OpenClaw 記憶機制優化：本地 Embeddings 與自主重啟實錄

1444 字

7 分鐘

OpenClaw 記憶機制優化：本地 Embeddings 與自主重啟實錄

2026-02-05

AI

OpenClaw

/

AI

/

開發工具

/

LocalAI

/

Embeddings

「Agent 又當機了。」

這是我最近最常遇到的狀況。隨著對話深入，累積的 Token 數量輕易就撐爆了 Context Window，導致回應越來越慢，甚至開始出現幻覺與記憶錯亂。唯一的解法似乎只有輸入 /new 強制重置——但代價是，它瞬間忘記了我們剛討論到一半的深層邏輯。

這種在「系統癱瘓」與「失憶重置」之間的無限輪迴，讓我意識到單純依賴長 Context 是死路一條。

本文記錄了我如何將 OpenClaw 的記憶系統從依賴雲端全面轉向 本地化 (Local-First)。透過高效的本地向量檢索（Local Embeddings），讓 Agent 能精準「想起」需要的片段，而無需背負沉重的對話歷史包袱。

1. 記憶模式的演進：為何選擇 Local？#

在面對 Token 爆炸危機時，RAG (Retrieval-Augmented Generation) 是唯一的救贖。但預設的雲端 Embeddings (OpenAI/Gemini) 在高頻檢索下暴露了致命傷：

高昂的成本 (Cost)：Embedding 模型的 Token 費用雖然單價低，但在高頻率的 RAG 運作下（每一句話都要計算向量），長期累積下來是一筆可觀且不必要的開銷。我並沒有購買額外的 Embedding 配額。
資料隱私 (Privacy)：將私人的對話紀錄與記憶上傳到遠端伺服器，在本質上就讓人感到不適且不安全。本地化是唯一能讓我安心的選擇。
延遲與體驗 (Performance)：本地運算能消除網路請求的延遲，讓記憶檢索幾乎是瞬時完成，這對於流暢的對話體驗至關重要。

參考了 OpenClaw 官方文件：Memory Concepts 後，我們決定啟用 Local Hybrid Embeddings 方案，結合 BM25 關鍵字搜尋與 Vector 語意搜尋。

技術決策：為何暫緩使用 Project Golem (qmd)？#

在評估本地搜尋方案時，我們也深入研究了 Project Golem 及其核心指令 qmd (Query Markup Documents)。這套基於 Rust 的進階後端擁有極強的效能與 LLM Re-ranking（重排序）機制，能提供高達 93% 的準確率。

然而，考慮到目前的專案規模（數十至數百個 Markdown 檔案），我們選擇了 OpenClaw 內建的 Local Hybrid 方案，原因如下：

架構簡潔 (Simplicity)：內建方案開箱即用，無需額外配置 Rust 或 Bun 運行環境。
效能足夠 (Good Enough)：在 M4 晶片的加持下，內建的混合搜尋已能提供毫秒級的響應，且準確度完全滿足當前的對話需求。
升級路徑：我們將 qmd 視為未來的「重型武器」。當記憶庫累積到成千上萬份導致內建搜尋變慢時，再切換至 memory.backend = "qmd" 將是完美的升級路徑。

目前的設定，是在「極致精準」與「輕量維運」之間找到的最佳平衡點。

方案比較表#

為了讓你更清楚各方案的定位，我整理了這份對照表：

特性	OpenClaw Native (本篇推薦)	Project Golem (qmd)
核心技術	Node.js / `node-llama-cpp`	Rust / `surrealdb`
檢索機制	混合搜尋 (Hybrid) (BM25 + Vector)	Deep Search (Hybrid + LLM Reranker)
響應速度	⚡️ 毫秒級 (Instant)	🐢 需等待 LLM 重排
環境依賴	無 (內建)	需安裝 Rust 工具鏈
適用場景	個人開發 / 即時對話	巨量技術文檔庫 / 複雜研究

2. 自主修復紀錄：解鎖 `commands.restart`#

遷移過程並非一帆風順。在修改了 openclaw.json 將 provider 切換為 local 後，我們遇到了一個尷尬的循環：

Agent 知道設定已變更，但舊的 Gateway 實例仍在運行，因此新設定無法生效。

通常這需要人類介入，手動重啟終端機。但如果 Agent 能「感知」到環境變更並自我重啟呢？

我們在設定中解鎖了 commands.restart 權限。這賦予了 Agent 一個新的能力：當檢測到核心設定（如記憶提供者）變更時，能夠主動發出重啟指令，自我刷新運行時狀態。

⚠️ 風險與安全警告：開啟 restart 權限雖方便，但請務必小心：

穩定性風險：如果新設定檔有錯，Agent 可能陷入「嘗試修復 -> 重啟失敗 -> 再次重啟」的無限迴圈。

安全疑慮：此權限屬於高敏感操作。若 Agent 遭遇 Prompt Injection 攻擊，惡意指令可能利用此機制反覆重啟 Gateway，造成服務阻斷 (DoS)。建議僅在受信任的本地開發環境中開啟。

這不僅是便利性的提升，更是 Agent 邁向「自主維運」的一小步。

3. 最終設定範本#

經過反覆測試與優化，以下是目前運作最穩定、能夠在本地完美運行記憶檢索的 openclaw.json 設定片段：

1
{
2
  "agents": {
3
    "defaults": {
4
      "memorySearch": {
5
        // 核心變更：切換至 local 提供者
6
        "provider": "local",
7
        "fallback": "none",
8
        "options": {
9
          // 指定使用輕量級且高效的 MiniLM 模型
10
          "model": "Xenova/all-MiniLM-L6-v2"
11
        }
12
      }
13
    }
14
  },
15
  "permissions": {
16
    "commands": {
17
      // 關鍵權限：允許 Agent 自主重啟以應用變更
18
      "restart": true
19
    }
20
  }
21
}