「开源」Memory Palace 🦞版 一 致力于打造更适合openclaw的记忆系统，让你的小虾更懂你，帮助你科学养虾,已更新v1.1.2版本
- 内容介绍
- 文章标签
- 相关推荐
本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容：
- 我的帖子已经打上 开源推广 标签： 是
- 我的开源项目完整开源，无未开源部分： 是
- 我的开源项目已链接认可 LINUX DO 社区： 是
- 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是
- 以上选择我承诺是永久有效的，接受社区和佬友监督： 是
以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出
TL;DR — 给赶时间的佬友
极简版：这个项目给你的 OpenClaw 加一层真正能用的长期记忆。不是无脑往 MEMORY.md 里添加文本，而是一个有写入守卫、有检索引擎、有自动回忆、有自动捕获、有可视化 Dashboard 的完整记忆系统。
Memory Palace for OpenClaw
OpenClaw memory plugin + bundled skills. Install path, configuration, benchmark results, architecture, ACL isolation, MCP tools, and dashboard.
见相关介绍页
CleanShot 2026-04-23 at 08.50.38@2x1920×1147 207 KB
它解决什么问题
你告诉 OpenClaw「我喜欢用 claude进行任务编排方案设计、codex 进行代码实现。gemini实现前端方案设计」，新开一个 session 它就忘了。Memory Palace 让它跨 session 记住你。
用起来是什么体验
-
装好之后不用管。Auto-Recall 自动回忆，Auto-Capture 自动存储，基本无感
-
慢慢你会发现 越来越「懂你」
-
偶尔想手动干预（10%的场景下）？直接说「记住这个」「搜一下我的研究方向」就行，不需要记任何命令
怎么装
推荐方式：直接和 OpenClaw 对话完成安装。
- 先把插件克隆下来并运行安装脚本：
git clone https://github.com/AGI-is-going-to-arrive/Memory-Palace-Openclaw.git
cd Memory-Palace-Openclaw
python scripts/openclaw_memory_palace.py setup --profile b
-
装好后在 OpenClaw 里开始对话，把这个链接丢给它：对话式 Onboarding 文档，和它说「参照这个帮我完成 Memory Palace 的安装配置」
-
Onboarding Skill 会自动接管：帮你检查环境、探测 Provider 连通性、推荐合适的 Profile，你跟着它的提示选就行
整个过程一步步和 OpenClaw 对话就能搞定，不需要手动编辑配置文件。
关于 Profile 档位选择
上面安装命令用的是 --profile b，这是零配置基础档位，装完就能跑，但检索能力有限（用的是 hash embedding）。
条件允许的话，强烈建议上到 Profile C 或 D：
-
Profile C：需要 embedding + reranker API → 获得真正的语义检索
-
Profile D：再加一个 LLM API → 火力全开，Write Guard / 摘要 / 意图识别全部 LLM 加持
embedding 和 reranker 没有自备的？ 站内热心佬提供了公益站：https://linux.do/t/1914577
用量大的话还可以白嫖见下列帖子。
https://linux.do/t/topic/1993351/4
LLM 不用选择特别好的，我测试使用的是 gpt-5.4-mini，低档位的比如 qwen3.5-27b、gemma4-31b 这种智商以上的都行。
核心亮点速览
| 特性 | 说明 |
|---|---|
| 自动记 + 自动想 | 对话结束会自动存储，新开的对话自动搜索，后台运行无感知 |
| Write Guard 写入守卫 | 阻止重复、低质量、矛盾的记忆写入，Precision 1.000 |
| 4 个档位 Profile A->D | 零配置就能跑（B档），有 API 直接拉满（D档） |
| 可视化 Dashboard | 5 个页面：记忆浏览、审查回滚、搜索诊断，中英双语 |
| plugin + skills 架构 | 即插即用，不修改 OpenClaw 任何东西 |
| 多 Agent 记忆隔离 | ACL 实验特性，你配置的不同 Agent 各自的记忆互不干扰 |
支持 macOS / Windows / Linux，经过完整 benchmark 测试。
项目地址：觉得有用的话欢迎点个
AGI-is-going-to-arrive/Memory-Palace-Openclaw
以下是完整的项目介绍，感兴趣的佬友可以继续往下看
先上竞品对比，我先不猜，按事实告诉你（玩梗，非aigc ）
相关竞品
image1538×1107 134 KB
功能对比
| 功能 | Memory Palace | memory-core | Hindsight | lancedb-pro | ClawMem | hierarchical | Remnic | 12-Layer | Supermemory | Mem0 | OpenViking |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 混合检索 | YES | Partial | YES | YES | YES | NO(自动注入) | YES(6后端) | YES | YES(云端) | YES(云端) | YES(目录递归+向量) |
| Write Guard | 最强 | NO | NO | 衰减模型 | hash+语义+LLM | 防冗余规则 | 治理队列 | 去重 | 云端去重 | 云端去重 | URI去重 |
| 自动回忆 | YES | YES | YES | YES | YES | YES | YES | YES | YES | YES | YES(before_prompt_build) |
| 自动捕获 | YES | 靠 Agent | YES | YES(6类) | YES(13类) | YES(5分钟) | YES | YES(代谢) | YES(云端) | YES(云端) | YES(afterTurn+阈值commit) |
| 视觉记忆 | 自动捕获 | NO | NO | NO | NO | NO | NO | NO | NO | NO | YES(VLM+ov-import) |
| 意图识别 | YES(4类) | NO | NO | 分类提取 | YES(MAGMA) | NO | NO | NO | NO | NO | YES(意图分析检索) |
| Profile 档位 | A/B/C/D | NO | NO | NO | speed/bal/deep | NO | NO | NO | NO | NO | Local/Remote两模式 |
| Web Dashboard | 5页 | NO | NO | NO | NO | NO | NO | NO | NO | NO | Web Console+TUI |
| ACL 多智能体 | URI前缀 | NO | NO | 多范围隔离 | 身份映射 | 多会话 | NO | NO | 容器标签 | 长短期 | Header路由(Agent/Account/User) |
| 反思/元认知 | 反思车道 | NO | Reflect API | Weibull衰减 | A-MEM+睡眠 | 3层压缩 | NO | 12层最深 | NO | NO | L0/L1/L2分层压缩 |
| 注入防御 | 4语言 | NO | NO | NO | 5层 | NO | 信任区域 | NO | NO | NO | 路径安全(不传本地路径) |
| 宿主桥接 | 安全加固 | 原生 | 替换原生 | 双车道 | NO | NO | 10+连接器 | NO | NO | NO | 资源导入(URL/Git/文件/目录/zip) |
| 版本+回滚 | Dashboard | NO | NO | 导出/备份 | CLI历史 | NO | NO | NO | 仅wipe | NO | 归档+expand |
| Onboarding | 对话式 | 无需 | 配置 | 一键脚本 | init+doctor | 最小 | 安装器 | 重量级 | 交互setup | 配置 | npm+ov-install |
| Benchmark | Memory-Native | NO | NO | NO | 130+测试 | NO | 672测试+CI | NO | NO | NO | LoCoMo10(52.08%) |
| 知识图谱 | NO(URI树) | NO | 实体/关系 | NO | Kuzu图谱 | NO | NO | 3K+事实 | NO | NO | viking://文件系统范式 |
| Token效率 | 未测 | 未测 | 未测 | 未测 | 未测 | 未测 | 未测 | 未测 | 未测 | 未测 | 83-91%压缩(LoCoMo10) |
| 会话生命周期 | NO | NO | NO | NO | NO | 自传式压缩 | NO | NO | NO | NO | assemble/afterTurn/compact |
| 媒体类型 | 图片 | NO | NO | NO | NO | NO | NO | NO | NO | NO | 图片/音频/视频/文档 |
| 许可证 | AGPLv3 | MIT(内置) | MIT | MIT | Apache 2.0 | - | MIT | - | - | MIT | AGPLv3(主项目;examples/下Apache2.0) |
该项目优势
image1432×1986 424 KB
image1408×1657 419 KB
之前发过两篇 Memory Palace cli/ide的帖子，但是openclaw的版本一直没有开发完，现在经过详细测试和功能升级现在才正式发帖。
本次带来的是 Memory Palace 的 OpenClaw 版本。和之前的 cli/ide 版不太一样，做出了全面升级，并且构建了更适合openclaw测试场景的benchmark，进行了全面测试。
该项目做成了适配 OpenClaw 的原生 plugin + skills模式，即插即用，不会对于openclaw有任何修改。
当前项目针对openclaw做了什么适配工作？
