### [OpenClaw 记忆系统升级：从 memory-core 迁移到 memory-lancedb-pro](https://www.zuoshipin.com/article/6080)

**Published:** 2026-07-17T10:40:47

**Author:** 17600879176

**Excerpt:** OpenClaw 明明保存了规则却经常召回不到？本文完整对比四种记忆插件，并整理 memory-lancedb-pro 的混合检索、智能提取、安装配置、迁移验证和 AVX 排错。

使用 OpenClaw 一段时间后，很多人会遇到一种很恼火的情况：明明已经在 `MEMORY.md` 写过规则，Agent 到了新对话还是忘记调用指定 Skill，或者只记得大概意思，却召回不到那条真正重要的指令。

例如，写歌词时忘记调用歌词 Skill，总结视频时跳过指定工具，下载内容前也不检查 Cookie。问题往往不是“完全没有记忆”，而是**记忆召回不够精准**。这也是从 memory-core 升级到 [memory-lancedb-pro](https://www.zuoshipin.com/link/5958.html) 的主要原因。

![memory-lancedb-pro 为 OpenClaw 提供长期记忆与混合检索](https://admin.zuoshipin.com/wp-content/uploads/2026/07/openclaw-memory-lancedb-pro-migration-cover.webp)

memory-lancedb-pro 为 OpenClaw 提供长期记忆与混合检索

**核心变化：**memory-lancedb-pro 不只做向量相似度搜索，还加入 BM25 关键词检索、Cross-Encoder 重排序、智能提取、记忆衰减和多作用域隔离，让“语义相近”与“精确命中规则”同时参与召回。

## 为什么 memory-core 容易“记得但想不起来”？

纯向量检索擅长找到语义相似内容，却不一定能优先命中强规则。比如搜索“删除操作必须使用 trash”，模型可能召回大量与删除文件相关的对话，却没有把真正的安全规则排在最前面。

当记忆数量越来越多，普通聊天、临时信息和重要规范混在一起，结果就会被噪音淹没。要解决这一问题，需要的不只是换一个向量数据库，而是一整套更精细的检索与生命周期管理。

## 四种 OpenClaw 记忆方案对比

| 特性  | memory-core | memory-wiki | memory-lancedb | memory-lancedb-pro |
| --- | --- | --- | --- | --- |
| 存储  | SQLite | Wiki 格式 | LanceDB | LanceDB |
| 检索  | 纯向量 | 关键词+向量 | 纯向量 | 向量+BM25 混合 |
| 重排序 | 无   | 无   | 无   | Cross-Encoder |
| 智能提取 | 无   | 无   | 无   | LLM 六类分类 |
| 遗忘机制 | 无   | 无   | 无   | Weibull 衰减 |
| 多作用域 | 无   | 无   | 无   | agent/user/project |
| 管理工具 | 基础  | CLI | 基础  | 完整 CLI + MCP 工具 |
| 数据迁移 | 原生  | 需手动 | 可迁移 | 迁移与导入工具 |

## 选择 memory-lancedb-pro 的三个理由

### 1\. 混合检索更适合规则与工作流

Pro 版可以同时执行向量搜索与 BM25 全文检索，再经过融合与 Cross-Encoder 重排序。向量负责理解语义，BM25 负责命中具体词语，重排序则重新判断哪些结果最符合当前查询。

**向量检索**  
找到表达方式不同但含义相近的记忆。

**BM25**  
精确命中工具名、项目名、命令和强约束关键词。

**Cross-Encoder**  
对候选结果重新评分，把最相关内容推到前面。

原配置采用向量 70%、BM25 30% 的权重，可作为起点，但不是所有数据集的最佳答案。规则型记忆较多时，可以适当提高 BM25 权重；自然语言偏好较多时，则保留更高的向量权重。

### 2\. 智能提取与记忆衰减

Pro 版可以借助 LLM 将重要信息归入六类：

-   **profiles：**用户画像、技术栈与长期背景。
-   **preferences：**代码风格、回复格式与个人习惯。
-   **entities：**人物、地址、项目和具体对象。
-   **events：**事故、决策和阶段性事件。
-   **cases：**踩坑记录、解决方法与案例经验。
-   **patterns：**常见问题、重复行为和工作流模式。

