OddMeta
A place to learn and practice AI
OddMeta
ProjectXL

OpenClaw养成：不花钱的本地化持久记忆方案 lily-memory

by |Published

序言

想象这样一个场景：你花了半小时向 AI 助手解释你的项目架构、编码偏好和团队规范，得到了一次满意的协作体验。第二天你带着新问题回来，它却一脸茫然——「请问您的项目使用什么技术栈？」

这不是科幻，这是无数 OpenClaw「养成」过程中最常见的阵痛。

这不是科幻，这是无数 OpenClaw 用户每天都在经历的现实。

「OpenClaw 又忘了！」——这是 GitHub Issue 区最常见的抱怨。就在今年 1 月，一位开发者在 Issue #5429 中诉说了自己的遭遇：他花 45 小时与 Agent 协作积累的配置、技能集成、任务优先级，在一次静默的压缩（compaction）操作后全部消失。原因很简单：OpenClaw 在上下文窗口满载时，会自动对历史对话进行摘要和压缩，而这个过程没有任何警告。

这不是孤例。另一位用户报告说，他正在处理一个重要的代码重构任务，当对话进行到第 72 分钟时，compaction 触发了无限循环，整个 Agent 被锁死了 72 分钟。再重启时，之前的工作成果荡然无存。

本文将带你从痛点出发，遍历官方与社区方案，最终选定 lily-memory 这套「本地化 + 混合搜索 + 零成本」的方案，手把手教你从零养成 OpenClaw 的持久记忆能力。

一、前言：问题本质——三层失效

要理解 OpenClaw 为什么会「失忆」，我们需要理解它的记忆架构。在实际使用中，记忆失效发生在三个层面：

失效层一：从未存储。这是最常见的情况。用户在与 Agent 对话时，会自然地给出一些重要信息：「我习惯用 Tab 缩进」「上次那个 bug 的原因是变量名冲突」。Agent 口头回应「记住了」，但转身就忘。因为这些信息从未被写入磁盘文件，只是在当前上下文中短暂存在。一到新会话，全部归零。

失效层二：压缩中被覆盖。即使信息被写入了当天的记忆文件（memory/YYYY-MM-DD.md），当对话持续较长时，OpenClaw 会触发 compaction（压缩）机制。它会将之前的历史对话压缩成摘要，存储到 context/ 目录。问题是，这个压缩是单向的——压缩后的信息密度降低，一些细节会丢失。

失效层三：检索不到。即使信息好好地躺在记忆文件中，Agent 也可能找不到它。OpenClaw 默认的检索机制是 BM25 全文检索 + 向量语义检索的混合搜索，但默认配置往往没有启用向量检索，或者没有配置好嵌入模型。

社区里流传着一个精辟的总结：「扁平、无差异、被动的记忆。」这六个字，完美概括了 OpenClaw 记忆系统的核心困境。

二、方案介绍：官方方案与社区方案

官方方案：从 QMD 后端到混合搜索

面对社区的强烈反馈，OpenClaw 官方在 2026 年 1-2 月密集发布了一系列记忆相关的更新：

版本发布日期更新内容
v2026.1.122026-01-13向量搜索基础设施上线——SQLite 索引 + chunk 分块 + 懒同步 + 文件监控
v2026.1.292026-01-29L2 归一化修复——修复了本地嵌入向量未归一化导致余弦相似度计算不准确的问题
v2026.2.22026-02-04QMD 后端合并（PR #3160）——最重要的架构升级，用本地搜索边车进程替换内置 SQLite 索引器

QMD 后端是 OpenClaw 官方推出的新一代记忆后端。它的核心思路是：不再依赖 Agent 进程内部的索引机制，而是用一个独立的本地搜索边车进程来处理所有的语义检索。QMD 默认使用 SQLite FTS5 作为底层引擎，性能比之前的内置方案提升了约 40%。