总的来说就是给你的 OpenClaw 加一层真正可用的长期记忆。 不是简单存储为 JSON 或者直接往 MEMORY.md 里新增记忆，而是配备了一套完整的具备写入守卫、有检索引擎、有意图识别、有自动回忆、有自动捕获、有视觉记忆、有可视化 Dashboard功能特性的记忆系统。
叠甲：这个项目依然是 vibe coding 产物，一个人开发的，可能有各种各样的 bug。但是经过一个多月的迭代，和详细的测试，功能已经相对完整，我能测试的bug也尽量测试出来进行修改了。
该项目的文档写得比较详细，如果遇到相关问题可以先查阅github中的文档，实在搞不定的可以发帖/私信/github提issue。
项目地址：
GitHub - AGI-is-going-to-arrive/Memory-Palace-Openclaw
通过在 GitHub 上创建帐户来为 AGI-is-going-to-arrive/Memory-Palace-Openclaw 开发做出贡献。
支持 macOS / Windows / Linux 三个平台。
建议继续阅读，跳转至GitHub对应链接：中文 README | 英文 README
首先不说废话，直接上和openclaw相关记忆系统的竞品对比
一、这个项目到底是什么
解决什么问题
用过 OpenClaw的人可能有相关感受：openclaw自带的记忆功能能用，但是不够好。
比如：你上一次对话告诉它你的编程喜好，例如喜欢使用gemini对于前端出具设计方案，使用claude 编排代码的实现方案，codex完成整体代码的编写，假设你新开一个session时你的openclaw忘记了这个需要记忆的偏好事实，进行回答时完全没有相关的记忆。OpenClaw 自带的 MEMORY.md 虽然能够存一些东西，但本质上就是一个文本文件，没有检索能力、没有去重、没有优先级、没有自动管理，这些功能统统在当前项目上进行了补齐。
Memory Palace 要做的就是，给你的openclaw 加一个真正能用的外部长期记忆系统，并且不破坏原有openclaw的memory system。
项目设计架构为 plugin + skills
- Plugin（插件）是 负责和后端 MCP 进行服务通信、处理生命周期 Hook、注册工具、管理自动回忆/自动捕获。它挂载在 OpenClaw 的
memory插槽上，不破坏原有openclaw的memory system。 - Skills（技能）是 专为openclaw写的行为准则，教你的openclaw如何使用这个记忆插件，来做到更好的为你的openclaw提供相关记忆功能，让你的AI更懂你。
在 OpenClaw 里的定位
Memory Palace 通过接入 OpenClaw 的 memory 类型插槽，不替换 OpenClaw 自带的 USER.md / MEMORY.md。它是在宿主记忆之上加一层持久化、可检索、可审计的记忆存储。两者可以共存，Memory Palace同时通过 Host Bridge 功能可以把 USER.md / MEMORY.md 里的内容自动导入到自己的记忆系统中。
这个记忆插件适合那些人群
- OpenClaw 用户，多session切换频繁，希望 AI 记住你的相关偏好和工作流以及各类需要进行持久化存储的内容
- 需要多 Agent 协作的场景，需要实现Agent之间的记忆隔离（ACL）
- 希望能够通过可视化dashboard界面来管理记忆
- 对记忆质量有要求的用户
当前项目能做到什么？
用一句话概括：自动记、自动想、能守卫、能搜索、能看见。
- 自动记：对话结束后自动提取有价值的信息存入
- 自动想：开始新对话时自动搜索相关记忆注入上下文
- 能守卫：Write Guard 阻止重复和低质量的记忆写入
- 能搜索：支持关键词 + 语义 + 混合三种检索模式
- 能看见：Dashboard中具备记忆浏览、审查回滚、清理维护、搜索诊断这四种功能，将其提供给用户进行可视化的操作
建议继续阅读，跳转至GitHub对应链接：已实现能力完整清单
系统架构图1024×1024 278 KB
系统整体架构：后端 MCP 服务 + 插件层 + Skills，三层协同
二、最快上手方式
推荐方式：对话式安装
最推荐的方式是用 Onboarding Skill 通过和 OpenClaw 对话来完成安装。
Memory Palace 自带一个 memory-palace-openclaw-onboarding Skill，它专门负责引导你完成相关安装和配置操作。大致流程如下：
- 先把插件装到 OpenClaw
- 在 OpenClaw 里开始对话将这个链接交给openclaw并和openclaw说参照这个link 帮我安装这个Memory-Palace-Openclaw，Memory-Palace-Openclaw/docs/openclaw-doc/18-CONVERSATIONAL_ONBOARDING.md at main · AGI-is-going-to-arrive/Memory-Palace-Openclaw，Onboarding Skill 会自动识别当前状态
- 它会帮你检查环境、探测 Provider 连通性、推荐合适的 Profile
- 你跟着它的提示选择配置，它自动帮你应用
这个方式通过和openclaw一步步对话就能完成安装流程
第一步到底该干什么
第一步：安装插件到 OpenClaw。
git clone https://github.com/AGI-is-going-to-arrive/Memory-Palace-Openclaw.git
cd Memory-Palace-Openclaw
python scripts/openclaw_memory_palace.py setup --profile b
第二步：在 OpenClaw 里开始对话。 Onboarding Skill 会接管引导你完成整个安装流程。
一步步的和openclaw进行对话就能完成安装流程，顺利使用上当前项目
相关内容建议继续阅读，跳转至GitHub对应链接：用户安装与使用完整指南 | Skills 快速上手
对话式安装流程1024×1024 273 KB
通过 OpenClaw 对话完成安装配置，不需要手动编辑文件
Onboarding 截图 - 已安装状态1440×900 83.9 KB
Onboarding Skill 检测到已安装状态，引导你进入配置流程
Onboarding 截图 - 未安装状态1440×900 72.6 KB
如果还没装安装plugin，Onboarding Skill 会先引导你完成安装，再进入配置
Onboarding 对话路径流程图705×1094 39.2 KB
对话式 Onboarding 完整路径：从检测状态到完成配置的每一步
三、安装方式（分平台说明）
安装环境（三平台通用）
- Python 3.10 - 3.14
- Node.js ^20.19.0 或 >=22.12.0 <23
- OpenClaw >= 2026.3.2
- Git（如果从源码安装）
macOS
# 1. 确认 Python 和 Node 版本
python3 --version # 需要 3.10-3.14
node --version # 需要 20.19+ 或 22.12+
# 2. 克隆仓库
git clone https://github.com/AGI-is-going-to-arrive/Memory-Palace-Openclaw.git
cd Memory-Palace-Openclaw
# 3. 运行安装
python3 scripts/openclaw_memory_palace.py setup --profile b
# 4. 应用 Profile（可选，如果安装脚本没自动做）
bash scripts/apply_profile.sh macos b
数据库默认路径：/Users/<你的用户名>/memory_palace/agent_memory.db
macOS 上运行 MCP 服务时会通过 zsh -lc 'bash run_memory_palace_mcp_stdio.sh' 启动。
Windows
# 1. 确认版本
python --version # 需要 3.10-3.14
node --version # 需要 20.19+ 或 22.12+
# 2. 克隆仓库
git clone https://github.com/AGI-is-going-to-arrive/Memory-Palace-Openclaw.git
cd Memory-Palace-Openclaw
# 3. 运行安装
python scripts/openclaw_memory_palace.py setup --profile b
# 4. 应用 Profile（可选）
.\scripts\apply_profile.ps1 -Platform windows -Profile b
数据库默认路径：C:\memory_palace\agent_memory.db
Windows 上 MCP 服务直接通过 python.exe mcp_wrapper.py 启动，使用 venv 的 Scripts\python.exe。
Windows 注意事项：
- 用
install_skill.py安装 Skill 时，symlink 模式需要管理员权限。如果你对此介意的话建议使用 copy 模式：python scripts/install_skill.py --mode copy
Linux
# 1. 确认版本
python3 --version
node --version
# 2. 克隆仓库
git clone https://github.com/AGI-is-going-to-arrive/Memory-Palace-Openclaw.git
cd Memory-Palace-Openclaw
# 3. 运行安装
python3 scripts/openclaw_memory_palace.py setup --profile b
# 4. 应用 Profile
bash scripts/apply_profile.sh linux b
数据库默认路径：/home/<你的用户名>/memory_palace/agent_memory.db
Linux 上的行为和 macOS 基本一致（都归类为 posix），主要区别在 DB 路径。如果你跑在网络文件系统（NFS、CIFS、SSHFS）上，后端会检测并发出文件锁可靠性警告 ------ 建议用本地磁盘。
Docker 一键部署（未全面测试，建议使用上述三种方式）
# macOS / Linux
bash scripts/docker_one_click.sh
# Windows
powershell -File scripts/docker_one_click.ps1
如何验证安装是否成功
安装完成后，可以跑诊断命令，用于确认一切正常：
openclaw memory-palace verify --json