同时，Weibull 衰减模型会结合时间、访问频率和重要性调整记忆权重，让低价值噪音逐渐淡出。这里的“遗忘”通常是降低召回优先级，不应理解为未经确认就直接删除源文件。

### 3\. 可控的数据导入与作用域

`canonicalCorpus` 可以索引 `MEMORY.md` 和 `memory/**/*.md`，并按需加入会话记录。多作用域则允许按照 Agent、用户和项目隔离记忆，避免不同客户或项目之间互相污染。

**推荐原则：**把 `MEMORY.md` 和 Markdown 记忆文件保留为可读、可备份的事实源，让 LanceDB 充当语义索引。数据库负责“找到”，文件负责“审计和恢复”。

## 一键安装：先下载，再执行

项目提供社区维护的安装脚本。为了便于审查，不建议直接把远程脚本通过管道送进 Shell；先下载、查看，再执行：

```
curl -fsSL https://raw.githubusercontent.com/CortexReach/toolbox/main/memory-lancedb-pro-setup/setup-memory.sh -o setup-memory.sh
less setup-memory.sh
bash setup-memory.sh
```

脚本会检测环境、选择 Embedding Provider、写入配置并重启 Gateway，可使用 Jina、SiliconFlow、OpenAI、Ollama 等方案。执行前仍应备份现有配置与记忆数据。

## 手动安装方式

当前项目文档优先推荐通过 OpenClaw CLI 安装测试版：

```
openclaw plugins install memory-lancedb-pro@beta
```

如果需要跟踪仓库源码，也可以使用源文中的手动方式：

```
git clone https://github.com/CortexReach/memory-lancedb-pro.git ~/.openclaw/workspace/plugins/memory-lancedb-pro
cd ~/.openclaw/workspace/plugins/memory-lancedb-pro
npm install
npm run build
```

**注意：**如果通过 npm 或源码安装，`plugins.load.paths` 必须填写插件的**绝对路径**。不要照抄他人的用户名路径，也不要在公开配置中明文保存 API Key。

## 配置 openclaw.json

下面保留源配置的核心结构，并将密钥改为环境变量占位符。请根据自己的系统用户名、模型和服务商调整：

```
{
  "plugins": {
    "slots": {
      "memory": "memory-lancedb-pro"
    },
    "load": {
      "paths": ["/Users/你的用户名/.openclaw/workspace/plugins/memory-lancedb-pro"]
    },
    "entries": {
      "memory-lancedb-pro": {
        "enabled": true,
        "config": {
          "embedding": {
            "provider": "openai-compatible",
            "model": "BAAI/bge-m3",
            "apiKey": "${SILICONFLOW_API_KEY}",
            "baseURL": "https://api.siliconflow.cn/v1",
            "dimensions": 1024
          },
          "autoCapture": true,
          "autoRecall": true,
          "smartExtraction": true,
          "extractMinMessages": 2,
          "extractMaxChars": 8000,
          "retrieval": {
            "mode": "hybrid",
            "vectorWeight": 0.7,
            "bm25Weight": 0.3,
            "rerank": "cross-encoder",
            "rerankApiKey": "${SILICONFLOW_API_KEY}",
            "rerankModel": "BAAI/bge-reranker-v2-m3",
            "rerankEndpoint": "https://api.siliconflow.cn/v1/rerank"
          },
          "canonicalCorpus": {
            "enabled": true,
            "syncOnSearch": true,
            "includeSessionTranscripts": true
          },
          "sessionMemory": {
            "enabled": false
          }
        }
      }
    }
  }
}
```

配置中几个关键开关：

-   `autoCapture`：自动捕获值得长期保存的信息。
-   `autoRecall`：回答前自动召回相关记忆。
-   `smartExtraction`：使用 LLM 进行分类、合并和去重。
-   `canonicalCorpus.enabled`：索引现有 Markdown 记忆文件。
-   `includeSessionTranscripts`：把会话记录加入索引，数据量较大时应谨慎开启。
-   `sessionMemory.enabled: false`：初期避免会话摘要污染长期检索。

