Install
openclaw skills install @thcjp/local-vector-memory-free本地向量记忆（免费版）
零 API、零云端、零数据出域的本地向量记忆系统免费体验版。基于 Ollama + LanceDB，在本地完成 embedding 生成与语义检索，适合隐私敏感、离线、成本敏感场景的快速体验。
痛点与对策速查
| 用户痛点 | 发生场景 | 本系统对策 |
|---|---|---|
| 数据隐私担忧 | 云端 embedding 数据出域 | 纯本地 Ollama embedding，数据不出本机 |
| API 费用高 | 云端 embedding 按 token 收费 | 本地 nomic-embed-text 完全免费 |
| 离线不可用 | 无网络时记忆系统瘫痪 | 本地运行，完全离线可用 |
| 跨会话遗忘 | 新会话忘记上一会话内容 | SESSION-STATE.md 热内存持久化 |
| 写入丢失 | 崩溃/压缩导致上下文丢失 | WAL 写前日志协议，先写状态再回复 |
| 部署复杂 | 本地栈搭建门槛高 | 一键初始化 + 详细故障排查表 |
本地 vs 云端对比
| 对比维度 | 云端 API（OpenAI） | 本地方案（Ollama） |
|---|---|---|
| 费用 | 按 token 收费 | 完全免费 |
| 延迟 | 网络往返 100-500ms | 本地 10-50ms |
| 隐私 | 数据出域 | 完全本地 |
| 离线 | 不可用 | 完全可用 |
| 质量 | text-embedding-3-large | nomic-embed-text（足够） |
| 资源占用 | 零本地资源 | 需 2-4GB 内存 |
| 部署难度 | 仅需 API Key | 需安装 Ollama |
结论：个人/小团队/隐私场景用本地；追求极致质量且不敏感数据用云端。
架构
┌─────────────────────────────────────────────────────────────────┐
│ LOCAL VECTOR MEMORY（免费版架构） │
├─────────────────────────────────────────────────────────────────┤
│ │
│ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ │
│ │ HOT RAM │ │ WARM STORE │ │ COLD STORE │ │
│ │ │ │ │ │ │ │
│ │ SESSION- │ │ LanceDB │ │ MEMORY.md │ │
│ │ STATE.md │ │ Vectors │ │ + daily/ │ │
│ │ │ │ │ │ │ │
│ │ (survives │ │ (semantic │ │ (human- │ │
│ │ compaction)│ │ search) │ │ readable) │ │
│ └─────────────┘ └─────────────┘ └─────────────┘ │
│ │ │ │ │
│ └────────────────┼────────────────┘ │
│ ▼ │
│ ┌─────────────┐ │
│ │ WAL 日志 │ ← 写前日志，防数据丢失 │
│ └─────────────┘ │
│ │
│ 全程零外部 API · 零数据出域 · 离线可用 │
└─────────────────────────────────────────────────────────────────┘
三层存储系统
| 层级 | 文件/系统 | 用途 | 持久化 | 免费版支持 |
|---|---|---|---|---|
| L1 热内存 | SESSION-STATE.md | 活跃任务上下文 | 抗压缩/重启 | ✅ 完整支持 |
| L2 温向量 | LanceDB Vectors | 语义检索 | 本地向量库 | ✅ 基础检索 |
| L3 冷归档 | MEMORY.md + daily/ | 人类可读长期记忆 | 文件持久化 | ✅ 完整支持 |
使用流程
- 阅读## 核心能力章节了解skill功能
- 按## 依赖说明配置环境
- 执行所需能力对应的命令
- 参考## 错误处理章节处理异常
- 查看## FAQ解答常见疑问
本工具属中等复杂度，基础上手 < 120 秒，完整初始化 < 300 秒。
60 秒极速体验（已有 Ollama）
# 依赖说明
ollama pull nomic-embed-text
