Semantic Memory Search - 语义记忆搜索

Semantic Memory Search（语义记忆搜索）

在 OpenClaw 现有 markdown 记忆文件之上添加向量驱动的语义搜索，用含义而非关键词找到过去的记忆。

解决什么问题

OpenClaw 的记忆系统将所有内容存储为 markdown 文件 — 但随着记忆增长，找到上周二的那个决策变得不可能。没有搜索，只有滚动文件。

功能特点

• 单命令索引：将所有 OpenClaw markdown 记忆文件索引到向量数据库（Milvus）
• 语义搜索：用含义搜索，如”我们选了什么缓存方案？“能找到相关内容，即使没有”缓存”这个词
• 混合搜索：向量搜索 + BM25 全文搜索 + RRF 重排
• SHA-256 内容哈希：未更改的文件永不重新嵌入，零浪费
• 文件监视器：记忆文件变化时自动重新索引
• 任何嵌入提供商：OpenAI、Google、Voyage、Ollama 或完全本地（无需 API Key）

如何设置

第一步：安装 memsearch

pip install memsearch

第二步：运行配置向导

memsearch config init

第三步：索引记忆目录

memsearch index ~/path/to/your/memory/

第四步：语义搜索

memsearch search "what caching solution did we pick?"

第五步：实时同步

启动文件监视器 — 每次文件变化自动索引：

memsearch watch ~/path/to/your/memory/

第六步：完全本地设置（无 API Key）

pip install "memsearch[local]"
memsearch config set embedding.provider local
memsearch index ~/path/to/your/memory/

成本估算

组件	成本
memsearch	免费（开源）
Milvus（本地）	免费
OpenAI 嵌入	$0.0001/1K tokens

关键洞察

• Markdown 保持事实来源：向量索引只是派生缓存，随时可以重建
• 智能去重节省金钱：每个 chunk 由 SHA-256 内容哈希标识，重新运行只嵌入新或更改的内容
• 混合搜索优于纯向量搜索：结合语义相似性和关键词匹配

局限性与适用条件

适用场景：

• 记忆文件增长后需要搜索
• 想用自然语言查询而非 grep
• 需要语义匹配而非精确匹配

不适用场景：

• 记忆量少（手动搜索足够）
• 完全离线环境（本地嵌入需要配置）

局限性：

• 需要维护向量数据库
• 嵌入成本随记忆量增长
• 初始索引需要时间

相关链接

• memsearch GitHub ⚠️ 链接需核实
• memsearch 文档 ⚠️ 链接需核实
• Milvus 向量数据库