openclaw memory-palace doctor --json
或者直接在 OpenClaw 对话中问 Agent**「检查一下 Memory Palace 的安装状态」，它会调用 memory_onboarding_status 帮你检查。
image1809×467 41.8 KB
相关内容建议继续阅读，跳转至GitHub对应链接：安装与使用指南 | 故障排查
还可使用以下高级路径进行安装
image1920×1080 324 KB
安装涉及的相关边界：哪些是自动安装的，哪些需要手动配
插件与宿主边界645×1172 26.3 KB
Plugin 与 OpenClaw 宿主的分层关系：哪些归插件管，哪些归宿主管
四、档位说明 — Profile A / B / C / D
Memory Palace 有四个 Profile（档位），相关能力逐级递增，但是要求提供相关的配置才能进行升级。需要根据你的实际情况选则不同的档位。此外如果你拥有embedding+reranker+llm对应api的情况下强烈使用Rrofile D，拥有最完整的体验。
Profile A — 「关键词兜底」
- 检索模式：纯关键词（keyword）
- 不需要任何外部 embedding / reranker / LLM
- 不启用索引 worker
- 适合极低配置环境，或者你只是想先体验一下最基本的功能
总结：最简单的全文搜索，能用但效果一般。适合「先跑起来」的场景。注意 Profile A 默认关闭 index worker 和 Assistant-Derived Capture。
Profile B — 「零配置启动」（推荐起步）
- 检索模式：混合（hybrid = 关键词 + embedding）
- Embedding 后端：hash（dim=64）------ 本地计算，不需要任何外部 API
- 不需要 reranker，不需要 LLM
- 启用索引 worker 和延迟索引
总结：不需要配任何 API key，装完就能用。hash embedding 是一种轻量级的向量化方式，精度不如真正的语义 embedding，但相对于纯关键词检索强得多。如果你没有任何embedding+reranker相关配置，选择该档位。
Profile C — 「真语义检索」
- 检索模式：混合（hybrid）
- Embedding 后端：API（默认配置
Qwen/Qwen3-Embedding-8B，dim=1024） - Reranker：启用（默认配置
Qwen/Qwen3-Reranker-8B，weight=0.30） - LLM 辅助功能：可选 opt-in（不是默认开启）
- 索引队列扩大到 512，保留最近 100 个 job
总结：这是真正的语义检索。比如，你搜「我的编程喜好」能找到「我喜欢vibe coding」这种语义相关但关键词不匹配的内容。需要一个 embedding API 和一个 reranker API。推荐用 Qwen3 系列模型 ------ embedding 和reranker模型。本人测试使用的为Qwen3 embedding 8B和Qwen3 reranker 8B模型。请用户根据自己实际的embedding和reranker模型配置对应的model name，以及对应的embedding dimension。
Profile C 需要你额外提供：
- Embedding API 地址 + API Key +Model name
- Reranker API 地址 + API Key +Model name
- LLM API 地址 + API Key +Model name（如果你想开启LLM各种选配设置）
Profile D — 「全功能旗舰」
- 在 Profile C 的基础上，增加三个 LLM 辅助功能：
- Write Guard LLM：用 LLM 判断写入是否重复/矛盾
- Compact Gist LLM：用 LLM 生成会话摘要
- Intent LLM：用 LLM 识别搜索意图
- Reranker weight 提升到 0.35
总结：在当前最终档位你能够获得当前项目的完整体验。三个辅助功能共享同一组 API 配置（LLM_API_BASE / LLM_API_KEY / LLM_MODEL），提供一个配置然后系统会自动分发给 write_guard、compact_gist、intent 三个子功能。
Profile D 需要你额外提供（在 Profile C 基础上）：
- LLM API 地址 + API Key + 模型名
Profile D 会进行相关测试，确保可用性：所有 LLM 相关字段都不能是占位符，WRITE_GUARD_LLM_ENABLED、COMPACT_GIST_LLM_ENABLED、INTENT_LLM_ENABLED 都要是 true 且 API 配置完整。此外，目标环境里的 probe / verify / doctor / smoke 验证也需要真实通过，Profile D 才算 ready。
image1968×413 33.9 KB
Profile B → C 是体验上的最大提升（从 hash embedding 到真正的semantic embedding + reranker），Profile C → D 是质量上的进一步提升（LLM 辅助能够让我们的 guard/gist/intent 更精确）。
如果你有的 embeddin+reranker API，强烈建议至少上到 C。更进一步添加LLM API，直接上到火力全开档，使用Profile D，享受最完整的体验。
相关内容建议建议继续阅读，跳转至GitHub对应链接：Profile 能力边界详解 | Profile 能力总览（HTML）
Profile 能力阶梯图3840×2160 875 KB
四个 Profile 的能力阶梯：从 A 到 D 逐级增强
Profile 语义矩阵3840×2160 832 KB
各 Profile 在不同维度上的详细能力对比
五、在 OpenClaw 里怎么用
装好 plugin 并完成 setup 后，该plugin会自动运行，基本不需要手动干预
在支持相关 hooks 的 OpenClaw 宿主里（需要 >= 2026.3.2，最新测试使用的是2026.4.14版本），大部分 recall / capture 可以自动运行，不需要你和openclaw对话才能对于memory进行操作。
安装并通过 verify / doctor 验证后，Agent 每次开始新对话时：
- Auto-Recall（自动回忆） 会自动搜索相关记忆，注入到对话上下文中
- 你不需要说「搜索一下我之前说过的…」，它自己会搜
Agent 每次对话结束时：
- Auto-Capture（自动捕获） 会自动分析对话内容，把有价值的信息存入记忆
- 你不需要说「记住这个」，它自己会判断什么值得记
当你在对话中发送图片时：
- Visual Context（视觉上下文） 会自动从图片中提取信息
注意：自动回忆/捕获依赖 OpenClaw 宿主的 hook 支持（before_prompt_build、agent_end 等）。如果宿主版本过旧或 hook 未触发，Plugin 会尝试 fallback，但自动化效果可能打折。
image1917×738 95.2 KB
OpenClaw相关使用场景
日常使用（90% 的时候）：正常和 OpenClaw 对话就行。Auto-Recall 会在对话开始时自动搜索相关记忆并注入上下文，Auto-Capture 会在对话结束时自动存储有价值的信息。你完全意识不到当前记忆系统的存在，无感使用。慢慢的，你会发现 AI 越来越「懂你」。
偶尔需要干预（10% 的时候）：
- 想主动存一条重要信息：对 Agent 说「记住：我喜欢使用codex进行vibe coding」
- 想搜索之前的记忆：对 Agent 说「搜一下我的编程喜好」
- 如果Write Guard 挡住了一次写入（Agent 会告诉你原因）：再你确认需要存入长期记忆，能够让 Agent 强制写入我们的记忆系统
- 想把当前对话的要点长期保存：对 Agent 说「把当前对话的关键决定存到记忆里」
你不需要记住任何 tool 名称。 Agent 已经通过 Skill 知道什么时候该调用什么工具。你只需要用自然语言表达意图就行。
Onboarding Skill 和日常 Skill 的区别
项目内置两个 Skill：
memory-palace-openclaw-onboarding：主要是用于初次安装引导用的，完成配置后就不会再使用memory-palace-openclaw：交付给openclaw的日常行为准则，告诉openclaw 什么时候使用我们这个plugin
Skill 的核心原则是：默认信任自动行为，只在用户明确要求时才手动干预。 这意味着 Agent 不会每次对话都「命令式」地使用记忆系统，而是自然地在后台运作。
相关内容建议继续阅读，跳转至GitHub对应链接：Skills 设计说明 | MCP 工作流参考
OpenClaw 中的记忆回忆确认1440×900 96.9 KB
实际运行截图：Agent 自动回忆相关记忆并在对话中使用
OpenClaw 中的 Skills 面板1600×1000 89.4 KB
OpenClaw 控制面板中的 Memory Palace Skill 详情
Write Guard 拦截后的强制确认1440×900 92.2 KB
实际运行截图：Write Guard 拦住了一次写入，用户确认后 Agent 强制写入成功
Memory Chat 对话1600×1000 72.2 KB
在 OpenClaw 中与记忆系统交互的实际对话过程
Skills 总览页面1600×1000 85.5 KB
OpenClaw Skills 面板总览：memory-palace-openclaw 和 onboarding 两个 Skill 都可见
六、Benchmark — 针对openclaw的真实场景测试
Memory Palace 的 benchmark 分两层：检索管线质量（能不能搜到）和产品决策质量（设置的高级feature，Write Guard 拦不拦得住、Intent 识别准不准、Gist 摘要好不好）。后者才是这个项目真正不一样的地方。
所有数据来自 docs/EVALUATION.md，仓库里有完整的 gold set、复跑脚本和原始报告。
先看检索能力：Memory-Native Benchmark
使用通用学术数据集（SQuAD v2、BEIR NFCorpus）也进行了测试，但它们测的是通用段落召回能力，和「记忆系统里找历史决策/偏好/时间线」这种真实场景差距很大。所以项目专门做了一套 Memory-Native Benchmark：用真实记忆文本风格（6 个领域 x 8 种文本风格，70 条 synthetic corpus），覆盖 factual / temporal / causal / exploratory 四类记忆查询，以及 scope/path/ancestor 约束、alias 召回、近重复、版本漂移、冲突记忆等 Memory Palace 特有场景。