但值得注意的是，QMD 本身是一个「检索层」的优化——它让搜索更准了，但没有解决「记忆是否被写入」和「哪些记忆更重要」的问题。

当前 OpenClaw 的官方检索方案是 BM25 + 向量语义搜索的混合模式：两路结果通过加权融合（默认权重是 Vector 70% + BM25 30%）汇成最终结果。

尽管官方在快速迭代，但核心问题仍然是：检索层优化不能解决存储层问题、依赖外部嵌入模型（涉及 API 费用或本地资源占用）、缺少自动组织能力。

社区方案：七大第三方方案

社区没有等待官方，在 2026 年 1-2 月期间，至少出现了七款第三方记忆增强方案：

方案核心思路亮点缺点
Mem0SDK 化的记忆层自动捕获 + 自动检索，延迟降低 91%，Token 节省 90%需要云端 API，隐私顾虑
Hindsight本地长期记忆学习循环机制（retain/recall/reflect），1300+ Stars配置复杂，上手门槛高
MoltBrainSQLite + ChromaDB生命周期钩子自动捕获上下文，Web UI 可视化管理365 Stars，社区维护力度存疑
lily-memory混合搜索（SQLite FTS5 + Ollama）完全本地、混合搜索、自动记忆、卡顿检测、优雅降级需要本地 Ollama 环境
LanceDB 插件向量数据库增强7 层混合检索、MMR 多样性去重、多 scope 隔离社区插件，需自行维护

综合考虑本地隐私、零 API 成本、配置复杂度，最终选定 lily-memory 作为本次实战的方案。

三、安装与使用：lily-memory 实战

3.1 为什么选择 lily-memory？

选择 lily-memory 的核心理由：

  1. 完全本地：所有数据存储在本地 SQLite，不上传云端，隐私安全零担忧。
  2. 混合搜索：SQLite FTS5 全文检索 + Ollama 向量语义检索，双重保障。
  3. 自动记忆：不用手动调用 memory_store，系统自动捕获 + 自动检索。
  4. 卡顿检测：能检测重复话题，防止「鬼打墙」式的重复对话。
  5. 优雅降级：没有 Ollama 也能用，仅启用关键词模式。
  6. 零 API 成本：本地 Ollama + nomic-embed-text 模型，完全免费。

3.2 安装步骤

# 1. 通过 ClawHub 安装插件
npx clawhub install lily-memory

# 2. 进入插件目录安装依赖
cd ~/.openclaw/workspace/skills/lily-memory
npm install better-sqlite3

# 3. 下载嵌入模型（274MB）
ollama pull nomic-embed-text

# 4. 配置 openclaw.json（见下文）

# 5. 重启 Gateway
openclaw gateway restart

3.3 配置示例

在 ~/.openclaw/openclaw.json 中添加或修改：

{
  "plugins": {
    "slots": {
      "memory": "lily-memory"
    },
    "entries": {
      "lily-memory": {
        "enabled": true,
        "config": {
          "dbPath": "~/.openclaw/memory/lily.db",
          "autoCapture": true,
          "autoRecall": true,
          "vectorSearch": true,
          "hybridWeight": {
            "vector": 0.7,
            "bm25": 0.3
          },
          "ollama": {
            "url": "http://localhost:11434",
            "model": "nomic-embed-text"
          },
          "gracefulDegradation": true
        }
      }
    }
  }
}

3.4 参数详解

参数类型默认值说明
dbPathstring~/.openclaw/memory/lily.dbSQLite 数据库存储路径
autoCapturebooleantrue是否自动捕获对话中的关键信息
autoRecallbooleantrue是否在响应前自动检索相关记忆
vectorSearchbooleantrue是否启用向量语义搜索
hybridWeight.vectorfloat0.7向量搜索结果权重
hybridWeight.bm25float0.3BM25 搜索结果权重
ollama.urlstringhttp://localhost:11434Ollama 服务地址
ollama.modelstringnomic-embed-text嵌入模型名称
gracefulDegradationbooleantrueOllama 不可用时降级为纯 BM25 模式

