OpenClaw 为什么总失忆？一套从单会话到永久记忆的 Memory 方案

你是否有过这种经历？和 OpenClaw 聊了几个小时，上下文超限后旧消息被截断，下次重启会话 AI 直接忘了之前做过什么决定；散落各处的技术笔记想找找不到；多设备切换后记忆全没了。

OpenClaw 作为一个灵活的 Agent 框架，生态里已经发展出了多种记忆方案，各自解决不同问题。本文帮你理清脉络，一分钟选到适合自己的。

记忆到底要解决什么问题？

我们先把需求拆解开，AI 记忆其实分两个完全不同的维度：

不同方案侧重不同，我们一个一个说，附带详细配置步骤。

方案一：lossless-claw —— 单会话无损压缩

项目地址：https://github.com/Martian-Engineering/lossless-claw

一句话定位：替换 OpenClaw 原生滑动窗口截断，DAG 分层压缩，什么原始信息都不丢。

核心特点

• LCM（Lossless Context Management）算法：旧消息不是直接删除，而是分层压缩成摘要，形成有向无环图（DAG）
• 原始永远保留：所有原始消息存在 SQLite，Agent 需要时可以用 lcm_grep / lcm_expand 搜索展开找回细节
• 开箱即用：安装后替换 contextEngine 插槽，自动工作，用户不用管

安装配置步骤

1
2
3
4
5

# 1. 通过 OpenClaw 插件安装
openclaw plugins install @martian-engineering/lossless-claw

# 如果你是从源码运行 OpenClaw
pnpm openclaw plugins install @martian-engineering/lossless-claw

安装命令会自动配置插槽，如果你需要手动配置，编辑 ~/.openclaw/openclaw.json：

1
2
3
4
5
6
7

{
  "plugins": {
    "slots": {
      "contextEngine": "lossless-claw"
    }
  }
}

推荐配置（环境变量方式）：

1
2
3
4

# 添加到你的 ~/.profile 或 ~/.zshrc
export LCM_FRESH_TAIL_COUNT=32
export LCM_INCREMENTAL_MAX_DEPTH=-1
export LCM_CONTEXT_THRESHOLD=0.75

重启 OpenClaw 生效。验证：

1
2

openclaw plugins list
# 应该看到 lossless-claw 已启用

适合你，如果：

• ✅ 你经常有长对话，希望超出上下文窗口也不丢原始信息
• ✅ 你只需要单会话内压缩，跨会话重置依赖 OpenClaw 原生机制
• ✅ 纯本地，不需要额外服务

方案二：qmd —— OpenClaw 原生混合搜索记忆后端

项目地址：https://github.com/tobi/qmd

官方文档：https://docs.openclaw.ai/concepts/memory#qmd-backend-experimental

一句话定位：OpenClaw 原生集成的本地混合搜索后端，替换内置 SQLite 索引器，提供 BM25+向量+重排序的三重混合搜索。

核心特点

• 原生集成：作为 OpenClaw memory backend 直接集成，无需单独配置 MCP
• 全栈本地：三个 GGUF 模型（嵌入+重排序+查询扩展）本地跑，不需要云服务
• 三重混合搜索：BM25 关键词 + 向量语义 + LLM 重排序，比单一搜索准确很多
• 自动降级：qmd 故障时自动降级到内置 SQLite 索引器，保证记忆工具始终可用

前置要求

1
2
3
4
5

# 1. 安装支持扩展的 SQLite（macOS）
brew install sqlite

# 2. 安装 Bun（如果还没有）
curl -fsSL https://bun.sh/install | bash

安装 qmd

1
2
3
4
5

# 全局安装 qmd（注意：使用 GitHub 仓库地址，不是 npm 包）
bun install -g https://github.com/tobi/qmd

# 或者直接下载 release
# https://github.com/tobi/qmd/releases

在 OpenClaw 中配置

编辑 ~/.openclaw/openclaw.json，添加以下配置：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

{
  "agents": {
    "defaults": {
      "memory": {
        "backend": "qmd",
        "citations": "auto",
        "qmd": {
          "includeDefaultMemory": true,
          "update": {
            "interval": "5m",
            "debounceMs": 15000
          },
          "limits": {
            "maxResults": 6,
            "timeoutMs": 4000
          },
          "scope": {
            "default": "deny",
            "rules": [
              { "action": "allow", "match": { "chatType": "direct" } }
            ]
          },
          "paths": [
            { "name": "notes", "path": "~/notes", "pattern": "**/*.md" },
            { "name": "docs", "path": "~/project/docs", "pattern": "**/*.md" }
          ]
        }
      }
    }
  }
}

