替代小龙虾OpenClaw自带的memory-enhancement-engine记忆引擎使用Claude-Mem升级小龙虾大脑记忆实现原生永久长效记忆

admin · 发表于 6 天前

马上注册，免费下载更多dz插件网资源。

您需要登录才可以下载或查看，没有账号？立即注册

×

替代小龙虾OpenClaw自带的memory-enhancement-engine记忆引擎使用Claude-Mem升级小龙虾大脑记忆实现原生永久长效记忆：

🔍 Claude-Mem 核心架构

基于DZ插件网小龙虾 claw.dz-x.net 对接经验分享，由 DZ插件网统一算力平台：api.dz-x.net(支持任何站长接入，解决token焦虑) 提供算力支撑（已支持语音接口、图片识别接口，已接入阿里云API短信、正在接入阿里云语音电话API）。

工作原理

用户操作 → 自动捕获 (tool usage) → AI 压缩 (10x token 优化) → SQLite 存储 → 语义检索 → 注入会话

关键特性

特性	实现方式
持久化记忆	~/.claude-mem/本地存储
自动捕获	记录所有 tool usage (file reads/writes/searches)
AI 压缩	Claude agent-sdk 语义压缩 (约 10x)
记忆注入	相关记忆自动注入新会话
三层检索	search → timeline → get_observations

📊 与现有 memory-enhancement-engine 对比

维度	Claude-Mem	现有 memory-enhancement-engine
捕获方式	✅ 自动 (tool usage hooks)	❌ 手动 (需调用脚本)
压缩方式	✅ AI 语义压缩 (10x)	⚠️ 规则 + 摘要 (需人工触发)
存储后端	✅ SQLite (高性能)	⚠️ Markdown 文件
检索方式	✅ 语义搜索 + 自然语言	⚠️ 关键词 + 语义 (Gemini embedding)
记忆注入	✅ 自动注入会话	❌ 需手动调用 memory_search

🔍 阶段 1：挂载点 (Hooks) 可行性分析

✅ 已确认的 OpenClaw 原生 Hooks

Hook 类型	事件名称	触发时机	用途
Plugin Hooks	before_tool_call	工具调用前	拦截工具参数
Plugin Hooks	after_tool_call	工具调用后	捕获工具结果 ✅
Plugin Hooks	message_received	收到消息时	捕获用户输入
Plugin Hooks	message_sending	发送消息前	捕获 AI 回复
Internal Hooks	command:new	新会话创建	初始化上下文

✅ 最佳挂载点组合

用户消息 → message_received → 捕获输入

↓ AI 思考 → before_tool_call → 拦截工具调用

↓ 工具执行 → after_tool_call → 捕获结果 ✅ (核心记忆源)

↓ AI 回复 → message_sending → 捕获输出

↓ 会话结束 → command:stop → 触发 AI 压缩 ✅

↓ 下次启动 → gateway:startup → 注入相关记忆 ✅

🗄️ 阶段 2：SQLite Schema 设计

核心表结构

-- 记忆主表

CREATE TABLE memories (

id INTEGER PRIMARY KEY AUTOINCREMENT,

session_key TEXT NOT NULL, -- 会话 ID

event_type TEXT NOT NULL, -- 'tool_call' | 'message' | 'session_end'

timestamp_ms INTEGER NOT NULL, -- 时间戳 (毫秒)

-- 原始数据

raw_content TEXT NOT NULL, -- 原始内容 (JSON)

tool_name TEXT, -- 工具名称 (如 'exec', 'read')

tool_params TEXT, -- 工具参数 (JSON)

tool_result TEXT, -- 工具结果 (JSON)

-- AI 压缩

compressed_summary TEXT, -- AI 生成的语义摘要

embedding_vector BLOB, -- Gemini embedding (1024 维)

token_count_before INTEGER, -- 压缩前 token 数

token_count_after INTEGER, -- 压缩后 token 数

-- 检索优化

tags TEXT, -- 自动标签 (JSON 数组)

importance_score REAL DEFAULT 0.5, -- 重要性评分 (0-1)

access_count INTEGER DEFAULT 0, -- 访问次数 (热度)

last_accessed_ms INTEGER, -- 最后访问时间

created_at INTEGER DEFAULT (strftime('%s', 'now') * 1000),

updated_at INTEGER DEFAULT (strftime('%s', 'now') * 1000) );

-- 索引优化

CREATE INDEX idx_memories_session ON memories(session_key);

CREATE INDEX idx_memories_event_type ON memories(event_type);

CREATE INDEX idx_memories_timestamp ON memories(timestamp_ms DESC);

CREATE INDEX idx_memories_importance ON memories(importance_score DESC);

CREATE INDEX idx_memories_tags ON memories(tags);

-- 会话上下文表 (用于快速注入)

CREATE TABLE session_contexts (

session_key TEXT PRIMARY KEY,

project_name TEXT, -- 项目名称 (如 'dz-x.net')

last_summary TEXT, -- 上次会话摘要

key_decisions TEXT, -- 关键决策 (JSON 数组)

pending_tasks TEXT, -- 待办任务 (JSON 数组)

created_at INTEGER,

updated_at INTEGER );

🤖 阶段 3：AI 压缩触发时机

三层压缩策略

层级	触发时机	压缩方式	Token 优化
L1: 实时捕获	after_tool_call	规则过滤 (去重/白噪音)	20-30%
L2: 会话结束	command:stop	AI 语义摘要 (Gemini)	60-70%
L3: 定期归档	每日凌晨 (cron)	跨会话合并 + 主题聚类	80-90%