# 初始化记忆系统
node bin/init.js
# 存储第一条记忆
node bin/memory.js store "用户喜欢深色模式" --importance 0.9 --category preference
# 检索记忆
node bin/memory.js search "用户界面偏好"
120 秒基础上手（需安装 Ollama）
# 第 1 步：安装 Ollama（macOS/Linux）
curl -fsSL https://ollama.com/install.sh | sh
# Windows 用户从官网下载安装包
# https://ollama.com/download
# 第 2 步：拉取 embedding 模型
ollama pull nomic-embed-text
# 第 3 步：安装项目依赖
cd skills/local-vector-memory
npm install
# 第 4 步：初始化记忆系统
node bin/init.js
初始化后创建以下文件：
| 文件/目录 | 用途 |
|---|---|
SESSION-STATE.md | 热内存，活跃任务上下文 |
MEMORY.md | 长期记忆，人类可读归档 |
memory/ | 每日日志目录 |
memory/vectors/ | LanceDB 向量数据库 |
300 秒完整配置（含 Agent 平台集成）
在 Agent 平台配置文件中添加插件配置：
{
"plugins": {
"entries": {
"local-vector-memory": {
"enabled": true,
"config": {
"ollamaUrl": "http://localhost:11434",
"embeddingModel": "nomic-embed-text",
"dbPath": "./memory/vectors",
"autoRecall": false,
"autoCapture": false
}
}
}
}
}
注意：免费版
autoRecall和autoCapture固定为false，需手动调用记忆工具。
启用后可使用以下工具：
| 工具 | 功能 | 免费版 |
|---|---|---|
memory_recall | 搜索相关记忆 | ✅ 基础检索 |
memory_store | 存储重要信息 | ✅ 完整支持 |
memory_forget | 删除记忆 | ✅ 完整支持 |
结果处理: 执行完成后,查看输出结果确认操作状态。成功时输出包含处理摘要和结果数据;失败时根据错误信息排查问题,查阅错误处理章节获取恢复步骤。
示例
场景 1：个人开发者偏好记忆
角色：独立开发者，使用 Agent 辅助编码 痛点：每次新会话都要重新说明偏好（深色模式、Tab 宽度、命名风格）
# 存储开发偏好
node bin/memory.js store "用户使用 2 空格缩进，偏好驼峰命名" --importance 0.9 --category preference
node bin/memory.js store "用户主要用 TypeScript 和 Python" --importance 0.8 --category skill
# 新会话开始时检索
node bin/memory.js search "用户编码偏好"
# 返回：2 空格缩进、驼峰命名、TypeScript/Python
# 更新热内存
# SESSION-STATE.md 自动追加：
# - 编码偏好：2 空格、驼峰命名
# - 技术栈：TypeScript、Python
效果：Agent 在新会话立即知道你的偏好，无需重复说明。
场景 2：医疗行业隐私合规记忆
角色：医疗 AI 助手开发者 痛点：患者信息不可出域，但需要跨会话记住患者病史
# 初始化时确保完全离线
ollama serve # 启动本地服务
# 存储患者概况（脱敏后）
node bin/memory.js store "患者A：高血压病史3年，药物控制中" --importance 0.95 --category medical_history
node bin/memory.js store "患者A：对青霉素过敏" --importance 1.0 --category allergy
# 下次问诊前检索
node bin/memory.js search "患者A 过敏史"
# 返回：青霉素过敏
node bin/memory.js search "患者A 慢性病"
# 返回：高血压3年
效果：数据完全留在本机，满足 HIPAA/隐私合规要求，离线可用。
场景 3：离线环境知识库构建