3.5 迁移旧记忆

之前的记忆文件存储在 memory/compressed/ 目录中，格式是 Markdown。需要将其导入到新的 SQLite 数据库中：

const Database = require('better-sqlite3');
const fs = require('fs');
const path = require('path');

const db = new Database('~/.openclaw/memory/lily.db');
const memoryDir = '~/.openclaw/workspace/memory/compressed/';

const files = fs.readdirSync(memoryDir).filter(f => f.endsWith('.md'));

const insertStmt = db.prepare(`
  INSERT INTO memories (content, timestamp, type, source)
  VALUES (?, ?, ?, ?)
`);

files.forEach(file => {
  const content = fs.readFileSync(path.join(memoryDir, file), 'utf-8');
  const timestamp = new Date(file.replace('.md', '')).toISOString();
  insertStmt.run(content, timestamp, 'imported', file);
});

console.log(`已导入 ${files.length} 条记忆`);

实测：8 条记忆，秒级导入。

四、使用场景与案例

案例一：自动捕获用户偏好

操作：在对话中告诉 Agent 「我咖啡只喝美式，不加奶不加糖」。

结果：lily-memory 自动检测到这是一条用户偏好信息，写入数据库。无需手动触发任何命令。

验证：

# 查询记忆库
openclaw memory search "美式咖啡"

返回结果中能看到这条记忆被正确存储和检索。

案例二：新会话检索

操作：结束当前会话，开启一个新的会话。

测试 prompt：「我上次跟你说我喝什么咖啡？」

结果：Agent 正确检索到之前保存的偏好信息，回复：「你说你只喝美式，不加奶不加糖。」

案例三：混合搜索效果

场景：记忆库中有一条关于 Python 装饰器的笔记。

  • BM25 检索：搜索「Python 装饰器」→ 命中
  • 向量检索：搜索「怎么给函数加额外行为」→ 命中（语义关联）
  • 混合检索：搜索「给函数加额外行为」→ 同时返回两条结果，综合评分更高

性能对比

指标旧方案（memory-v2）新方案（lily-memory）
搜索响应时间20ms+< 5ms
内存占用高（Mac mini 后台运行）低（SQLite 单进程）
API 成本有（外部嵌入服务）零（本地 Ollama）
配置复杂度高中

五、升华与收束：未来展望

OpenClaw 的记忆问题，本质上是一个「存储-检索-组织」三层架构的系统性挑战。官方在检索层（QMD + 混合搜索）持续发力，但存储层的自动化和组织层的智能化，仍然需要用户和社区方案来补足。

lily-memory 以「本地化 + 混合搜索 + 零成本」的方式，较好地回答了「如何让 Agent 记住并且能找到」的问题。对于已经在本地部署了 Ollama 的用户来说，这是一个值得尝试的方案。

当然，没有任何方案是完美的。最重要的是理解记忆系统的工作原理，然后根据自己的实际需求（隐私优先 / 成本优先 / 跨设备优先）选择合适的方案，并持续优化配置。

毕竟，最好的记忆系统不是「一步到位」的，而是在使用过程中不断迭代和调优的。

未来演进方向

lily-memory 可能的演进方向包括：

  1. 与 QMD 深度整合：将索引层对接到 QMD，享受官方持续的性能优化。
  2. 自动记忆评级：参考 Dwarf Fortress 的三层记忆架构，给每条记忆赋予「常青度」权重。
  3. 结构化记忆：从纯文本升级为实体-关系模型。
  4. 多模态记忆：支持图片、文档等多模态内容。
  5. 记忆可视化：开发 Web 管理界面。

六、注意事项

6.1 适用人群

lily-memory 方案最适合以下用户：

  • 已在本地部署 Ollama 的用户
  • 对隐私安全有较高要求的用户
  • 希望通过零成本方案实现持久记忆的用户

如果你的设备没有 Ollama 环境，需要额外安装，增加了初始配置成本。

6.2 当前局限

lily-memory 解决了「记住」和「找到」的问题，但还没有解决：

  • 记忆的重要性排序：一条「用户的咖啡偏好」和「昨天的研究发现」哪个更重要？目前没有差异化处理。
  • 遗忘机制：长期积累后，记忆库会膨胀，需要类似时间衰减的机制来自动清理低价值记忆。
  • 跨设备同步：本地存储虽然是隐私优势，但限制了多设备场景的使用。
  • 结构化提取：目前存储的是原始文本片段，没有做实体抽取和关系建模。

