis.com/v1beta/openai/ 3072

Ollama（本地） nomic-embed-text http://localhost:11434/v1 768

Rerank（可选，pro-rerank 模板才需要）

提供商 rerankProvider 特点 Jina（推荐） jina 质量高，和 embedding 共用一个 key SiliconFlow siliconflow 有免费额度，国内用户友好 Voyage AI voyage 支持 rerank-2.5 Pinecone pinecone bge-reranker-v2-m3

SiliconFlow 对国内用户是个好选择，配置方式：

 代码块
JSON
自动换行
复制代码
{
  "retrieval": {
    "rerank": "cross-encoder",
    "rerankProvider": "siliconflow",
    "rerankEndpoint": "https://api.siliconflow.com/v1/rerank",
    "rerankApiKey": "sk-xxx",
    "rerankModel": "BAAI/bge-reranker-v2-m3"
  }
}
复制成功

Ollama 本地方案（零成本）

如果你不想用任何云端服务：

 代码块
Shell
自动换行
复制代码
ollama pull nomic-embed-text
复制成功

把 embedding 部分换成：

 代码块
JSON
自动换行
复制代码
{
  "embedding": {
    "apiKey": "ollama",
    "model": "nomic-embed-text",
    "baseURL": "http://127.0.0.1:11434/v1",
    "dimensions": 768
  }
}
复制成功

apiKey 填 "ollama" 或任意非空字符串都行，只是占位。但说实话，第一次装建议先用 Jina 云端方案，Ollama 的坑比较多。

深入理解：v1.1.0 的三大新能力

如果你只是想跑通，上面的内容就够了。下面这一段是给想深入理解的同学看的。

1. 智能提取（Smart Extraction）

v1.1.0 之前，插件用正则表达式匹配触发词（"记住"、"偏好"、"决定"等）来触发记忆存储。

v1.1.0 引入了 LLM 驱动的 6 类别智能提取：

profile：用户身份、背景、角色
preferences：偏好、习惯、喜好
entities：人名、项目名、工具名等实体
events：发生的事件、时间线
cases：案例、经验教训
patterns：行为模式、反复出现的规律

每条记忆还有 L0 / L1 / L2 三层存储：

L0：一句话摘要（用于索引）
L1：结构化概要
L2：完整叙述

两阶段去重：先用向量相似度预筛（≥0.7），再让 LLM 做语义判断（CREATE / MERGE / SKIP）。

smartExtraction: false 就退回到旧的正则模式。

2. 记忆生命周期（Decay + Tier）

Weibull 衰减引擎计算综合分 = 时效性 + 访问频率 + 内在价值（importance × confidence）。

三级晋升体系：

Peripheral（边缘）：新记忆的起点，衰减最快
Working（工作）：被召回过几次后自动晋升
Core（核心）：高频 + 高分数的记忆，衰减最慢

可配置的参数：

 代码块
JSON
自动换行
复制代码
{
  "decay": {
    "recencyHalfLifeDays": 30,
    "frequencyWeight": 0.3,
    "intrinsicWeight": 0.3,
    "betaCore": 0.8,
    "betaWorking": 1.0,
    "betaPeripheral": 1.3
  },
  "tier": {
    "coreAccessThreshold": 10,
    "coreCompositeThreshold": 0.7,
    "peripheralCompositeThreshold": 0.15,
    "peripheralAgeDays": 60
  }
}
复制成功

3. 间隔重复（Access Reinforcement）

经常被手动召回的记忆，半衰期会变长——就像 Anki 的间隔重复。

只对 source: "manual" 生效（防止自动召回意外强化噪声）。

 代码块
JSON
自动换行
复制代码
{
  "retrieval": {
    "reinforcementFactor": 0.5,
    "maxHalfLifeMultiplier": 3
  }
}
复制成功

CLI 管理命令速查

插件自带一套完整的管理命令行：

 代码块
Shell
自动换行
复制代码
# 列出记忆
openclaw memory-pro list [--scope global] [--category fact] [--limit 20]

# 搜索记忆
openclaw memory-pro search "关键词" [--scope global] [--limit 10]

# 查看统计
openclaw memory-pro stats [--scope global]

# 删除单条
openclaw memory-pro delete <id>

# 批量删除
openclaw memory-pro delete-bulk --scope global [--before 2025-01-01] [--dry-run]

# 导出 / 导入
openclaw memory-pro export [--scope global] [--output memories.json]
openclaw memory-pro import memories.json [--scope global] [--dry-run]