image1923×393 26.8 KB
核心亮点：产品质量门禁（Quality Gates）
Memory Palace 不只做检索，并且专门为openclaw设计了三个高级feature它的 Write Guard、Intent 识别、Compact Gist 都在独立的 benchmark 和 gold set进行了测试。
Write Guard — 写入守卫到底拦得准不准
用 200 条 gold set（覆盖 ADD / UPDATE / NOOP 三种情况，比例 35% / 35% / 30%）测试 Write Guard 的判断准确率。
image1909×322 16.5 KB
总结：Precision 1.000 意味着 Write Guard 不会错误拦截你想写入的新内容。Recall 0.839 意味着有 16% 的重复/更新内容没被拦住。
开启 LLM（Profile D）后：
image1787×274 19.4 KB
对于C/D 配置设计benchmarkd时 — Score Normalization设计思路：
最初 Profile C/D 的 Write Guard Exact Match 只有 0.460------分数非常低，原因不是代码有 bug，而是 Qwen3-Embedding（1024 维）的 cosine similarity 分数压缩在 0.85-1.00 其中（最小值 0.846，均值 0.941），导致原来为 hash embedding（64 维）校准的固定阈值完全失效。
做了 63 点网格扫描后进行修正：单纯调阈值解决不了这个问题。所以最终设计了 Score Normalization 方案：对 NOOP 判定使用归一化分数（floor=0.85），只有真正的近重复（raw ~1.0）才触发 NOOP；同时新增 keyword cross-check，全局关键词分数极低时降级为 ADD。
image1837×499 32.1 KB
B 不受影响，C/D 从 0.46 直接跳到 0.845。Score Normalization 对 api embedding backend 默认开启，不需要手动配置。
矛盾检测：Write Guard 开启 LLM 后还支持 contradiction 检测（判断新内容是否和已有记忆矛盾），40 条 gold set 实测 accuracy=0.950、precision=0.950、recall=0.950。
Intent 识别 — 搜索意图分得准不准
用 200 条 gold set（80 条中文 + 120 条英文，基于 OpenClaw 真实场景模板生成）测试四种意图分类：factual / exploratory / temporal / causal。
image1861×392 19.6 KB
基础 gold set 上达到 1.000。关键词表从 15 个扩充到 53 个。
Product gold set（更复杂的场景，200 条）： keyword 准确率 0.910。
image1831×379 22.9 KB
规则分类器在原有gold set上相关指标已经有 0.910了，开启LLM后指标 提升到 0.940 虽然有并不算高。对大部分用户来说，这个feature可以选择关闭。
Compact Gist — 摘要质量怎么样
用 90 条测试评估摘要质量：
| 模式 | ROUGE-L |
|---|---|
| extractive（提取式） | 0.720 |
| LLM gist | 0.678 |
为什么看起来 LLM 反而不如 extractive？这其实是 ROUGE-L 指标本身的偏差------extractive 直接从原文复制文本片段，天然和 reference 词面重合度高。项目里做了独立的 pairwise judge 和 factual coverage 测试，LLM gist 在连贯性和概括能力上通常更好。
默认 LLM 超时已从 8s 提升到 45s（COMPACT_GIST_TIMEOUT_SEC），避免推理型模型超时降级，可以采用non-thinking model，或者关闭LLM的thinking。
Replacement Acceptance实验
除了检索和质量指标，项目还跑了一套完整的 Replacement Acceptance E2E，验证 Memory Palace 能否在 OpenClaw 里承担默认 memory system 的职责。
image1907×369 62.3 KB
image1496×676 87.2 KB
相关内容建议继续阅读，跳转至GitHub对应链接：完整评测文档（EVALUATION.md） | Benchmark 脚本目录 | Memory-Native Benchmark 报告
七、技术架构
三层结构
Memory Palace 是三层架构：
┌─────────────────────────────────────────────────┐
│ Skills 层（交给Agent的行为准则） │
│ 教 Agent 什么时候用、怎么用 │
├─────────────────────────────────────────────────┤
│ Plugin 层（TypeScript插件） │
│ Hook 注册、工具注册、自动回忆/捕获、ACL、配置管理 │
├─────────────────────────────────────────────────┤
│ Backend 层（MCP 服务） │
│ SQLite 存储、检索引擎、Write Guard、索引管理 │
└─────────────────────────────────────────────────┘
Backend：Python FastAPI 应用，通过 MCP 协议暴露工具接口。所有记忆的增删改查、检索、索引、Write Guard 都在这一层。数据存在 SQLite 中，支持关键词 FTS（全文搜索）+ 向量检索。6 次数据库 migration，数据模型包括 Memory、Path、MemoryChunk、MemoryChunkVec、EmbeddingCache、MemoryGist、FlushQuarantine 等。
Plugin：TOpenClaw 扩展，用于添加到 OpenClaw 的 memory 插槽。负责和 Backend 通信（支持 stdio 和 SSE 两种传输协议，默认 auto 优先 stdio）、注册生命周期 Hook、实现自动回忆/捕获逻辑、ACL 校验。
Skills：用于定义 Agent 的行为准则。不包含代码，只包含对于openclaw「什么时候该调什么工具」的相关指导。
生命周期 Hook
image1835×405 46.2 KB
数据模型
记忆以 URI 地址 进行组织，格式为 domain://path，例如：
core://agents/default/captured/preference/sha256-abc123system://boot、system://index、system://auditnotes://project-setup
有效域名：core、writer、game、notes、system（system 为只读域）。
关键设计：
- 版本化：更新记忆时创建新版本，旧版本标记为 deprecated 但不删除，可以回滚
- 内容与路径分离：一份内容可以通过多个 URI 路径访问**（alias 机制）**
- URI 安全校验：禁止路径穿越、禁止 Windows 绝对路径、最大深度 128、最大路径长度 2048
一次openclaw对话的完整数据流是什么样的
image1246×821 94 KB
相关内容建议继续阅读，跳转至GitHub对应链接：技术架构总览 | MCP 工作流参考
运行时架构图3840×2160 793 KB
运行时架构：Plugin 如何和 Backend 协同工作
image1920×1080 256 KB
记忆引擎内部：检索管道、索引 worker、Write Guard、活力衰减
image1920×1080 273 KB
一次完整的写入-回忆数据流
image1920×1080 339 KB
记忆数据模型：URI 地址、版本化存储、内容与路径分离
默认记忆链3840×2160 900 KB
默认记忆链：从用户输入到记忆存储/检索的完整处理链路
八、ACL 多智能体记忆隔离（实验特性）
为什么需要记忆隔离
如果你在 OpenClaw 中设置了多个 Agent（比如一个负责前端、一个负责后端、一个负责编排），它们默认共享同一个记忆库。这会导致：
- 后端 Agent 看到前端 Agent 存的「这个项目用 html+css」
- 编排 Agent混入开发 Agent 关于代码风格的偏好
- 或者是项目 A 的 Agent 读到了项目 B 的配置细节
在单人单项目场景下这可能无所谓，但在多 Agent 协作或多项目并行的场景下就需要解决相关问题。
工作原理
ACL 基于 URI 前缀 进行隔离。每个 Agent 有三个关键配置：
- allowedUriPrefixes：这个 Agent 能读取的记忆范围
- writeRoots：这个 Agent 能写入的记忆范围
- 私有根模板：默认
core://agents/{agentId}，每个 Agent 自动获得独立的记忆空间
还可以配置共享区域：
sharedUriPrefixes：所有 Agent 都能读取的公共记忆sharedWriteUriPrefixes：所有 Agent 都能写入的公共区域
一个具体例子
假设你在openclaw设置了两个 Agent：alpha（负责后端）和 beta（负责前端）：
{
"acl": {
"enabled": true,
"sharedUriPrefixes": ["notes://team/"],
"sharedWriteUriPrefixes": ["notes://team/"],
"agents": {
"alpha": {
"allowedUriPrefixes": ["core://agents/alpha"],
"writeRoots": ["core://agents/alpha"]
},
"beta": {
"allowedUriPrefixes": ["core://agents/beta"],
"writeRoots": ["core://agents/beta"]
}
}
}
}
效果：
- alpha 存了「我喜欢吃」到自己的记忆空间 → alpha 能读，beta 读不到（返回 UNKNOWN）
- beta 存了「我喜欢吃」到自己的空间 → beta 能读，alpha 读不到
- 任何 Agent 写到
