OpenClaw 用久了，有个根本问题：对话一长，AI 就开始"失忆"。
之前聊过的内容、解决过的问题，下次再问又要从头解释。
今天介绍一个插件，专门解决这个痛点——MemOS Local，让 OpenClaw 拥有真正持久化的本地记忆。
MemOS Local 是什么？
MemOS Local 是 OpenClaw 的本地化记忆服务插件。所有数据存储在本地，不上传云端，完全离线可用。
核心定位：给 OpenClaw 装一个"本地记忆大脑"，每次对话自动整理、自动总结、自动进化。
六大核心能力
| 能力 | 说明 |
|---|---|
| 全量记忆写入 | 每次对话自动捕获，语义分块后持久化，不丢失关键信息 |
| 混合智能检索 | FTS5 + 向量双通道检索，语义相关而非关键词匹配 |
| 任务自动总结 | 多轮对话自动归纳为结构化任务经验 |
| 技能自动进化 | 成功经验自动沉淀为可复用技能，持续升级 |
| 原生记忆导入 | 一键迁移 OpenClaw 原生记忆，智能去重、断点续传 |
| 多智能体协同 | 记忆隔离 + 公共记忆 + 技能共享，多 Agent 协同进化 |
工作原理：四条智能流水线
MemOS Local 的核心是四条自动运行的流水线，每条解决一个问题：
流水线一：记忆写入
对话 → Capture → 语义分片 → 内容哈希去重 → LLM 摘要 → 向量化 → SQLite 存储
关键机制：
• 系统消息自动跳过
• 工具调用结果不会重复存储
• SHA-256 内容哈希防止同一会话内重复 chunk
流水线二：任务生成
新 chunks → 按用户轮次分组 → LLM 话题判断
• 同一话题归入当前任务
• 新话题创建新任务
• 时间间隔超过 2 小时强制分割
结果：碎片化的对话被整理成结构化任务记录——目标、步骤、结果、关键细节完整保留。
流水线三：技能进化
已完成任务 → 规则过滤 → 检索相关已有技能
• 找到相关技能 → 评估升级（refine/extend/fix）
• 无相关技能 → 评估新建 SKILL.md + 脚本 + 验证项
• 质量评分 ≥ 6 自动安装
这就是它最厉害的地方——Agent 越用越聪明，同类问题不再重复踩坑。
流水线四：智能检索
查询 → FTS5 + 向量双通道召回 → RRF 融合 → MMR 重排 → 时间衰减过滤 → Top-K → LLM 相关性过滤 → 返回摘录
技术亮点：
• RRF（倒数排名融合）：两个检索通道合并为统一得分
• MMR（最大边际相关）：重排兼顾相关性与多样性
• 时间衰减：近期记忆加权提升，默认半衰期 14 天
安装步骤
环境要求
| 要求 | 版本 |
|---|---|
| Node.js | >= 18.0.0 |
| OpenClaw | >= 2026.2.0 |
| 系统 | Linux / macOS / Windows 均支持 |
第一步：安装插件
openclaw plugins install @memtensor/memos-local-openclaw-plugin@latest
第二步：安装依赖（部分系统需要）
cd ~/.openclaw/extensions/memos-local-openclaw-plugin
npm install
npm rebuild better-sqlite3第三步：重启网关
openclaw gateway restart
验证安装
openclaw status
看到以下输出说明安装成功：
Memory │ enabled (plugin memos-local-openclaw-plugin)
memos-local: initialized (db: ~/.openclaw/memos-local/memos.db)
数据存储位置
| 内容 | 路径 |
|---|---|
| 插件本体 | ~/.openclaw/extensions/memos-local-openclaw-plugin |
| 记忆数据 | ~/.openclaw/memos-local/memos.db |
| Memory Viewer | http://127.0.0.1:18799 |
插件代码与数据完全分离，升级插件不会删除已有记忆。
内置管理面板
MemOS Local 提供 6 个本地面板页面，完全可视化：
| 页面 | 功能 |
|---|---|
| Memories | 时间线浏览、CRUD 操作、语义搜索 |
| Tasks | 任务列表、状态筛选、结构化总结 |
| Skills | 技能管理、版本历史、一键下载 |
| Analytics | 读写统计、活跃度图表、记忆分布 |
| Logs | 工具调用日志、输入输出、耗时统计 |
| Settings | 在线配置、模型切换、参数调优 |
效果数据
| 指标 | 提升幅度 |
|---|---|
| LLM Judge Score | 提升约 18% |
| 平均交互轮次 | 减少 53%（116轮 → 54轮） |
| 单次任务 Input Token | 减少 30.8% |
| 总 Token 消耗 | 节省近 49% |
与 mem9 的区别
| 维度 | mem9 | MemOS Local |
|---|---|---|
| 存储 | 云端 | 完全本地 SQLite |
| 隐私 | 数据上传云端 | 零上传 |
| 跨设备 | 支持 | 不支持 |
| 任务总结 | 无 | 有 |
| 技能进化 | 无 | 有 |
| 分级模型 | 无 | Embedding 轻量 / 摘要中等 / 技能高质量 |
说在最后
如果你的 OpenClaw 经常需要处理复杂、长周期的任务，MemOS Local 是一个值得投入的升级。
它解决的不只是"记住对话"这个问题，而是让 AI 真正从历史经验中学习、把成功方案固化为可复用技能。
长期来看，这会显著减少 Token 消耗、提升 AI 执行效率。