配置说明：

验证配置

1
2
3
4
5
6

# 重启 OpenClaw
openclaw restart

# 检查 qmd 是否正常运行
openclaw status
# 应该显示 memory backend: qmd

手动预下载模型（可选）

第一次搜索时 qmd 会自动下载模型，也可以手动预下载：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

# 使用与 OpenClaw 相同的 XDG 配置
STATE_DIR="${OPENCLAW_STATE_DIR:-$HOME/.openclaw}"
export XDG_CONFIG_HOME="$STATE_DIR/agents/main/qmd/xdg-config"
export XDG_CACHE_HOME="$STATE_DIR/agents/main/qmd/xdg-cache"

# 强制刷新索引 + 生成嵌入
qmd update
qmd embed

# 预热模型下载
qmd query "test" -c memory-root --json >/dev/null 2>&1

中文用户推荐配置

1
2

# 在 ~/.profile 中添加，使用 Qwen3-Embedding 支持 119 种语言
export QMD_EMBED_MODEL="hf:Qwen/Qwen3-Embedding-0.6B-GGUF/Qwen3-Embedding-0.6B-Q8_0.gguf"

改完后需要重新生成索引：

1
2

# 使用上述 XDG 配置后执行
qmd embed --force

适合你，如果：

• ✅ 你需要 OpenClaw 原生集成记忆搜索，不是外部 MCP 服务
• ✅ 有大量个人 Markdown 笔记/技术文档，希望 AI 能搜索引用
• ✅ 偏爱纯本地方案，不依赖云服务
• ✅ 需要混合搜索（关键词+语义+重排序），比单一向量搜索更准确

方案三：Nowledge Mem —— 本地优先结构化跨会话记忆

官网：https://mem.nowledge.co/zh/docs/integrations/openclaw

一句话定位：本地优先的结构化知识记忆，让 AI 记住你做过的决定、偏好，跨会话自动召回。

核心特点

• 结构化记忆：每条记忆标记类型（事实/决策/偏好/计划/…）、时间、来源关联，不是纯文本堆在一起
• 知识演化：认知变化了新增版本保留历史，能看到想法怎么演变的
• 全自动：autoRecall 会话开始自动插相关记忆，autoCapture 会话结束自动保存提取
• 本地优先：默认存在本地，不需要云账户，隐私完全可控
• 跨工具共享：Cursor/Claude/OpenClaw 共享同一个记忆库，知识不属于某个工具

安装配置步骤

1. 安装 Nowledge Mem 并启动

Follow the official instructions: https://mem.nowledge.co/zh/docs/install 完成 nmem CLI 安装。

验证：

1
2

nmem status
# 应该显示 Nowledge Mem 正在运行

2. 安装 OpenClaw 插件

1

openclaw plugins install @nowledge/openclaw-nowledge-mem

3. 配置 OpenClaw

编辑 ~/.openclaw/openclaw.json，替换 memory slot：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

{
  "plugins": {
    "slots": {
      "memory": "openclaw-nowledge-mem"
    },
    "entries": {
      "openclaw-nowledge-mem": {
        "enabled": true,
        "config": {
          "autoRecall": true,
          "autoCapture": false,
          "maxRecallResults": 5
        }
      }
    }
  }
}

配置说明：

4. 重启 OpenClaw 验证

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

# 验证配置
openclaw nowledge-mem status
# 应该显示 "Nowledge Mem is accessible"

# 测试流程：
# 1. /remember 我们选择 PostgreSQL 做任务事件的数据库
# 2. /recall PostgreSQL
# 3. /new 开启新会话
# 4. 问：任务事件我们选的什么数据库？
# 5. 如果能回答出来，就配置成功了

适合你，如果：

• ✅ 你最痛的问题是"AI 下次会话就忘了我做过什么决定”
• ✅ 希望 AI 能记住你的偏好、决策、事实，新会话自动带上背景
• ✅ 偏爱本地优先，不想强制云端同步
• ✅ 需要结构化知识，不是简单存文本块

方案四：mem9.ai —— 云端持久化记忆基础设施

官网：https://mem9.ai/

一句话定位：云端托管的持久化记忆基础设施，给你的 Agent 提供跨设备跨会话云存储。

核心特点

• 零运维：开箱即用，不需要自己搭服务，秒级创建持久化后端
• 渐进式混合搜索：从纯关键词开始，加嵌入自动升级混合搜索，不需要重建索引
• 跨 Agent 共享：多个 Agent 共享记忆，云端同步一致
• 开源自托管：Apache 2.0，不想用官方云可以自己搭

安装配置步骤

Follow the official instructions: https://mem9.ai/SKILL.md

快速步骤：

1. 在 https://mem9.ai 注册账号获取 API key
2. 在 OpenClaw 中安装插件：

1

# 按照 SKILL.md 说明一步安装，mem9 提供自动安装脚本

3. 配置 API key 到环境变量或 OpenClaw 配置，重启生效。

适合你，如果：

• ✅ 你在多设备上用 OpenClaw，需要记忆跟着你走
• ✅ 不想折腾基础设施，希望云端帮你管好
• ✅ 需要多个 Agent 共享记忆
• ✅ 接受云存储，信任服务商的安全方案