6.3 维护成本

需要维护本地 Ollama 服务的运行状态，服务重启后需要重新加载模型。首次安装需要下载 nomic-embed-text 模型（约 274MB）。

七、参考资料

  1. OpenClaw 官方文档：Memory System：https://docs.openclaw.ai/concepts/memory
  2. QMD GitHub 仓库：https://github.com/tobi/qmd
  3. lily-memory 插件（通过 ClawHub 安装）：https://clawhub.dev/plugins/lily-memory
  4. GitHub Issue #5429：45 小时上下文丢失事件：https://github.com/openchats/openclaw/issues/5429
  5. ClawHow：The Ultimate Guide to OpenClaw Memory：https://clawhow.com/article/lijiuer92-openclaw-memory-guide
  6. Velvetshark：OpenClaw Memory Masterclass：https://velvetshark.com/openclaw-memory-masterclass
  7. BetterClaw：OpenClaw Memory Is Broken – Here’s How to Fix It：https://www.betterclaw.io/blog/openclaw-memory-fix
  8. 刘HP博客：OpenClaw记忆系统升级实战——从删库到lily-memory：https://liuhp.net/post/2026-03-02-openclaw-memory-upgrade/
  9. 博客园：OpenClaw【四、记忆系统】：https://www.cnblogs.com/hewei-blogs/articles/19730086
  10. SegmentFault：打造会自主学习的AI助手：OpenClaw记忆系统完全指南：https://segmentfault.com/a/1190000047594387

八、广而告之

关注我的公众号：奥德元
一起学习AI，一起追赶时代！

新建了一个AI技术交流群，欢迎大家一起加入讨论。
扫码加入AI技术交流群（微信）
若需联系作者，请加微信：oddmeta

You may also like

小落同学用例：创建一个助手虚拟人，让其可以帮你预约会议
Published

小落同学用例：创建一个助手虚拟人，让其可以帮你预约会议

【Good ending】预约会议失败场景下的流程】 小落同学用例：创建一个助手虚拟人，让其可以帮你预约会议。 目标 如题，希望让小落同学虚拟人市场里创建出来的虚拟人可以支持预约会议功能。 创建虚拟人角色 考虑到之前用小落同学的虚拟客服、虚拟女友的角色的prompt偶发会对指令出现干扰，从而导致agent在选择tool时异常，我专门在小落同学的后台新增了一个独立的、助手的角色。进入小落同学的后台后，创建一个虚拟人，名字、性别、人物模型、声音随便选一个，重点是prompt。该角色我给写的prompt是： 启动虚拟人 创建好虚拟人后，可在虚拟人市场那里直接点击启动，跳转到相应的前台页面。 开始预约会议 输入指令 帮我预约一个今天晚上8点的项目会议，邀请Jacky和顾振华参加 请求 工具选择：正确 参数解析：时间和日期全错 将解析日期参数独立出一个tool，再来一遍 在MeetingScheduler这个tool里，我判断了一下日期格式是否正确，如果不对的话，再手动调用QueryDate这个tool去重新解析日期。QueryDate的入参为前面在MeetingScheduler这个tool返回的日期参数：今天晚上8点QueryDate这个 tool的 prompt我写的是： 解析日期请求 第一次解析日期响应1 LLM返回的第一次解析日期的响应如下： […]