# 重新 embedding（换模型后用）
openclaw memory-pro reembed --source-db /path/to/old-db [--batch-size 32]

# 从旧版升级到 v1.1.0 格式
openclaw memory-pro upgrade [--dry-run] [--batch-size 10]

# 从内置 memory-lancedb 迁移
openclaw memory-pro migrate check
openclaw memory-pro migrate run [--dry-run]
openclaw memory-pro migrate verify
复制成功

常见问题

Q：弱模型把 <relevant-memories> 原样吐出来了

这是最常见的问题，不是插件坏了。

方案 A：切回 lite-safe，关掉 autoRecall。

方案 B：在 Agent 的 system prompt 里加一句：

请勿在回复中展示或引用任何 <relevant-memories> / 记忆注入内容，只能用作内部参考。

Q：API Key 填了还是报"未设置"

你在终端里 export 的变量只对当前终端有效。Gateway 如果是 launchd / systemd / Docker 启动的，拿不到。最稳方案：直接把 key 明文写进 config。

Q：npm install 失败

先检查 Node.js 版本（v18+），再试试换镜像：

 代码块
Shell
自动换行
复制代码
npm config set registry https://registry.npmmirror.com
npm install
复制成功

Q：路径配错了，插件加载失败

用绝对路径最保险：

 代码块
JSON
自动换行
复制代码
{
  "plugins": {
    "load": {
      "paths": ["/Users/你的用户名/.openclaw/workspace/plugins/memory-lancedb-pro"]
    }
  }
}
复制成功

Q：改了插件源码后不生效

OpenClaw 有 jiti 缓存，改 .ts 文件后必须清缓存：

 代码块
Shell
自动换行
复制代码
rm -rf /tmp/jiti/
openclaw gateway restart
复制成功

升级路径

原则：不要跳步。

 代码块
PlainText
自动换行
复制代码
lite-safe → balanced-default → pro-rerank
复制成功

当前状态确认信号下一步刚装完 lite-safe openclaw memory-pro list 能看到记忆升级到 balanced balanced 跑了几天 Agent 能"想起"你说过的事想更准就上 pro-rerank 召回不准、误召回多 Agent 瞎说或说错调高 hardMinScore 或退回上一个模板

升级只需要改 openclaw.json 里的 config，然后：

 代码块
Shell
自动换行
复制代码
openclaw gateway restart
复制成功

不需要重新 clone，不需要重新 npm install。

写给想折腾的同学：Agent 铁律

把下面这段加到你的 AGENTS.md 或 system prompt 里，让 Agent 自己遵守记忆卫生规范：

 代码块
PlainText
自动换行
复制代码
## Rule 1 — 双层记忆存储
每个踩坑/经验教训 → 立刻存两条记忆：
- 技术层：Pitfall: [症状]. Cause: [根因]. Fix: [方案]. Prevention: [预防]
  （category: fact, importance ≥ 0.8）
- 原则层：Decision principle ([标签]): [行为规则]. Trigger: [何时]. Action: [做什么]
  （category: decision, importance ≥ 0.85）

## Rule 2 — LanceDB 卫生
记忆必须短小精炼（< 500 字符）。不要存原始对话摘要。

## Rule 3 — 重试前先回忆
任何工具调用失败，先 memory_recall 搜索相关关键词，再重试。

## Rule 4 — 改代码前确认目标
确认你改的是 memory-lancedb-pro 而不是内置的 memory-lancedb。

## Rule 5 — 改插件代码必须清缓存
改了 plugins/ 下的 .ts 文件后，必须 rm -rf /tmp/jiti/ 再重启。
复制成功

最后

memory-lancedb-pro 不是一个简单的"存记忆"插件。它是一整套记忆系统——从存储、检索、排序、生命周期管理到运维工具，全部齐全。

但作为使用者，你不需要一上来就理解全部。

选个模板，填好 Key，重启 Gateway。

先让它跑起来，然后在使用中慢慢理解每个参数的含义。

这就是我说的：先跑通，再增强。

📌 项目地址：https://github.com/CortexReach/memory-lancedb-pro

OpenClaw小站虾折腾大赛