OpenClaw 这类 Agent 工具能完成代码生成、资料查询、自动化执行、文档整理等任务，但有一个问题很容易暴露出来：对话窗口里的上下文不是长期资产。

一次复杂的部署可能花了两个小时，中间经历了环境变量配置、依赖版本冲突、权限问题、服务启动失败、回滚与验证。当前对话里，Agent 能根据这些上下文继续推进；换一个新会话后，很多经验又要重新解释。

MemOS 要解决的正是这个问题：把 OpenClaw 与用户交互过程中产生的有效经验沉淀下来，变成长期记忆、任务摘要和可复用技能。这样 Agent 不只是“这次会做”，而是能在后续相似任务中直接复用过去的方法。

它提供了几个核心能力：

OpenClaw 为什么需要长期记忆

大模型本身没有真正意义上的“永久记忆”。它能利用的是当前输入里的上下文，或者外部系统额外注入的资料。

如果只依赖对话上下文，实际使用中会遇到几个问题：

1. 上下文窗口有限
   一次任务持续时间越长，历史信息越多，越容易被截断或压缩。

2. 重复解释成本高
   项目结构、编码规范、部署环境、常用命令、禁用方案，每次新会话都要重新输入。

3. 经验难以复用
   Agent 成功解决过一次问题，但没有被沉淀成结构化资产，下次遇到类似场景仍然可能从头试错。

4. 多 Agent 协作时信息不一致
   写代码的 Agent 知道某个依赖版本有坑，写文档的 Agent 或自动化 Agent 未必知道。

MemOS 的设计思路不是把所有对话原样塞进数据库，而是把对话中的有效信息拆成不同类型的资产：记忆、任务、技能和团队知识。

flowchart LR
    A[OpenClaw 对话与工具调用] --> B[MemOS 采集上下文]
    B --> C[结构化任务摘要]
    B --> D[长期记忆]
    C --> E[可复用 Skill]
    D --> F[检索与上下文注入]
    E --> F
    F --> G[OpenClaw 后续任务复用]

这里的关键点是“筛选”和“结构化”。长期记忆系统如果只是无限追加聊天记录，很快会变成噪声仓库；只有把目标、步骤、失败原因、成功配置和验证方式整理出来，后续检索时才有价值。

从一次调试到一个可复用 Skill

MemOS 比普通记忆插件更进一步的地方，在于它会尝试把一段成功经验沉淀成技能。

假设 OpenClaw 帮你完成了一次项目部署。过程中可能经历了这些信息：

• 项目使用什么技术栈；
• 部署目标是本机、云服务器还是容器环境；
• 哪些依赖版本不兼容；
• 哪些环境变量必须配置；
• 哪个启动命令最终可用；
• 如何检查服务是否真正启动成功；
• 遇到某个错误时应该怎么修。

如果这些内容只保存在聊天记录里，下次复用时仍然要靠检索片段再推理。MemOS 会进一步判断：这个流程是否足够稳定、是否有复用价值、是否可以变成标准操作。

一个可复用 Skill 通常包含三类内容：

技能沉淀的大致流程如下：

flowchart TD
    A[完成一次复杂任务] --> B[提取目标、环境、步骤、问题和解决方案]
    B --> C{是否适合复用}
    C -- 否 --> D[保存为普通任务摘要和记忆]
    C -- 是 --> E[生成 SKILL.md]
    E --> F[生成脚本与验证检查]
    F --> G[注册为 OpenClaw 可调用 Skill]
    G --> H[后续相似任务直接调用]
    H --> I[根据新结果迭代 Skill]

这种设计适合处理那些“不是一次性问答，而是一套可重复流程”的任务，例如：

• 初始化某类项目；
• 部署固定技术栈；
• 排查常见 CI（持续集成）失败；
• 生成标准 PR（Pull Request）说明；
• 按团队规范重构代码；
• 将接口文档同步到指定格式。

如果后续发现更稳的命令、更快的检查方式或新的兼容性问题，Skill 也可以继续更新，而不是永远停留在第一次成功的版本。

多 Agent 协作时，记忆要能隔离也要能共享

单个 Agent 有长期记忆已经能减少重复输入；当 OpenClaw 被用于多 Agent 协作时，记忆系统还需要解决另一个问题：哪些信息应该共享，哪些信息必须隔离。