一分钟选型对照表

推荐组合方案

个人开发者/重度笔记用户（完全本地）：

1
2
3

lossless-claw  +  qmd
│           └── OpenClaw 原生混合搜索记忆后端
└─────────────── 单会话内无损压缩，长对话原始信息不丢

这是最简洁的本地全栈方案，数据全在你自己机器上。

配置检查清单：

• plugins.slots.contextEngine = lossless-claw
• agents.defaults.memory.backend = "qmd"
• agents.defaults.memory.qmd.paths 已配置你的笔记目录

需要跨会话记忆的用户：

1
2
3
4

lossless-claw  +  Nowledge Mem  +  qmd
│           │           └── OpenClaw 原生混合搜索记忆后端
│           └────────────── 跨会话记住决定偏好，本地优先，结构化
└────────────────────────── 单会话内无损压缩

配置检查清单：

• plugins.slots.contextEngine = lossless-claw
• plugins.slots.memory = openclaw-nowledge-mem
• agents.defaults.memory.backend = "qmd"

多设备流动用户：

1
2
3
4

lossless-claw  +  mem9.ai  +  qmd
│           │        └── OpenClaw 原生混合搜索
│           └──────────── 云端跨设备同步记忆，零运维
└──────────────────────── 单会话压缩

方便，打开哪个设备都能接着聊。

验证配置正确

安装完所有组件后，可以跑一遍这个检查清单：

1. lossless-claw: 开始一个长对话，聊到触发压缩，问 AI 能不能回忆起开头说的什么，如果能通过 lcm_expand 找回，说明 OK
2. Nowledge Mem: /remember 存一条，/new 开新会话，问能不能 recall 起来
3. qmd: 让 AI “搜索我的笔记中关于 XXX 的内容”，看能不能返回正确结果

全部通过，你的 OpenClaw 现在就是一个"过目不忘"的 AI 助手了 🎉

后续：期待 PostgreSQL Native Memory Backend

如果你像我一样是 PostgreSQL 的重度用户，这里有个值得期待的功能：OpenClaw 社区正在讨论原生 PostgreSQL + pgvector memory backend（Issue #15093）。

为什么值得期待？

当前 qmd 方案虽然强大，但也有痛点：

• QMD 依赖 Bun + GGUF 模型，资源占用较高
• subprocess → CLI → SQLite → GGUF 模型的链路过长，故障点较多
• VPS/容器环境下本地模型性能不佳

PostgreSQL native backend 的优势：

• ✅ 零依赖：直接用 pg 包连接数据库，无需 subprocess
• ✅ 复用现有基础设施：很多用户已经运行 PostgreSQL，无需额外部署
• ✅ 生产级可靠性：pgvector 经过大规模验证
• ✅ 多实例共享：多个 OpenClaw 实例可以共享同一个记忆数据库
• ✅ 混合搜索：pgvector + tsvector 实现 BM25+ 向量双重检索
• ✅ 调试友好：直接用 psql 检查状态，无需解析 SQLite
• ✅ 海量向量支持：通过 VectorChord 无缝承接千万级向量，IVF+RaBitQ 架构实现低成本亿级检索
• ✅ 高性能全文检索：使用 VectorChord-bm25 替代原生 tsvector，Block-WeakAnd 算法显著提升 BM25 排名查询性能
• ✅ 专业分词支持：集成 pg_tokenizer.rs 多语言分词器，支持中文等专业分词

配置预览（提议中的设计）：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19

{
  "memory": {
    "backend": "postgres",
    "postgres": {
      "connectionString": "postgresql://user:pass@host:5432/dbname",
      "tablePrefix": "openclaw_memory",
      "embedding": {
        "provider": "voyage",
        "model": "voyage-3-lite",
        "dimensions": 512
      },
      "hybrid": {
        "enabled": true,
        "vectorWeight": 0.7,
        "textWeight": 0.3
      }
    }
  }
}

现状：RFC 阶段，等待 maintainer 反馈。如果你也想要这个功能，可以去 Issue 点个 👍 表达支持。

合入后，我会第一时间写一篇"从 qmd 迁移到 PostgreSQL memory backend"的实战指南。

相关阅读

• 为什么我在 Agent 项目里只认 PostgreSQL：向量搜索篇 - 深入了解向量检索在 Agent 应用中的作用
• 向量数据库中的门门道道 - 向量搜索技术基础

本文基于 OpenClaw 生态现有方案整理，欢迎发现新项目后补充更新。