角色：野外考察研究员，无网络环境 痛点：需要在离线环境下记录和检索考察笔记
# 离线环境下（无网络）
# Ollama 本地运行，无需联网
# 记录考察发现
node bin/memory.js store "样地A：发现稀有兰花品种，海拔1200米" --importance 0.9 --category observation
node bin/memory.js store "样地A：土壤pH值5.8，湿度偏高" --importance 0.7 --category measurement
# 语义检索（即使关键词不完全匹配）
node bin/memory.js search "兰花生长环境"
# 返回：样地A的土壤和海拔数据
# 导出备份
node bin/memory.js export --format json > expedition.json
效果：完全离线运行，语义检索比关键词匹配更精准。
WAL 协议（写前日志）
核心原则：先写状态，再回复。确保崩溃/压缩时不丢失上下文。
| 触发条件 | 动作 | 优先级 |
|---|---|---|
| 用户表达偏好 | 写入 SESSION-STATE.md → 然后回复 | 高 |
| 用户做出决策 | 写入 SESSION-STATE.md → 然后回复 | 高 |
| 用户给出期限 | 写入 SESSION-STATE.md → 然后回复 | 中 |
| 用户纠正你 | 写入 SESSION-STATE.md → 然后回复 | 高 |
| 重要事实出现 | 写入 MEMORY.md → 然后回复 | 中 |
为什么需要 WAL？ 如果先回复再保存，崩溃/压缩会导致上下文丢失。WAL 确保数据持久，即使 Agent 意外终止也能恢复。
智能提示词模板
在 Agent 的配置文件（如 AGENTS.md 或 SOUL.md）中添加：
## 记忆协议
### 会话开始时
1. 读取 SESSION-STATE.md — 获取热上下文
2. 使用 memory_recall 搜索相关历史
3. 检查 memory/YYYY-MM-DD.md 了解近期活动
### 对话中
- 用户给出具体细节？→ 先写入 SESSION-STATE.md，再回复
- 重要决策？→ 使用 memory_store 存储
- 表达偏好？→ memory_store --importance 0.9 --category preference
### 会话结束时
1. 更新 SESSION-STATE.md 最终状态
2. 重要内容移至 MEMORY.md
3. 创建/更新 memory/YYYY-MM-DD.md
维护命令
# 查看记忆统计
node bin/memory.js stats
# 浏览全部记忆
node bin/memory.js search "*" --limit 50
# 去重
node bin/memory.js dedup
# 导出备份
node bin/memory.js export --format json > memories.json
# 创建压缩备份
node bin/memory.js backup ./backups/memory-$(date +%Y%m%d).zip
# 清理旧记忆（30天前）
node bin/memory.js cleanup --before 30d
错误处理
| 序号 | 问题 | 可能原因 | 解决方案 | 优先级 |
|---|---|---|---|---|
| 1 | Ollama 连接失败 | Ollama 服务未启动 | 运行 ollama serve；检查 OLLAMA_HOST 环境变量 | 高 |
| 2 | 向量搜索无结果 | LanceDB 路径错误或无数据 | 确认 dbPath 配置；运行 node bin/memory.js stats 确认已存储记忆 | 高 |
| 3 | embedding 生成缓慢 | 模型首次加载 | 首次调用需加载模型到内存，后续调用毫秒级；预热：ollama run nomic-embed-text "" | 中 |
| 4 | 内存占用过高 | 向量库无限增长 | 运行 node bin/memory.js compact 压缩向量；node bin/memory.js cleanup --before 30d 清理旧记忆 | 中 |
| 5 | npm install 失败 | 网络问题或 Node 版本过低 | 确认 Node.js 18+；使用 npm install --registry https://registry.npmmirror.com | 高 |
