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——但随着记忆在数周和数月内增长，找到上周二做的那个决定变得不可能。没有搜索，只能滚动翻阅文件。

这个用例使用 memsearch 在 OpenClaw 现有的 markdown 记忆文件上添加了向量驱动的语义搜索，这样你可以通过含义而不仅仅是关键词立即找到任何过去的记忆。

功能概述

• 用一条命令将所有 OpenClaw markdown 记忆文件索引到向量数据库（Milvus）
• 按含义搜索："我们选择了什么缓存方案？" 即使没有出现"缓存"这个词也能找到相关记忆
• 混合搜索（密集向量 + BM25 全文），使用 RRF 重新排序以获得最佳结果
• SHA-256 内容哈希意味着未更改的文件永远不会被重新嵌入——零浪费的 API 调用
• 文件监视器会在记忆文件更改时自动重新索引，所以索引始终是最新的
• 兼容任何嵌入提供商：OpenAI、Google、Voyage、Ollama，或完全本地化（无需 API 密钥）

痛点

OpenClaw 的记忆存储为纯 markdown 文件。这对于可移植性和人类可读性很好，但它没有搜索功能。随着你的记忆增长，你要么必须在文件中 grep（仅限关键词，错过语义匹配），要么将整个文件加载到上下文中（浪费无关内容的 tokens）。你需要一种方法问"我们关于 X 做了什么决定？"并获得完全相关的片段，无论措辞如何。

需要的技能

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

如何设置

1. 安装 memsearch：

pip install memsearch

2. 运行交互式配置向导：

memsearch config init

3. 索引你的 OpenClaw 记忆目录：

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

4. 按含义搜索你的记忆：

memsearch search "我们选择了什么缓存方案？"

5. 要实时同步，启动文件监视器——它在每个文件更改时自动索引：

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

6. 要进行完全本地化设置（无需 API 密钥），安装本地嵌入提供商：

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

关键洞察

• Markdown 仍是事实来源。 向量索引只是一个派生缓存——你可以随时用 memsearch index 重建它。你的记忆文件永远不会被修改。
• 智能去重省钱。 每个块由 SHA-256 内容哈希标识。重新运行 index 只嵌入新的或更改的内容，所以你可以随意经常运行它，而不会浪费嵌入 API 调用。
• 混合搜索优于纯向量搜索。 通过互惠排名融合将语义相似性（密集向量）与关键词匹配（BM25）相结合，可以捕获基于含义和精确匹配的查询。

相关链接

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