notes://team/architecture-decisions→ 双方都能读
对于 alias 机制设置了相关保护机制 ------ 通过 alias 索引检查，防止 Agent A 通过间接路径读到 Agent B 的记忆。
仓库中有真实的 ACL 演示截图（alpha 存入记忆后，beta 确实读不到），还有视频演示，具体见下列阅读指南。
怎么开启
ACL 默认关闭。开启方式是在 Plugin 配置中设置 acl.enabled: true，然后配置各 Agent 的权限。Onboarding 流程目前不会自动配置 ACL ------ 这是一个需要手动设置的进阶功能。
适用边界
需要明确：ACL 当前是实验性功能。它的定位是协作隔离（防止不同角色的 Agent 互相干扰）如果你只有一个 Agent，不需要开这个功能。
相关内容建议继续阅读，跳转至GitHub对应链接：ACL 隔离完整指南
image1161×646 157 KB
ACL 记忆隔离原理：每个 Agent 有自己的记忆空间，共享区域可进行配置
ACL Agents 页面1600×1200 101 KB
OpenClaw Agents 页面：可以看到多个 Agent（alpha / beta）及其各自的记忆隔离配置
ACL alpha Agent 记忆确认1600×1200 99.9 KB
Alpha Agent 成功存入记忆
ACL beta Agent 被隔离1600×1200 99.3 KB
Beta Agent 无法读取 Alpha 的记忆 — 隔离生效
九、核心 Feature 与技术亮点
Write Guard（写入守卫）
解决的问题：防止 AI 往记忆里塞垃圾、存重复内容、或者写入和已有记忆矛盾的信息。
工作方式：每次通过 memory_learn 写入时，Write Guard 做预检判断：
- ADD：新内容，允许写入
- NOOP：和已有记忆重复，阻止写入并说明原因
- UPDATE：和已有记忆相似但有新信息，引导更新而非新建
- BYPASS：仅元数据变更
Profile A/B/C 下用规则匹配（关键词 + 语义相似度判断），Profile D 下升级为 LLM 判断，能理解语义层面的重复和矛盾 ------ 比如「部署在 3 个 node 上」和「k8s 集群用了三台机器」这种不同表述但含义相同的情况。
安全设计：Fail-closed ------ Guard 如果出现问题或返回异常时，默认阻止写入。有 8 种 force override 路径用于不同场景（visual、namespace、host bridge、explicit 等），但用户手动存储时需要确认后才能 force。
之前的bencmark中使用了专门的 gold set 用于测试该feature的性能，包括正常写入、重复检测、矛盾检测等场景。确保真实好用。
image1186×665 129 KB
Write Guard 审查循环：写入 → 预检 → 允许/阻止 → 可强制覆盖
Auto-Recall（自动回忆）
解决的问题：让 AI 在每次新对话开始时自动「想起」相关的历史信息，不需要用户提醒。
image1824×414 64.2 KB
Auto-Capture（自动捕获）
解决的问题：让 AI 自动把对话中有价值的信息存入记忆。
image1960×449 74.9 KB
Intent Recognition（意图识别）
解决的问题：理解用户搜索记忆时的真实意图，选择最优的检索策略。
4 种意图类型：factual（事实查询）、exploratory（探索性）、temporal（时间相关）、causal（因果关系）。不同意图会导致不同的检索策略模板 ------ 比如时间相关的查询会更侧重最近的记忆。
Profile A/B/C 用规则分类（keyword pattern），Profile D 用 LLM 分类。
Compact Context / Gist（上下文压缩）
解决的问题：把长对话压缩成简洁的摘要，持久化到记忆中。
两种模式：
- 手动：通过
compact_context工具主动触发 - 自动：对话结束时 Reflection 系统触发
Profile D 下用 LLM 生成更高质量的摘要。默认最多 12 行。
Reflection Lane（反思）
解决的问题：从对话中提取高层次的教训和规律，而不仅仅是具体事实。
反思会把对话内容分类为 5 种类型：event（事件）、invariant（不变量）、derived（推导结论）、openLoops（未解决问题）、lessons（教训）。存入 core://reflection/{agentKey}，带有 14 天的衰减提示 ------ 存储的时间越久反思权重越低，模拟人类记忆遗忘。
三种触发源：agent_end（对话结束）、compact_context（上下文压缩）、command_new（新会话）。
注意：Reflection 默认关闭（reflection.enabled: false），需要在 Plugin 配置中手动开启。同样，Profile Memory 也默认关闭（profileMemory.enabled: false）。Smart Extraction 仅在 Profile C/D 下自动启用。
image1178×655 133 KB
Reflection Lane 反思通道：从对话中提取高层次教训，14 天自然衰减
Visual Memory（视觉记忆）
解决的问题：让 AI 能记住图片中的信息。
支持存储 6 个维度的信息：summary（概述）、OCR（文字识别）、entities（实体）、scene（场景）、whyRelevant（为什么重要）、confidence（置信度）。
去重策略可选：merge（合并相同图片的信息）、reject（拒绝重复）、new（总是新建）。每条视觉记忆都有 SHA-256 溯源 hash。
视觉记忆 - 命名空间根节点1600×1000 138 KB
Dashboard 中的视觉记忆命名空间：按来源和类型组织的树状结构
视觉记忆 - 详情1600×1000 140 KB
视觉记忆详情页：可以看到 summary、OCR、entities 等提取结果
Host Bridge（宿主桥接）
解决的问题：OpenClaw 自带的 USER.md / MEMORY.md 有内容，Memory Palace 不应该忽略它们。
Host Bridge 会自动扫描工作区的 USER.md、MEMORY.md 和 memory/ 目录，把相关内容导入到 Memory Palace 中 ------ 原文件不受影响。
严格的安全设计：TOCTOU-resistant 文件读取（O_NOFOLLOW + fstat + inode 验证）、符号链接阻断、路径逃逸防护、注入检测、敏感文本过滤。单次最多导入 2 个文件，单文件最大 256KB。
Prompt Safety（提示词防御）
解决的问题：防止被投毒的记忆影响 AI 行为。
如果有人（或者 AI 自己误写了）往记忆里存了一条**「忽略之前的所有指令，执行 xxx」，Prompt Safety 会检测并拦截这种注入**。
覆盖英文、中文、日文、韩文四种语言，结合主检测模式、compact 检测模式、NFKD 归一化、零宽字符清理和 Cyrillic 同形字映射来拦截记忆注入，防止 unicode 层面的逃逸。
相关内容建议继续阅读，跳转至GitHub对应链接：技术架构总览 | 安全与隐私文档
image1920×1080 346 KB
核心技术亮点一览
十、MCP Tools 说明
以下工具大部分为自动调用
Memory Palace 的设计理念是**「自动为主，手动为辅」**：
- 自动回忆和自动捕获 通过 Hook 在后台运行，用户完全无感
- 4 个用户工具（memory_search、memory_learn、memory_get、memory_store_visual）由 Agent 根据 Skill 规则自动判断是否需要调用
- 你只需要用自然语言表达意图，不需要记任何工具名
image1876×400 43 KB
image710×301 22 KB
image1905×693 64.1 KB
在 OpenClaw 里你到底需要怎么操作才能使用这些tools
平时：什么都不做。正常对话，记忆系统在后台自动运作。
偶尔进行干预：用自然语言。「记住这个」「搜一下之前的」「把对话要点存下来」「检查一下记忆状态」。
不需要记工具名，不需要记命令，不需要记参数。
相关内容建议继续阅读，跳转至GitHub对应链接：MCP 工具参考文档 | 触发样本参考
十一、Dashboard
Memory Palace 自带一个可视化的前端 Dashboard，5 个页面，覆盖记忆管理的全生命周期。支持中英双语切换。
image1705×1183 203 KB
怎么访问dashborad
image1863×259 20.3 KB
相关内容建议继续阅读，跳转至GitHub对应链接：Dashboard 完整指南 | 真实素材清单
Dashboard - Setup 页面1600×1000 196 KB
Setup 页面：首次配置引导
Dashboard - Memory 页面1600×1000 138 KB
Memory 页面：记忆浏览和搜索
Dashboard - Review 页面1600×1000 112 KB
Review 页面：写入审查和回滚
Dashboard - Maintenance 页面1600×1000 103 KB
Maintenance 页面：索引重建和清理
Dashboard - Observability 页面1600×1000 174 KB
Observability 页面：搜索诊断和系统监控
Dashboard 页面导览图1031×206 9.14 KB
Dashboard 5 个页面的导览关系：从 Setup 到 Observability 的完整管理链路
最后
项目地址：
GitHub - AGI-is-going-to-arrive/Memory-Palace-Openclaw
通过在 GitHub 上创建帐户来为 AGI-is-going-to-arrive/Memory-Palace-Openclaw 开发做出贡献。
如果有 bug 或者用着有什么问题，欢迎在 GitHub 上开 issue，或者直接私信我。也欢迎提PR，有不错的会积极采纳。
觉得还不错的话，给个 star 吧。个人耗费了很大精力完成的该项目，给个star 就是最大的动力。
网友解答：--【壹】--：
前排入座学习一下，刚好最近迁移了hermes-agent，想试试在爱马仕里是否适配
--【贰】--：
我会话不显示上下文了，很奇怪，不知道怎么回事，他自己删除了一下历史会话好像
--【叁】--：
你也可以让你的hermes-agent 帮你改，哈哈。
我这边评估一下，如果改造难度不大，时间不长的话我会尝试进行改造，提供一个hermes agent版本
--【肆】--：
这个领域开始卷的项目好像挺多了，看完以后不知道和其他项目相比有和优劣