## 从 memory-core 迁移前先做什么？

源环境从 memory-core 迁移了 4243 条记忆、涉及 387 个文件，并通过自定义脚本生成迁移清单。这个数字是个案，不代表每个人都能直接“一键迁移”。memory-core、memory-lancedb 与不同版本 Pro 的数据结构并不完全相同。

1.  **备份配置：**保存当前 `openclaw.json`。
2.  **备份事实源：**复制 `MEMORY.md`、`memory/` 和现有数据库目录。
3.  **先开 canonicalCorpus：**确认 Markdown 文件可以被索引和召回。
4.  **小批量导入：**先迁移一部分数据，检查重复、乱码和作用域。
5.  **再切换 memory slot：**确认新插件稳定后，将其设为唯一活动记忆插件。

从旧版 memory-lancedb 迁移时，可结合项目当前 CLI 和迁移文档；从 memory-core 迁移则应依据实际数据结构选择导出、清单或自定义脚本。

## 验证配置与召回效果

```
openclaw config validate
openclaw gateway restart
openclaw logs --follow --plain | grep "memory-lancedb-pro"
```

项目文档建议进一步检查插件信息和统计：

```
openclaw plugins info memory-lancedb-pro
openclaw memory-pro stats
```

不要只看“插件已注册”，还要设计可重复测试：

-   保存一条包含明确工具名的规则，换一种表达方式搜索。
-   同时放入多条“删除”相关内容，确认强规则是否排在前面。
-   切换项目或用户作用域，检查是否发生跨项目泄漏。
-   关闭外部 Rerank API，观察降级后的召回是否仍可接受。

## CPU 不支持 AVX 怎么办？

部分 Linux x64 环境中的 LanceDB 原生向量搜索可能依赖 AVX/AVX2。如果出现 `SIGILL` 或相关崩溃，可先检查 CPU：

```
grep -o 'avx[^ ]*' /proc/cpuinfo | head -1
```

项目文档提供了兼容开关：

```
"retrieval": {
  "disableNativeCosine": true
}
```

也可以使用环境变量：

```
export MEMORY_LANCEDB_DISABLE_NATIVE_COSINE=1
```

开启后会改用范围受控的行扫描和 JavaScript 余弦排序，兼容性更好，但大型记忆库的性能可能下降。

## 升级后的实际变化

切换 Pro 版后，最明显的目标不是“记忆数量变多”，而是以下几件事更可控：

-   搜索删除规则时能优先命中明确约束，而不是泛泛的相似内容。
-   新对话中的重要信息被自动提取、分类和去重。
-   低价值旧记忆逐渐降低权重，避免检索越来越嘈杂。
-   历史文件、会话和手动导入范围可以分别控制。
-   通过 CLI 和管理工具查看、搜索、导出或删除记忆。

项目地址：[CortexReach/memory-lancedb-pro GitHub](https://github.com/CortexReach/memory-lancedb-pro)。准备体验前，可先查看 [memory-lancedb-pro 站内详情页](https://www.zuoshipin.com/link/5958.html)；尚未安装主程序的用户可进入 [OpenClaw 站内工具页](https://www.zuoshipin.com/link/916.html)。

**我的观点：**长期记忆系统最重要的不是“永远不忘”，而是可解释地记住正确内容。混合检索和重排序提升召回，多作用域降低污染，Markdown 事实源和导出工具负责审计。只有这三部分同时存在，Agent 记忆才适合进入长期工作流。

## 总结

如果只是保存少量个人偏好，memory-core 仍然够用；如果已经积累大量规则、项目决策和会话记录，并且经常出现“有记忆但召回不到”，memory-lancedb-pro 更值得尝试。

迁移时不要急着覆盖旧系统。先备份，再安装和验证，最后分批导入。把可读文件作为事实源，把 LanceDB 作为检索索引，才能让 OpenClaw 的记忆从黑盒变成真正可管理的基础设施。

说明：插件处于持续开发中，安装命令、配置字段和版本兼容性可能变化；实际操作前请核对 GitHub 当前 README、版本说明与 OpenClaw 插件架构。

**Tags:** AI长期记忆, LanceDB, memory-lancedb-pro, OpenClaw

**Categories:** AI资讯

---