一个典型的 Agent 团队可能长这样：

flowchart LR
    U[用户] --> A[代码 Agent]
    U --> B[资料 Agent]
    U --> C[自动化 Agent]
    U --> D[文档 Agent]

    A --> H[(MemOS Hub)]
    B --> H
    C --> H
    D --> H

    A --> PA[(代码 Agent 私有记忆)]
    B --> PB[(资料 Agent 私有记忆)]
    C --> PC[(自动化 Agent 私有记忆)]
    D --> PD[(文档 Agent 私有记忆)]

MemOS 的 Hub 可以理解为团队记忆中心。每个 Agent 仍然有自己的私有记忆，避免不同角色之间互相污染；被标记为共享的经验，则进入团队知识中枢。

这种隔离与共享的组合很重要。

共享之后，一个 Agent 踩过的坑，不需要其他 Agent 再踩一次。例如代码 Agent 发现某个依赖版本不能升级，文档 Agent 在生成升级说明时就能引用这个结论；自动化 Agent 编写部署脚本时，也能避开同样的问题。

本地存储：敏感数据不必离开机器

Agent 任务经常涉及敏感信息，例如：

• 业务代码；
• 数据库连接串；
• API Key；
• 内部服务地址；
• 私有部署架构；
• 调试日志中的用户数据。

如果长期记忆全部上传到云端，很多团队不会放心。MemOS 本地版把数据保存在用户机器上，默认位置是：

~/.openclaw/memos-local/memos.db

这是一个 SQLite 数据库文件。SQLite 是嵌入式关系型数据库，不需要单独启动数据库服务，文件本身就可以承载数据存储。

本地版的几个特点：

如果有多设备同步、团队远程共享等需求，也可以选择云端版本。两种形态都适合不同场景：

Memory Viewer：用面板管理记忆

长期记忆如果只能通过接口或文件修改，排查问题会很麻烦。MemOS 提供了 Memory Viewer，把记忆、任务、技能、日志和配置做成了网页管理界面。

这个面板的价值不只是“看起来方便”，而是能直接处理长期记忆系统最常见的维护问题：记忆是否准确、任务是否归档、技能是否过期、检索是否正常、工具调用是否失败。

主要页面可以按功能分成六类：

面板默认绑定在 127.0.0.1，也就是只允许本机访问；再配合密码保护和 Session Cookie，可以降低外部网络误访问带来的风险。对于本地开发环境来说，这种默认策略比直接监听公网地址安全得多。

检索机制：全文检索与向量检索双通道

长期记忆能不能真正提高 Agent 质量，核心取决于两件事：

1. 该记住的内容有没有被正确保存；
2. 需要时能不能把正确记忆找出来。

MemOS 在检索层使用了“全文检索 + 向量检索”的双通道方案。

flowchart TD
    A[用户新请求] --> B[查询改写与语义理解]
    B --> C[FTS5 全文检索]
    B --> D[向量检索]
    C --> E[RRF 融合排序]
    D --> E
    E --> F[MMR 重排]
    F --> G[选择高相关且低重复的记忆]
    G --> H[注入 OpenClaw 上下文]

几个关键组件分别承担不同职责：

全文检索适合找“精确出现过”的东西，比如错误码、函数名、文件路径：

ModuleNotFoundError: No module named 'xxx'
docker compose up
.env.local

向量检索适合找“意思相近”的东西。比如用户问“之前那个部署端口冲突怎么处理”，记忆里可能没有“端口冲突”这几个字，而是记录了“服务启动失败，因为 3000 端口被占用，改为 3001 后恢复”。语义检索能把这种记录找出来。

RRF 和 MMR 的组合，则是为了避免两个极端：

• 只靠关键词，容易漏掉语义相关内容；
• 只靠向量，可能召回看似相关但细节不准确的内容；
• 召回太多相似片段，会浪费上下文窗口。

历史记忆迁移与去重

已经使用 OpenClaw 一段时间后，历史对话里通常积累了不少经验。MemOS 的 Memory Viewer 提供 Import 入口，可以把原有记忆迁移进来。

迁移过程要重点关注两件事：不要丢数据，也不要把重复内容原样堆进去。

导入页面承担的是“把旧资产整理进新系统”的角色。迁移时可以对历史对话、调试经验和技术方案进行智能去重；如果导入过程被打断，也支持断点续传。迁移完成后，还可以继续生成任务摘要或沉淀 Skill，让旧对话不只是归档，而是变成可检索、可复用的知识资产。