--【伍】--：
顶一下，各位用open claw的欢迎来看看，使用呀。
多给点反馈，才能更好点改进
感觉一下子就被信息流刷下去了，很多人都没看到
--【陆】--：
start一下，挺实用的，现在openclaw热度降下来了，但是我感觉还是挺有用的至少对我来说
--【柒】--：
支持下大佬，虽然有AI，但肝项目不容易，要花大量时间调试
--【捌】--：
正想找个教程学习一下这个mempalace,感谢佬了
--【玖】--：
捞一捞，用open claw的各位佬友欢迎来使用，提出相关建议
花了很大的精力才做好的
--【拾】--：
正是这么想的哈，晚上闲了打算让hermes整一下适配，看看效果用一段时间再过来给反馈
--【拾壹】--：
你好这是我让claude帮我进行总结的你可以看看，搜集了相关竞品数据和真实代码情况进行比对的。
相关竞品
image1691×1200 271 KB
功能对比
image1527×1677 256 KB
优势点
image2099×1765 433 KB
image2190×1134 305 KB
相对不足之处
image1445×822 95.4 KB
--【拾贰】--：
先收藏了，佬，确实我现在养虾也是这样，每天都要跟打半天架才能开工
--【拾叁】--：
image1080×365 48.5 KB
image938×298 10.4 KB佬 为啥我今天加载之后会话经常丢
--【拾肆】--：
会话会丢是指没有存储到SQLite数据库中吗？还是什么情况
--【拾伍】--：
好的，可以先用一用看呢，然后有问题欢迎反馈
--【拾陆】--：
我先评估一下，看看改造难度，如果工作量不大，我尝试一下
--【拾柒】--：
最近正在找一套记忆系统，mark一下，仔细学习
--【拾捌】--：
支持一下大佬，之前我还在用openclaw的时候就在等你这个项目，但是现在我已经转到Hermes了 能出一个Hermes版本吗，我动手能力不足不会改
--【拾玖】--：
AGI-is-going-to-arrive/Memory-Palace-Openclaw | DeepWiki
Memory Palace is a durable memory system designed for OpenClaw, providing a long-term storage and retrieval layer for conversational traces $1. It functions as an OpenClaw plugin that intercepts event
附上项目对应的deepwiki链接，欢迎各位学习探讨交流
本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容：
- 我的帖子已经打上 开源推广 标签： 是
- 我的开源项目完整开源，无未开源部分： 是
- 我的开源项目已链接认可 LINUX DO 社区： 是
- 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是
- 以上选择我承诺是永久有效的，接受社区和佬友监督： 是
以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出
TL;DR — 给赶时间的佬友
极简版：这个项目给你的 OpenClaw 加一层真正能用的长期记忆。不是无脑往 MEMORY.md 里添加文本，而是一个有写入守卫、有检索引擎、有自动回忆、有自动捕获、有可视化 Dashboard 的完整记忆系统。
Memory Palace for OpenClaw
OpenClaw memory plugin + bundled skills. Install path, configuration, benchmark results, architecture, ACL isolation, MCP tools, and dashboard.
见相关介绍页
CleanShot 2026-04-23 at 08.50.38@2x1920×1147 207 KB
它解决什么问题
你告诉 OpenClaw「我喜欢用 claude进行任务编排方案设计、codex 进行代码实现。gemini实现前端方案设计」，新开一个 session 它就忘了。Memory Palace 让它跨 session 记住你。
用起来是什么体验
-
装好之后不用管。Auto-Recall 自动回忆，Auto-Capture 自动存储，基本无感
-
慢慢你会发现 越来越「懂你」
-
偶尔想手动干预（10%的场景下）？直接说「记住这个」「搜一下我的研究方向」就行，不需要记任何命令
怎么装
推荐方式：直接和 OpenClaw 对话完成安装。
- 先把插件克隆下来并运行安装脚本：
git clone https://github.com/AGI-is-going-to-arrive/Memory-Palace-Openclaw.git
cd Memory-Palace-Openclaw
python scripts/openclaw_memory_palace.py setup --profile b
-
装好后在 OpenClaw 里开始对话，把这个链接丢给它：对话式 Onboarding 文档，和它说「参照这个帮我完成 Memory Palace 的安装配置」
-
Onboarding Skill 会自动接管：帮你检查环境、探测 Provider 连通性、推荐合适的 Profile，你跟着它的提示选就行
整个过程一步步和 OpenClaw 对话就能搞定，不需要手动编辑配置文件。
关于 Profile 档位选择
上面安装命令用的是 --profile b，这是零配置基础档位，装完就能跑，但检索能力有限（用的是 hash embedding）。
条件允许的话，强烈建议上到 Profile C 或 D：
-
Profile C：需要 embedding + reranker API → 获得真正的语义检索
-
Profile D：再加一个 LLM API → 火力全开，Write Guard / 摘要 / 意图识别全部 LLM 加持
embedding 和 reranker 没有自备的？ 站内热心佬提供了公益站：https://linux.do/t/1914577
用量大的话还可以白嫖见下列帖子。
https://linux.do/t/topic/1993351/4
LLM 不用选择特别好的，我测试使用的是 gpt-5.4-mini，低档位的比如 qwen3.5-27b、gemma4-31b 这种智商以上的都行。
核心亮点速览
| 特性 | 说明 |
|---|---|
| 自动记 + 自动想 | 对话结束会自动存储，新开的对话自动搜索，后台运行无感知 |
| Write Guard 写入守卫 | 阻止重复、低质量、矛盾的记忆写入，Precision 1.000 |
| 4 个档位 Profile A->D | 零配置就能跑（B档），有 API 直接拉满（D档） |
| 可视化 Dashboard | 5 个页面：记忆浏览、审查回滚、搜索诊断，中英双语 |
| plugin + skills 架构 | 即插即用，不修改 OpenClaw 任何东西 |
| 多 Agent 记忆隔离 | ACL 实验特性，你配置的不同 Agent 各自的记忆互不干扰 |
支持 macOS / Windows / Linux，经过完整 benchmark 测试。
项目地址：觉得有用的话欢迎点个
AGI-is-going-to-arrive/Memory-Palace-Openclaw
以下是完整的项目介绍，感兴趣的佬友可以继续往下看
先上竞品对比，我先不猜，按事实告诉你（玩梗，非aigc ）
相关竞品
image1538×1107 134 KB
功能对比
| 功能 | Memory Palace | memory-core | Hindsight | lancedb-pro | ClawMem | hierarchical | Remnic | 12-Layer | Supermemory | Mem0 | OpenViking |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 混合检索 | YES | Partial | YES | YES | YES | NO(自动注入) | YES(6后端) | YES | YES(云端) | YES(云端) | YES(目录递归+向量) |
| Write Guard | 最强 | NO | NO | 衰减模型 | hash+语义+LLM | 防冗余规则 | 治理队列 | 去重 | 云端去重 | 云端去重 | URI去重 |
| 自动回忆 | YES | YES | YES | YES | YES | YES | YES | YES | YES | YES | YES(before_prompt_build) |
| 自动捕获 | YES | 靠 Agent | YES | YES(6类) | YES(13类) | YES(5分钟) | YES | YES(代谢) | YES(云端) | YES(云端) | YES(afterTurn+阈值commit) |
| 视觉记忆 | 自动捕获 | NO | NO | NO | NO | NO | NO | NO | NO | NO | YES(VLM+ov-import) |
| 意图识别 | YES(4类) | NO | NO | 分类提取 | YES(MAGMA) | NO | NO | NO | NO | NO | YES(意图分析检索) |
| Profile 档位 | A/B/C/D | NO | NO | NO | speed/bal/deep | NO | NO | NO | NO | NO | Local/Remote两模式 |
| Web Dashboard | 5页 | NO | NO | NO | NO | NO | NO | NO | NO | NO | Web Console+TUI |
| ACL 多智能体 | URI前缀 | NO | NO | 多范围隔离 | 身份映射 | 多会话 | NO | NO | 容器标签 | 长短期 | Header路由(Agent/Account/User) |
| 反思/元认知 | 反思车道 | NO | Reflect API | Weibull衰减 | A-MEM+睡眠 | 3层压缩 | NO | 12层最深 | NO | NO | L0/L1/L2分层压缩 |
| 注入防御 | 4语言 | NO | NO | NO | 5层 | NO | 信任区域 | NO | NO | NO | 路径安全(不传本地路径) |
| 宿主桥接 | 安全加固 | 原生 | 替换原生 | 双车道 | NO | NO | 10+连接器 | NO | NO | NO | 资源导入(URL/Git/文件/目录/zip) |