L2 压缩流程 (会话结束时)

会话结束 (command:stop)

↓

收集本次会话所有 memories (raw_content)

↓
调用 Gemini API 生成摘要

Prompt: "将以下操作记录压缩为 3-5 条关键决策，每条不超过 50 字"

↓
存储 compressed_summary + embedding_vector

↓
更新 session_contexts (last_summary, key_decisions)

↓
删除原始 raw_content (仅保留压缩后内容)

💉 阶段 4：上下文自动注入策略

注入触发条件

场景	触发条件	注入内容
新会话创建	command:new	最近 3 次会话摘要 + 待办任务
网关启动	gateway:startup	全局项目状态 (所有 session_contexts)
用户提问	message_received	语义检索 Top 5 相关记忆
工具调用前	before_tool_call	相关工具的历史使用记录

语义检索流程

用户消息："Discuz X5 的 PHP7.4 补丁进度如何？"

↓

调用 Gemini embedding-001 生成查询向量

↓
SQLite 向量相似度搜索 (余弦相似度)

SELECT * FROM memories

WHERE cosine_similarity(embedding_vector, ?) > 0.75

ORDER BY similarity DESC LIMIT 5

↓
注入到 AI 上下文

System: "以下是相关历史记忆：[5 条压缩摘要]"

↓
AI 生成回答 (基于注入的记忆)

🔧 阶段 5：OpenClaw 原生实现路径

方案 A：Hook 中间件（推荐）

位置: ~/.openclaw/hooks/openclaw-mem/openclaw-mem/

├── HOOK.md # 元数据 + 文档

├── handler.ts # 主处理器

├── memory-service.ts # 记忆服务 (SQLite + AI 压缩)

├── schema.sql # SQLite Schema

└── package.json # 依赖 (better-sqlite3, @google/generative-ai)

优势: 0 ✅ OpenClaw 原生支持，无需修改核心代码 0 ✅ 自动发现，openclaw hooks enable openclaw-mem 即可启用

0 ✅ 与现有 session-memory hook 兼容

方案 B：Plugin 插件

位置: ~/.openclaw/plugins/openclaw-mem/openclaw-mem/

├── plugin.json

├── index.ts # 插件入口

├── hooks/

│ ├── after_tool_call.ts

│ ├── command_stop.ts

│ └── gateway_startup.ts

└── services/

├── sqlite-service.ts

└── compression-service.ts 优势: 0 ✅ 更强大的扩展能力 0 ✅ 可注册自定义命令 (如 /mem search)

⚖️ 大圣的决策建议

推荐：[A] Hook 中间件方案

理由:

✅ OpenClaw 官方推荐方式 (文档明确支持)
✅ 轻量级，仅拦截关键事件
✅ 与现有 hooks 无缝集成
✅ 开发成本低 (预计 4-6 小时)

实施步骤:

创建 ~/.openclaw/hooks/openclaw-mem/
实现 handler.ts (监听 5 个关键事件)
初始化 SQLite 数据库
集成 Gemini embedding-001
测试自动捕获 + 压缩 + 注入

📋 与现有 memory-enhancement-engine 协同

功能	现有引擎	openclaw-mem	协同方式
记忆存储	Markdown 文件	SQLite	迁移或并存
嵌入模型	Gemini embedding-001	Gemini embedding-001	✅ 复用
检索方式	手动调用脚本	自动注入	互补
压缩方式	规则 + 摘要	AI 语义压缩	升级

迁移策略: 保留现有 69 个记忆文件作为历史归档 openclaw-mem 从启用之日起自动捕获新记忆

提供迁移工具 (可选): python3 migrate-to-sqlite.py

✅ 关键成果

功能	状态	证明
AI 压缩	✅ 工作	DeepSeek API 生成 3 条摘要
向量嵌入	✅ 工作	Gemini embedding-001
语义检索	✅ 工作	余弦相似度 0.679
数据库	✅ 工作	13 条记录，1 条 AI 摘要

🎯 预期效果

生产环境行为

自动捕获: 每次工具调用、用户消息自动存储
会话结束: 自动生成 AI 摘要（DeepSeek API）
语义检索: 用户提问时自动检索相关记忆（相似度 >0.5）
上下文注入: Top 3-5 相关记忆注入到 AI 上下文

Token 优化

场景	优化前	优化后	优化率
长会话历史	10,000 tokens	1,000 tokens	90%⬇️
跨会话检索	全量加载	Top 5 记忆	80%⬇️
会话摘要	人工总结	AI 自动生成	100%⬆️效率

⚠️ 注意事项

首次启用: 数据库自动创建（~/.openclaw/openclaw-mem.db）
API 成本: DeepSeek（摘要）+ Gemini（Embedding）按量计费
隐私控制: 敏感操作不会存储（Bash 命令结果已过滤）
性能影响: <10ms/次（SQLite + 本地缓存）

©DZ插件网所发布的一切资源仅限用于学习和研究目的；不得将上述内容用于商业或者非法用途，否则，一切后果请用户自负。
本站内容为站长个人技术研究记录或网络，不提供用户交互功能，所有内容版权归原作者所有。您必须在下载后的24个小时之内，从您的电脑中彻底删除上述内容。如果您喜欢该程序，请支持正版软件，得到更好的正版服务。
您在本站任何的赞助购买、下载、查阅、回复等行为等均表示接受并同意签订《DZ插件网免责声明协议》。
如有侵权请邮件与我们联系处理: discuzaddons@vip.qq.com 并出示相关证明以便删除。敬请谅解！