研究与学习
语义记忆搜索
给 OpenClaw 的 Markdown 记忆层加一层向量检索，按“语义”找回历史决策。
开始之前 · 信息待补充
本案例尚未记录结构化的验证范围。请先阅读原始步骤与来源，确认账号、费用和权限要求。
平台、账号要求、费用和验证版本：未记录。
目录
这个案例能帮你做什么
- 不再只能靠关键词 grep；用“意思相近”也能命中相关记录。
- 结合向量 + BM25 混合检索，兼顾语义召回与精确命中。
- 基于内容哈希增量索引，重复执行不会重复花 embedding 成本。
你需要的 Skills（按类型）
| 类型 | Skill / 工具 | 用途 | 来源 |
|---|---|---|---|
| 外部（需安装） | memsearch |
索引与检索 OpenClaw memory | zilliztech/memsearch |
| 外部（需安装） | Python 3.10+ | 运行 memsearch CLI |
Python |
| 外部（可选） | 本地 embedding provider | 无 API Key 本地化检索 | memsearch[local] |
快速体验版（先跑一轮）
pip install memsearch
memsearch config init
memsearch index ~/path/to/your/memory/
memsearch search "what caching solution did we pick?"
稳定自动版（可长期运行）
1) 开启文件监听自动同步
memsearch watch ~/path/to/your/memory/
2) 本地 embedding（无外部 API）
pip install "memsearch[local]"
memsearch config set embedding.provider local
memsearch index ~/path/to/your/memory/
3) OpenClaw 执行提示词（检索增强版）
你是我的记忆检索助手。
当我问历史决策时，先调用 memsearch 语义检索，再返回：
1. 最相关的 3 条记忆
2. 每条记忆的原始文件位置
3. 与问题的相关原因
4. 如果结果不足，明确告诉我缺什么信息
成功标准
- 用不同措辞提问，仍能稳定命中历史记录。
- 索引可持续增量更新，不重复重建全库。
- 记忆检索返回可追溯到具体文件片段。
引用来源
接下来可以尝试
把有用的案例留在手边
在 GitHub Star 收藏中文案例库，也欢迎提交你的实践与改进。
由 Cogine 团队整理与维护。我们也在构建将 AI 带进日常工作的产品。 · 了解 Cogine 的 AI 工作流产品