| 版本+回滚 | Dashboard | NO | NO | 导出/备份 | CLI历史 | NO | NO | NO | 仅wipe | NO | 归档+expand |
| Onboarding | 对话式 | 无需 | 配置 | 一键脚本 | init+doctor | 最小 | 安装器 | 重量级 | 交互setup | 配置 | npm+ov-install |
| Benchmark | Memory-Native | NO | NO | NO | 130+测试 | NO | 672测试+CI | NO | NO | NO | LoCoMo10(52.08%) |
| 知识图谱 | NO(URI树) | NO | 实体/关系 | NO | Kuzu图谱 | NO | NO | 3K+事实 | NO | NO | viking://文件系统范式 |
| Token效率 | 未测 | 未测 | 未测 | 未测 | 未测 | 未测 | 未测 | 未测 | 未测 | 未测 | 83-91%压缩(LoCoMo10) |
| 会话生命周期 | NO | NO | NO | NO | NO | 自传式压缩 | NO | NO | NO | NO | assemble/afterTurn/compact |
| 媒体类型 | 图片 | NO | NO | NO | NO | NO | NO | NO | NO | NO | 图片/音频/视频/文档 |
| 许可证 | AGPLv3 | MIT(内置) | MIT | MIT | Apache 2.0 | - | MIT | - | - | MIT | AGPLv3(主项目;examples/下Apache2.0) |
该项目优势
image1432×1986 424 KB
image1408×1657 419 KB
之前发过两篇 Memory Palace cli/ide的帖子，但是openclaw的版本一直没有开发完，现在经过详细测试和功能升级现在才正式发帖。
本次带来的是 Memory Palace 的 OpenClaw 版本。和之前的 cli/ide 版不太一样，做出了全面升级，并且构建了更适合openclaw测试场景的benchmark，进行了全面测试。
该项目做成了适配 OpenClaw 的原生 plugin + skills模式，即插即用，不会对于openclaw有任何修改。
当前项目针对openclaw做了什么适配工作？
总的来说就是给你的 OpenClaw 加一层真正可用的长期记忆。 不是简单存储为 JSON 或者直接往 MEMORY.md 里新增记忆，而是配备了一套完整的具备写入守卫、有检索引擎、有意图识别、有自动回忆、有自动捕获、有视觉记忆、有可视化 Dashboard功能特性的记忆系统。
叠甲：这个项目依然是 vibe coding 产物，一个人开发的，可能有各种各样的 bug。但是经过一个多月的迭代，和详细的测试，功能已经相对完整，我能测试的bug也尽量测试出来进行修改了。
该项目的文档写得比较详细，如果遇到相关问题可以先查阅github中的文档，实在搞不定的可以发帖/私信/github提issue。
项目地址：
GitHub - AGI-is-going-to-arrive/Memory-Palace-Openclaw
通过在 GitHub 上创建帐户来为 AGI-is-going-to-arrive/Memory-Palace-Openclaw 开发做出贡献。
支持 macOS / Windows / Linux 三个平台。
建议继续阅读，跳转至GitHub对应链接：中文 README | 英文 README
首先不说废话，直接上和openclaw相关记忆系统的竞品对比
一、这个项目到底是什么
解决什么问题
用过 OpenClaw的人可能有相关感受：openclaw自带的记忆功能能用，但是不够好。
比如：你上一次对话告诉它你的编程喜好，例如喜欢使用gemini对于前端出具设计方案，使用claude 编排代码的实现方案，codex完成整体代码的编写，假设你新开一个session时你的openclaw忘记了这个需要记忆的偏好事实，进行回答时完全没有相关的记忆。OpenClaw 自带的 MEMORY.md 虽然能够存一些东西，但本质上就是一个文本文件，没有检索能力、没有去重、没有优先级、没有自动管理，这些功能统统在当前项目上进行了补齐。
Memory Palace 要做的就是，给你的openclaw 加一个真正能用的外部长期记忆系统，并且不破坏原有openclaw的memory system。
项目设计架构为 plugin + skills
- Plugin（插件）是 负责和后端 MCP 进行服务通信、处理生命周期 Hook、注册工具、管理自动回忆/自动捕获。它挂载在 OpenClaw 的
memory插槽上，不破坏原有openclaw的memory system。 - Skills（技能）是 专为openclaw写的行为准则，教你的openclaw如何使用这个记忆插件，来做到更好的为你的openclaw提供相关记忆功能，让你的AI更懂你。
在 OpenClaw 里的定位
Memory Palace 通过接入 OpenClaw 的 memory 类型插槽，不替换 OpenClaw 自带的 USER.md / MEMORY.md。它是在宿主记忆之上加一层持久化、可检索、可审计的记忆存储。两者可以共存，Memory Palace同时通过 Host Bridge 功能可以把 USER.md / MEMORY.md 里的内容自动导入到自己的记忆系统中。
这个记忆插件适合那些人群
- OpenClaw 用户，多session切换频繁，希望 AI 记住你的相关偏好和工作流以及各类需要进行持久化存储的内容
- 需要多 Agent 协作的场景，需要实现Agent之间的记忆隔离（ACL）
- 希望能够通过可视化dashboard界面来管理记忆
- 对记忆质量有要求的用户
当前项目能做到什么？
用一句话概括：自动记、自动想、能守卫、能搜索、能看见。
- 自动记：对话结束后自动提取有价值的信息存入
- 自动想：开始新对话时自动搜索相关记忆注入上下文
- 能守卫：Write Guard 阻止重复和低质量的记忆写入
- 能搜索：支持关键词 + 语义 + 混合三种检索模式
- 能看见：Dashboard中具备记忆浏览、审查回滚、清理维护、搜索诊断这四种功能，将其提供给用户进行可视化的操作
建议继续阅读，跳转至GitHub对应链接：已实现能力完整清单
系统架构图1024×1024 278 KB
系统整体架构：后端 MCP 服务 + 插件层 + Skills，三层协同
二、最快上手方式
推荐方式：对话式安装
最推荐的方式是用 Onboarding Skill 通过和 OpenClaw 对话来完成安装。
Memory Palace 自带一个 memory-palace-openclaw-onboarding Skill，它专门负责引导你完成相关安装和配置操作。大致流程如下：
- 先把插件装到 OpenClaw
- 在 OpenClaw 里开始对话将这个链接交给openclaw并和openclaw说参照这个link 帮我安装这个Memory-Palace-Openclaw，Memory-Palace-Openclaw/docs/openclaw-doc/18-CONVERSATIONAL_ONBOARDING.md at main · AGI-is-going-to-arrive/Memory-Palace-Openclaw，Onboarding Skill 会自动识别当前状态
- 它会帮你检查环境、探测 Provider 连通性、推荐合适的 Profile
- 你跟着它的提示选择配置，它自动帮你应用
这个方式通过和openclaw一步步对话就能完成安装流程
第一步到底该干什么
第一步：安装插件到 OpenClaw。
git clone https://github.com/AGI-is-going-to-arrive/Memory-Palace-Openclaw.git
cd Memory-Palace-Openclaw
python scripts/openclaw_memory_palace.py setup --profile b
第二步：在 OpenClaw 里开始对话。 Onboarding Skill 会接管引导你完成整个安装流程。
一步步的和openclaw进行对话就能完成安装流程，顺利使用上当前项目
相关内容建议继续阅读，跳转至GitHub对应链接：用户安装与使用完整指南 | Skills 快速上手
对话式安装流程1024×1024 273 KB
通过 OpenClaw 对话完成安装配置，不需要手动编辑文件
Onboarding 截图 - 已安装状态1440×900 83.9 KB
Onboarding Skill 检测到已安装状态，引导你进入配置流程
Onboarding 截图 - 未安装状态1440×900 72.6 KB
如果还没装安装plugin，Onboarding Skill 会先引导你完成安装，再进入配置
Onboarding 对话路径流程图705×1094 39.2 KB
对话式 Onboarding 完整路径：从检测状态到完成配置的每一步
三、安装方式（分平台说明）
安装环境（三平台通用）
- Python 3.10 - 3.14
- Node.js ^20.19.0 或 >=22.12.0 <23
- OpenClaw >= 2026.3.2
- Git（如果从源码安装）
macOS
# 1. 确认 Python 和 Node 版本
python3 --version # 需要 3.10-3.14
node --version # 需要 20.19+ 或 22.12+
# 2. 克隆仓库
git clone https://github.com/AGI-is-going-to-arrive/Memory-Palace-Openclaw.git
cd Memory-Palace-Openclaw
# 3. 运行安装
python3 scripts/openclaw_memory_palace.py setup --profile b
# 4. 应用 Profile（可选，如果安装脚本没自动做）
bash scripts/apply_profile.sh macos b
数据库默认路径：/Users/<你的用户名>/memory_palace/agent_memory.db
macOS 上运行 MCP 服务时会通过 zsh -lc 'bash run_memory_palace_mcp_stdio.sh' 启动。
Windows
# 1. 确认版本
python --version # 需要 3.10-3.14
node --version # 需要 20.19+ 或 22.12+
# 2. 克隆仓库
git clone https://github.com/AGI-is-going-to-arrive/Memory-Palace-Openclaw.git
cd Memory-Palace-Openclaw