| 6 | init.js 报权限错误 | 文件系统权限不足 | 确认对目标目录有读写权限；Linux/macOS 运行 chmod -R 755 ./memory/ | 中 |
| 7 | 检索结果不相关 | embedding 模型不匹配 | 确认使用 nomic-embed-text；重新初始化向量库 | 低 |
常见问题
Q1: 免费版能存储多少条记忆？
A: 免费版不限制存储数量。LanceDB 本地存储，容量取决于你的磁盘空间。建议定期运行 dedup 和 cleanup 保持记忆库精简。免费版限制的是高级检索功能（如向量过滤、批量检索），而非存储量。
Q2: 免费版需要联网吗？
A: 不需要。安装 Ollama 和拉取 nomic-embed-text 模型后，整个系统完全离线运行。数据不离开本机，适合隐私敏感和离线环境。
Q3: nomic-embed-text 的检索质量够用吗？
A: 对于个人使用和中小规模记忆库（< 10万条），nomic-embed-text 的质量足够。它支持 768 维向量，在常见语义检索基准上表现接近 OpenAI text-embedding-3-small。如果需要更高质量，专业版支持切换其他 embedding 模型。
Q4: 免费版和专业版的核心区别是什么？
A: 免费版提供核心存储、基础向量检索、WAL 协议、热内存持久化。专业版新增三项高级能力：(1) LanceDB 高级向量搜索（过滤、批量、混合检索）；(2) 自动召回与捕获（无需手动调用）；(3) Git-Notes 知识图谱（结构化决策存储）。
Q5: 如何从免费版升级到专业版？
A: 专业版使用相同的存储格式和数据结构，升级时只需替换 SKILL.md 并更新插件配置中的 autoRecall 和 autoCapture 为 true。已有记忆数据无需迁移，无缝继承。
Q6: 数据存储在哪里？如何备份？
A: 所有数据存储在本地 memory/ 目录下：向量数据在 memory/vectors/（LanceDB），日志在 memory/YYYY-MM-DD.md，热内存在 SESSION-STATE.md。备份使用 node bin/memory.js backup ./backups/memory-YYYYMMDD.zip。
Q7: 支持哪些操作系统？
A: 支持 Windows、macOS、Linux。Ollama 在三大平台均有官方安装包。Node.js 需 18+ 版本。
已知限制
本免费体验版限制以下高级功能：
- ❌ LanceDB 高级向量搜索：不支持元数据过滤、批量检索、混合检索策略，仅支持基础语义检索
- ❌ 自动召回与捕获：不支持
autoRecall和autoCapture，需手动调用memory_recall工具 - ❌ Git-Notes 知识图谱：不支持结构化决策存储与分支感知的冷存储层
注意：免费版不限制使用次数、不限制存储量、不添加水印、不强制注册。核心功能完整可用，适合充分体验本地向量记忆的价值。
解锁全部高级功能请使用专业版：local-vector-memory-pro
依赖说明
运行环境
- Agent 平台: 支持SKILL.md的任意AI Agent（Claude Code / Cursor / Codex / Gemini CLI 等）
- 操作系统: Windows / macOS / Linux
- Node.js: 18+（用于运行记忆管理脚本）
- Ollama: 本地 embedding 引擎，需独立安装
第三方依赖
| 依赖项 | 类型 | 是否必需 | 获取方式 | 版本要求 |
|---|---|---|---|---|
| Ollama | 本地服务 | 必需 | https://ollama.com/download | 0.1.0+ |
| nomic-embed-text | embedding 模型 | 必需 | ollama pull nomic-embed-text | latest |
| LanceDB (vectordb) | npm 包 | 必需 | npm install vectordb | 0.9.0+ |
| Node.js | 运行时 | 必需 | https://nodejs.org | 18+ |
API Key 配置
- 本 Skill 基于本地运行，无需任何 API Key
- Ollama 默认监听
http://localhost:11434，无需认证 - 如需远程 Ollama 服务，设置
OLLAMA_HOST环境变量
可用性分类
- 分类: MD+EXEC（纯 Markdown 指令，部分功能需要 exec 命令行执行能力）
- 说明: 基于Markdown的AI Skill，通过自然语言指令驱动Agent执行记忆管理任务
