Openclaw Memory Ollama

OpenClaw 本地化记忆管理系统 — 构建稳定、高效、零成本的 AI 长期记忆解决方案。基于 Ollama（本地 Embedding）+ cognitive-brain（结构化存储）+ Memory Files（日常记忆）的三档存储架构。触发场景：(1) 用户需要为 AI 助手添加记忆功能 (2) 想要本地化部署向量数据库 (3) 需要基于 PostgreSQL + Redis 的记忆存储方案 (4) 需要完整的记忆系统部署指南 (5) 遇到 cognitive-brain 记忆功能异常需要排查。本技能引用 cognitive-brain 技能的代码和架构。

OpenClaw Memory System

本地化 AI 记忆管理系统，为 OpenClaw AI 助手提供稳定、高效、零成本的长期记忆能力。

核心架构

三层存储 + 四层记忆模型：

层级	组件	说明
接入层	飞书 / WebChat / Gateway	多渠道接入
服务层	cognitive-brain + Ollama	Memory Service + Embedding
存储层	PostgreSQL + Redis + 文件	向量 + 缓存 + 文件

四层记忆：

• L1 感官记忆 — Redis，TTL 30秒
• L2 工作记忆 — Redis，TTL 60分钟
• L3 情景记忆 — PostgreSQL，永久
• L4 语义记忆 — PostgreSQL，永久

快速开始

1. 环境要求

• OpenClaw 已安装运行
• Ollama 已安装，nomic-embed-text 模型已拉取
• PostgreSQL + Redis 服务运行中
• cognitive-brain 技能已安装

2. 配置步骤

bash

# Step 1: 配置 Ollama 环境变量
export OLLAMA_API_KEY=ollama-local
export OLLAMA_HOST=localhost:11434

# Step 2: 配置 cognitive-brain (见 references/config-reference.md)
# 修改 config.json 中的 provider 设置

# Step 3: 重启 OpenClaw Gateway
openclaw gateway restart

3. 验证

bash

# 验证 Embedding 服务
python3 scripts/embed.py --warmup

# 验证记忆检索
memory_search 测试查询

核心脚本

• scripts/embed.py --warmup — 预热 Embedding 服务
• scripts/embed.py <文本> — 生成文本向量

🔗 引用与致谢

直接引用的技能和代码

引用来源	引用内容	说明
cognitive-brain	brain.encode() / brain.recall() 接口、episodes/concepts 表结构、Redis 缓存逻辑	核心记忆服务架构
Ollama	nomic-embed-text 模型、/api/embeddings 接口	本地 Embedding 服务
pgvector	向量存储、ivfflat 索引、vector_cosine_ops	PostgreSQL 向量扩展

架构参考

参考来源	引用内容
lark-whiteboard	系统架构图、数据流图、四层记忆模型（小明使用此技能绘制）
ppt-generator	HTML 演示稿模板、乔布斯风设计规范

工具链

工具	用途
Ollama	本地 LLM 和 Embedding 运行服务
PostgreSQL	关系数据库 + 向量存储
Redis	热缓存、L1/L2 记忆存储
ClawHub	技能发布和管理平台
OpenClaw	AI 助手框架

开发者贡献

• 小明 (xiaoming) — 使用 lark-whiteboard 技能绘制三张架构图

参考文档

• 架构图参考 — 系统架构、数据流图、四层记忆模型
• 部署实施指南 — 完整部署步骤
• 配置参考 — 配置文件详解