语义记忆搜索

OpenClaw 内置的记忆系统将所有内容存储为 Markdown 文件——但随着记忆文件在数周乃至数月内不断增长，想要找到上周二的某个决定变得不可能。没有搜索功能，只能通过滚动文件来查找。

本用例在 OpenClaw 现有的 Markdown 记忆文件之上，利用 memsearch 增加了由向量驱动的语义搜索功能，让您可以通过含义而非关键词即时查找任何过往记忆。

功能特性

• 通过一个命令将所有 OpenClaw 的 Markdown 记忆文件索引到向量数据库 (Milvus) 中
• 按含义搜索：“我们选择了哪种缓存方案？”即使记忆中没有出现“缓存”一词，也能找到相关记忆
• 结合 RRF 重排的混合搜索（稠密向量 + BM25 全文搜索），以获得最佳结果
• SHA-256 内容哈希意味着未更改的文件永远不会被重新嵌入——零浪费 API 调用
• 文件监视器在记忆文件更改时自动重新索引，确保索引始终保持最新
• 支持任何 Embedding 提供商：OpenAI、Google、Voyage、Ollama，或完全本地化（无需 API key）

痛点

OpenClaw 的记忆以纯 Markdown 文件的形式存储。这对于可移植性和人类可读性来说非常棒，但它没有搜索功能。随着记忆的增长，您要么需要通过 grep 命令搜索文件（仅限关键词，会遗漏语义匹配），要么将整个文件加载到上下文中（在不相关的内容上浪费 token）。您需要一种方法来询问“我关于 X 做了什么决定？”，并获得精确的相关片段，而无论措辞如何。

所需技能

• 无需 OpenClaw 技能——memsearch 是一个独立的 Python CLI/库
• Python 3.10+ 及 pip 或 uv

设置方法

1. 安装 memsearch：

   pip install memsearch
   

2. 运行交互式配置向导：

   memsearch config init
   

3. 索引您的 OpenClaw 记忆目录：

   memsearch index ~/path/to/your/memory/
   

4. 按含义搜索您的记忆：

   memsearch search "what caching solution did we pick?"
   

5. 要实现实时同步，请启动文件监视器——它会在每次文件更改时自动索引：

   memsearch watch ~/path/to/your/memory/
   

6. 对于完全本地化的设置（无需 API key），请安装本地 Embedding 提供商：

   pip install "memsearch[local]"
   memsearch config set embedding.provider local
   memsearch index ~/path/to/your/memory/
   

核心要点

• Markdown 始终是事实的来源。 向量索引只是一个派生缓存——您可以随时使用 memsearch index 重建它。您的记忆文件永远不会被修改。
• 智能去重节省成本。 每个数据块都由一个 SHA-256 内容哈希标识。重新运行 index 只会嵌入新的或更改的内容，因此您可以随意运行它，而不会浪费 Embedding API 调用。
• 混合搜索优于纯向量搜索。 通过倒数排名融合 (Reciprocal Rank Fusion) 将语义相似性（稠密向量）与关键词匹配 (BM25) 相结合，可以同时捕获基于含义和精确匹配的查询。

相关链接

• memsearch GitHub — 驱动此用例的库
• memsearch 文档 — 完整的 CLI 参考、Python API 和架构
• OpenClaw — 启发 memsearch 的记忆架构
• Milvus — 向量数据库后端