License 与版权声明
本 skill 基于原始作品改进，保留原始版权声明：
- 原始作品：elite-longterm-memory-local
- 原始 license：MIT
- 改进作品：© 2026 Local Vector Memory Team
- 改进 license：MIT
本改进作品在原始作品基础上进行了深度差异化改造，包括但不限于：
- 重构 frontmatter 元数据，新增 edition 字段区分免费/专业版
- 新增痛点对策速查表、本地 vs 云端对比表
- 新增 3 个真实场景示例（开发者偏好、医疗合规、离线考察）
- 新增 FAQ（7 问）和故障排查表（7 项）
- 新增分级时间快速开始（60s/120s/300s）
- 新增免费版限制说明与专业版引导
- 优化架构图与三层存储说明
- 新增依赖说明章节与版本兼容性
本地优先，隐私至上。免费体验，专业解锁。
核心能力
面向隐私敏感与离线场景的本地向
面向隐私敏感与离线场景的本地向量记忆系统免费体验版
输入: 用户提供面向隐私敏感与离线场景的本地向所需的指令和必要参数。 处理: 按照skill规范执行面向隐私敏感与离线场景的本地向操作,遵循单一意图原则。 输出: 返回面向隐私敏感与离线场景的本地向的执行结果,包含操作状态和输出数据。
- 执行此能力时使用
input_params参数,支持创建/查询/导出操作
基于 LanceDB + 纯本地 emb
基于 LanceDB + 纯本地 embedding（Ollama/nomic-embed-text），实现零外部 API 调用、零数据出域、完全离线可用的语义记忆检索
输入: 用户提供基于 LanceDB + 纯本地 emb所需的指令和必要参数。 处理: 按照skill规范执行基于 LanceDB + 纯本地 emb操作,遵循单一意图原则。 输出: 返回基于 LanceDB + 纯本地 emb的执行结果,包含操作状态和输出数据。
- 执行此能力时使用
input_params参数,支持创建/查询/导出操作
免费版提供核心存储、热内存持久化、WAL
免费版提供核心存储、热内存持久化、WAL 写前日志等基础能力，适合个人开发者快速体验本地向量记忆的价值
输入: 用户提供免费版提供核心存储、热内存持久化、WAL所需的指令和必要参数。 处理: 按照skill规范执行免费版提供核心存储、热内存持久化、WAL操作,遵循单一意图原则。 输出: 返回免费版提供核心存储、热内存持久化、WAL的执行结果,包含操作状态和输出数据。
- 执行此能力时使用
input_params参数,支持创建/查询/导出操作
核心能力包括本地 embedding 引
核心能力包括本地 embedding 引擎（Ollama nomic-embed-text，毫秒级延迟）、LanceDB 向量库基础检索、SESSION-STATE
输入: 用户提供核心能力包括本地 embedding 引所需的指令和必要参数。 处理: 按照skill规范执行核心能力包括本地 embedding 引操作,遵循单一意图原则。 输出: 返回核心能力包括本地 embedding 引的执行结果,包含操作状态和输出数据。
- 执行此能力时使用
input_params参数,支持创建/查询/导出操作
md 热内存持久化（抗压缩/重
md 热内存持久化（抗压缩/重启）、WAL 写前日志协议（防数据丢失）、三层冷热分层存储架构、一键初始化与维护命令
输入: 用户提供md 热内存持久化（抗压缩/重所需的指令和必要参数。 处理: 按照skill规范执行md 热内存持久化（抗压缩/重操作,遵循单一意图原则。 输出: 返回md 热内存持久化（抗压缩/重的执行结果,包含操作状态和输出数据。
- 执行此能力时使用
input_params参数,支持创建/查询/导出操作
技术参数：使用input_params和output_format参数控制执行行为,支持json/text/csv输出格式。
能力覆盖范围：本skill的核心能力覆盖以下场景关键词：零云依赖的本地向、量记忆免费版、隐私不出域、核心存储与检索开、箱即用、Use、when、需要数据库操作、SQL、数据存储管理时使、不适用于数据库架、构设计决策等。这些关键词对应description中声明的使用场景,均已在上述能力点中提供对应的操作支持。
适用场景
角色：独立开发者，使用 Agent 辅助编码 痛点：每次新会话都要重新说明偏好（深色模式、Tab 宽度、命名风格）
- Downloads
- Security audit
- Review
- Last updated
- 1d ago
- Current version
- v1.0.0
- License
- MIT-0