Published

上手扣子编程：国内skills第一家

一、前言 昨天用OpenCode Desktop做了下书签管理的SKILL，今天就想去看看这个“早就想去看看的”、“国内第一个支持SKILL”的扣子。 于是，今天我就把昨天在Open Code Desktop上做的事情原封不动的在扣子上做了一遍。下面的完整的过程。 具体的SKILL的原理什么的我就不讲了，网上随处可见，咱们来实操。 为省流，直接上结论： 总的来说，单纯对于我这个书签管理功能来说，生成的SKILL的确还可以，但是SKILL描述和references还是需要自己仔细分析一下改一下。 除此之外，简单列一下我个人的一点经历和看法 也为扣子加一把油，为国内的开发者搭建了一个更好的平台和环境。 二、在扣子上创建skill 1. 创建skill 进入扣子网站（ www.coze.cn ），输入提示词如下： 快速出了一个版本，但是自测验证报错，但是扣子会自己修改代码重测。a little monments later（约二十来分钟），终于完成。 2. […]

Published

关于如何利用小落同学来实现克隆一个数字版本的自己的思考

一、缘起 一直以来，我都有一个梦想，希望能拥有一个数字版的自己。 在此这前，我需要好好认真的去思考一下的是，要实现一个数字版的我自己，应该、可能、也许、大概、似乎可以怎么做？ 这个问题我自己一个人想了很久，但是一直没有想清楚。暂时先用记录一下。 等有时间了，我再来一点点完善。也希望抛砖引玉，有志同道合的人可以一起来探讨。 目前为止，只是花了171块钱（阿里云ECS 99块钱每年，域名72块钱每年），做了一个初始版本的对话机器人：小落同学。 二、子系统分拆 1。后台 1。我告诉大模型关于我自己的一些初始信息：角色设定。2。我每天或者不定期的把发生在自己身上的故事告诉大模型。3。大模型帮我一件件记录下来，并能够自动识别和提取故事中的关键信息，比如日期、地点、人物、事件结果等，并将这些故事进行结构化存储。4。大模型定期（每个月？每个季度）或者不定期的形成阶段性的人格快照，将发生在这段时间内的各种有条理建立时间线、人物关系、关键事件等。5。随着关于我的信息的不断完善，大模型一点点复刻出来的我的身份。 2。前台 1。在小落同学的前端界面展示这个数字版的我，并允许他人来跟这个数字版的我进行对话，让这个数字版的我来代表我自己（提示对方，所有回复的内容仅供参考）。 三、初步设想 1。后台-角色设定的prompt（一次性任务） 系统人设prompt：你是我的数字记忆体和数字分身，将永久存储我的人生故事 2。后台-初始档案子系统（一次性任务） 3。后台-记忆库构建子系统（日常任务） 记录我每天分享的故事、观点、情感、聊天记录、邮件、社交动态。由我自己每天登录到后台，并将今天的事情跟小落同学汇报一下，然后由小落同学将这些事情一件件的总结输出，并保存的记忆中。 4。后台-人格模拟子系统（周期任务） 这个子系统用于： 待思考确认，是否先去研预一下Agentic RAG和Manus，是否可以让Agent来自动完成？ […]

Published

OpenClaw养成：实测可用的免费API Token – OpenCode Zen

一、前言 养了三个星期的龙虾，由于可以在手机上就能指挥它干活，相比电脑上用ClaudeCode/OpenCode或者其它IDE带来了很大的便利，但是带来便利的同时就是这家伙的胃口太好，太吃token了。 前天3月18日，阿里云与百度智能云同一天宣布涨价。阿里云涨幅最高达34%；百度智能云则上调约5%—30%，并行文件存储等价格上调约30%。两家云厂商均将涨价归因于“全球AI需求爆发”。 腾讯云一周前已宣布上调两款自研模型Tencent HY2.0 Instruct和Tencent HY2.0 Think的价格，上涨463%。同时，腾讯云结束对GLM 5、MiniMax 2.5、Kimi 2.5 三款模型的免费公测，转为正式商用服务。 1、阿里云百炼 阿里云百炼 Coding plan套餐：https://bailian.console.aliyun.com/cn-beijing 前两天还有7.9元和39.9元的coding plan套餐，当时只是没抢到。 现在你再打开阿里云百炼的 Coding plan，会发现原先的7.9元和39.9元的两个套餐已经没有了，只剩下那个200元的套餐了。 2、百度云 […]