这个方案解决什么问题

OpenClaw 的记忆机制是内置的，一旦上下文窗口被压缩，之前的对话记忆就丢了。重装更惨，所有积累归零。MemOS 的思路很直接：把记忆外置到本地服务，脱离 OpenClaw 本身的生命周期管理。这样做有两个好处——记忆持久化不怕丢失，同时通过 embedding 模型做语义检索，比暴力塞上下文省 token。

官方数据称比 OpenAI Memory 准确率高 43.70%，token 节省 35.24%。省下来的钱可以换更好的模型，这笔账算得过来。

安装与配置

安装完成后，运行重启命令让 OpenClaw 加载本地记忆服务。启动成功后浏览器访问 http://127.0.0.1:18799，设置密码即可进入管理界面。

关键配置有三项：

1. Embedding 模型

用于语义检索，是节省 token 的核心。推荐用硅基流动的接口，费用远低于大模型：

  • 地址：https://api.siliconflow.cn/v1
  • 模型：BAAI/bge-m3

2. 摘要模型

用来总结对话、提炼 SOP 和经验：

  • 地址：https://api.deepseek.com/v1
  • 模型：deepseek-chat

3. Skill 生成模型

这一项可选，但配一个好模型生成的 Skill 质量更高。

三步配完，本地记忆系统就能跑起来了。

记忆移植：把积累带走

不少人遇到过 OpenClaw 用着用着崩了需要重装的情况，最心疼的就是里面积累的记忆。MemOS 的导入面板支持将 OpenClaw 的记忆迁移到外部存储，重装后直接恢复，没有后顾之忧。

移植完成后，在管理界面触发记忆优化和自动进化 Skill 功能，系统会对历史记忆做一轮整理和提炼。

自动进化的工作原理

这套机制的闭环逻辑值得拆解：

  1. 对话存储优化——持久化且语义索引，按需检索而非全量塞入上下文，直接省 token
  2. AI 分析对话——从历史对话中提取有价值的任务模式
  3. 识别重复任务——将高频操作总结沉淀为 Skill
  4. Skill 反哺效率——好的 Skill 减少重复劳动，进一步节约 token

整个流程自动运行。对话越多，积累的 Skill 越丰富，OpenClaw 的表现就越好。这本质上是在做一个正反馈飞轮：用得越多 → 记忆越丰富 → Skill 越精准 → token 消耗越低 → 同样预算能做更多事。

部署踩坑记录

项目地址在 GitHub 的 MemTensor/MemOS 仓库下 apps/memos-local-openclaw 目录。本地部署有两个常见问题：

  • better-sqlite3 编译失败：这是 C++ 原生模块，需要按官方文档配置编译环境
  • 启动后无响应：这实际上是 OpenClaw 的 Bug，需要完全杀掉旧进程后执行 openclaw gateway install --force 重新安装

如果不想折腾本地部署，项目方也提供了近乎免费的云端版本。

怎么看这件事

OpenClaw 的生态正在复刻早期 Linux 的路径——产品本身粗糙，但因为足够开放，社区在快速补齐短板。MemOS 就是典型案例：官方没解决好的记忆和 Skill 问题，第三方用一个本地服务就接上了。

个人助理式 Agent 这条赛道目前还没看到真正的壁垒，但方向已经明确。对独立开发者来说，现在值得做的不是等产品完美，而是尽早跑通"记忆 + Skill 自动沉淀"这套工作流——它决定了你和 AI 协作的效率上限。