安装与配置

MemOS OpenClaw 插件可以通过 npm 安装。安装完成后，启动 OpenClaw Gateway 即可进入管理面板。

安装插件

openclaw plugins install @memtensor/memos-lite-openclaw-plugin
openclaw gateway start

启动后访问：

http://127.0.0.1:18799

Memory Viewer 会在本机浏览器打开。

通过界面配置

Settings 页面可以配置 Embedding、摘要模型和 Skill 演化使用的模型。

这个页面适合不想直接改 JSON 的场景。模型、接口地址和密钥可以在界面里调整，不需要手工翻配置文件。

通过 openclaw.json 配置

也可以直接编辑 openclaw.json。一个典型配置如下：

{
  "plugins": {
    "slots": {
      "memory": "memos-lite"
    },
    "entries": {
      "memos-lite": {
        "config": {
          "embedding": {
            "provider": "openai_compatible",
            "model": "bge-m3",
            "endpoint": "https://your-api-endpoint/v1",
            "apiKey": "sk-••••••"
          },
          "summarizer": {
            "provider": "openai_compatible",
            "model": "gpt-4o-mini",
            "endpoint": "https://your-api-endpoint/v1",
            "apiKey": "sk-••••••"
          },
          "skillEvolution": {
            "summarizer": {
              "provider": "openai_compatible",
              "model": "claude-4.6-opus",
              "endpoint": "https://your-api-endpoint/v1",
              "apiKey": "sk-••••••"
            }
          }
        }
      }
    }
  }
}

配置里有三块比较关键：

如果使用本地内置 Embedding 模型，可以不配置外部 API Key；如果希望接入 OpenAI Compatible 接口，则需要填写对应的 endpoint 和 apiKey。

修改配置后重新启动 Gateway：

openclaw gateway start

适合与不适合的使用场景

MemOS 的收益主要来自“长期积累”和“复用”。如果任务本身是一次性的、没有上下文延续，长期记忆带来的价值不会特别明显。

使用时需要注意的坑

1. 不要把所有内容都当成记忆

长期记忆不是聊天记录备份。错误猜测、临时尝试、未验证方案如果被长期保存，后续可能误导 Agent。

更合理的做法是只沉淀这些内容：

• 已验证成功的命令；
• 明确失败的方案和失败原因；
• 项目长期有效的规则；
• 用户稳定偏好；
• 可复用流程；
• 关键环境约束。

2. Skill 要有验证步骤

一个 Skill 如果只有执行步骤，没有验证方式，Agent 很难判断任务是否真的完成。部署类 Skill 至少应该包含：

# 示例：检查服务端口
curl -f http://127.0.0.1:3000/health

# 示例：检查进程
ps aux | grep your-service

# 示例：检查容器状态
docker ps

验证步骤越明确，Skill 越容易自动化复用。

3. 共享记忆要控制权限

团队 Hub 不能简单理解成“所有 Agent 共用一个数据库”。共享范围需要谨慎设计，尤其是密钥、客户数据、内部网络地址等信息，应该默认保守处理。

4. 定期清理过期记忆

项目依赖、部署方式和团队规范都会变化。过期记忆如果没有清理，可能导致 Agent 继续使用旧方案。Memory Viewer 里的时间线、搜索和 Analytics 页面可以帮助定位长期未更新或重复出现的记忆。

5. 检索不是越多越好

注入上下文的记忆太多，会挤占模型处理当前任务的空间。更好的策略是召回少量高相关、低重复的内容。FTS5、向量检索、RRF 和 MMR 的组合，目的也是为了让上下文更精确，而不是更庞大。

小结

MemOS 给 OpenClaw 补上的不是简单的“聊天记录保存”，而是一套围绕 Agent 经验资产构建的基础设施：对话可以沉淀成记忆，复杂任务可以沉淀成 Skill，多 Agent 可以通过 Hub 共享已验证经验，敏感数据也可以留在本地 SQLite 中管理。

当 Agent 使用频率变高后，真正影响效率的往往不是单次回答有多快，而是过去的经验能不能在下一次任务中继续发挥作用。MemOS 的价值就在这里：让 OpenClaw 从每次重新开始，变成持续积累、持续复用。