# 3. 运行安装
python scripts/openclaw_memory_palace.py setup --profile b
# 4. 应用 Profile（可选）
.\scripts\apply_profile.ps1 -Platform windows -Profile b
数据库默认路径：C:\memory_palace\agent_memory.db
Windows 上 MCP 服务直接通过 python.exe mcp_wrapper.py 启动，使用 venv 的 Scripts\python.exe。
Windows 注意事项：
- 用
install_skill.py安装 Skill 时，symlink 模式需要管理员权限。如果你对此介意的话建议使用 copy 模式：python scripts/install_skill.py --mode copy
Linux
# 1. 确认版本
python3 --version
node --version
# 2. 克隆仓库
git clone https://github.com/AGI-is-going-to-arrive/Memory-Palace-Openclaw.git
cd Memory-Palace-Openclaw
# 3. 运行安装
python3 scripts/openclaw_memory_palace.py setup --profile b
# 4. 应用 Profile
bash scripts/apply_profile.sh linux b
数据库默认路径：/home/<你的用户名>/memory_palace/agent_memory.db
Linux 上的行为和 macOS 基本一致（都归类为 posix），主要区别在 DB 路径。如果你跑在网络文件系统（NFS、CIFS、SSHFS）上，后端会检测并发出文件锁可靠性警告 ------ 建议用本地磁盘。
Docker 一键部署（未全面测试，建议使用上述三种方式）
# macOS / Linux
bash scripts/docker_one_click.sh
# Windows
powershell -File scripts/docker_one_click.ps1
如何验证安装是否成功
安装完成后，可以跑诊断命令，用于确认一切正常：
openclaw memory-palace verify --json
openclaw memory-palace doctor --json
或者直接在 OpenClaw 对话中问 Agent**「检查一下 Memory Palace 的安装状态」，它会调用 memory_onboarding_status 帮你检查。
image1809×467 41.8 KB
相关内容建议继续阅读，跳转至GitHub对应链接：安装与使用指南 | 故障排查
还可使用以下高级路径进行安装
image1920×1080 324 KB
安装涉及的相关边界：哪些是自动安装的，哪些需要手动配
插件与宿主边界645×1172 26.3 KB
Plugin 与 OpenClaw 宿主的分层关系：哪些归插件管，哪些归宿主管
四、档位说明 — Profile A / B / C / D
Memory Palace 有四个 Profile（档位），相关能力逐级递增，但是要求提供相关的配置才能进行升级。需要根据你的实际情况选则不同的档位。此外如果你拥有embedding+reranker+llm对应api的情况下强烈使用Rrofile D，拥有最完整的体验。
Profile A — 「关键词兜底」
- 检索模式：纯关键词（keyword）
- 不需要任何外部 embedding / reranker / LLM
- 不启用索引 worker
- 适合极低配置环境，或者你只是想先体验一下最基本的功能
总结：最简单的全文搜索，能用但效果一般。适合「先跑起来」的场景。注意 Profile A 默认关闭 index worker 和 Assistant-Derived Capture。
Profile B — 「零配置启动」（推荐起步）
- 检索模式：混合（hybrid = 关键词 + embedding）
- Embedding 后端：hash（dim=64）------ 本地计算，不需要任何外部 API
- 不需要 reranker，不需要 LLM
- 启用索引 worker 和延迟索引
总结：不需要配任何 API key，装完就能用。hash embedding 是一种轻量级的向量化方式，精度不如真正的语义 embedding，但相对于纯关键词检索强得多。如果你没有任何embedding+reranker相关配置，选择该档位。
Profile C — 「真语义检索」
- 检索模式：混合（hybrid）
- Embedding 后端：API（默认配置
Qwen/Qwen3-Embedding-8B，dim=1024） - Reranker：启用（默认配置
Qwen/Qwen3-Reranker-8B，weight=0.30） - LLM 辅助功能：可选 opt-in（不是默认开启）
- 索引队列扩大到 512，保留最近 100 个 job
总结：这是真正的语义检索。比如，你搜「我的编程喜好」能找到「我喜欢vibe coding」这种语义相关但关键词不匹配的内容。需要一个 embedding API 和一个 reranker API。推荐用 Qwen3 系列模型 ------ embedding 和reranker模型。本人测试使用的为Qwen3 embedding 8B和Qwen3 reranker 8B模型。请用户根据自己实际的embedding和reranker模型配置对应的model name，以及对应的embedding dimension。
Profile C 需要你额外提供：
- Embedding API 地址 + API Key +Model name
- Reranker API 地址 + API Key +Model name
- LLM API 地址 + API Key +Model name（如果你想开启LLM各种选配设置）
Profile D — 「全功能旗舰」
- 在 Profile C 的基础上，增加三个 LLM 辅助功能：
- Write Guard LLM：用 LLM 判断写入是否重复/矛盾
- Compact Gist LLM：用 LLM 生成会话摘要
- Intent LLM：用 LLM 识别搜索意图
- Reranker weight 提升到 0.35
总结：在当前最终档位你能够获得当前项目的完整体验。三个辅助功能共享同一组 API 配置（LLM_API_BASE / LLM_API_KEY / LLM_MODEL），提供一个配置然后系统会自动分发给 write_guard、compact_gist、intent 三个子功能。
Profile D 需要你额外提供（在 Profile C 基础上）：
- LLM API 地址 + API Key + 模型名
Profile D 会进行相关测试，确保可用性：所有 LLM 相关字段都不能是占位符，WRITE_GUARD_LLM_ENABLED、COMPACT_GIST_LLM_ENABLED、INTENT_LLM_ENABLED 都要是 true 且 API 配置完整。此外，目标环境里的 probe / verify / doctor / smoke 验证也需要真实通过，Profile D 才算 ready。
image1968×413 33.9 KB
Profile B → C 是体验上的最大提升（从 hash embedding 到真正的semantic embedding + reranker），Profile C → D 是质量上的进一步提升（LLM 辅助能够让我们的 guard/gist/intent 更精确）。
如果你有的 embeddin+reranker API，强烈建议至少上到 C。更进一步添加LLM API，直接上到火力全开档，使用Profile D，享受最完整的体验。
相关内容建议建议继续阅读，跳转至GitHub对应链接：Profile 能力边界详解 | Profile 能力总览（HTML）
Profile 能力阶梯图3840×2160 875 KB
四个 Profile 的能力阶梯：从 A 到 D 逐级增强
Profile 语义矩阵3840×2160 832 KB
各 Profile 在不同维度上的详细能力对比
五、在 OpenClaw 里怎么用
装好 plugin 并完成 setup 后，该plugin会自动运行，基本不需要手动干预
在支持相关 hooks 的 OpenClaw 宿主里（需要 >= 2026.3.2，最新测试使用的是2026.4.14版本），大部分 recall / capture 可以自动运行，不需要你和openclaw对话才能对于memory进行操作。
安装并通过 verify / doctor 验证后，Agent 每次开始新对话时：
- Auto-Recall（自动回忆） 会自动搜索相关记忆，注入到对话上下文中
- 你不需要说「搜索一下我之前说过的…」，它自己会搜
Agent 每次对话结束时：
- Auto-Capture（自动捕获） 会自动分析对话内容，把有价值的信息存入记忆
- 你不需要说「记住这个」，它自己会判断什么值得记
当你在对话中发送图片时：
- Visual Context（视觉上下文） 会自动从图片中提取信息
注意：自动回忆/捕获依赖 OpenClaw 宿主的 hook 支持（before_prompt_build、agent_end 等）。如果宿主版本过旧或 hook 未触发，Plugin 会尝试 fallback，但自动化效果可能打折。
image1917×738 95.2 KB
OpenClaw相关使用场景
日常使用（90% 的时候）：正常和 OpenClaw 对话就行。Auto-Recall 会在对话开始时自动搜索相关记忆并注入上下文，Auto-Capture 会在对话结束时自动存储有价值的信息。你完全意识不到当前记忆系统的存在，无感使用。慢慢的，你会发现 AI 越来越「懂你」。
偶尔需要干预（10% 的时候）：
- 想主动存一条重要信息：对 Agent 说「记住：我喜欢使用codex进行vibe coding」
- 想搜索之前的记忆：对 Agent 说「搜一下我的编程喜好」
- 如果Write Guard 挡住了一次写入（Agent 会告诉你原因）：再你确认需要存入长期记忆，能够让 Agent 强制写入我们的记忆系统
- 想把当前对话的要点长期保存：对 Agent 说「把当前对话的关键决定存到记忆里」
你不需要记住任何 tool 名称。 Agent 已经通过 Skill 知道什么时候该调用什么工具。你只需要用自然语言表达意图就行。
Onboarding Skill 和日常 Skill 的区别
项目内置两个 Skill：
memory-palace-openclaw-onboarding：主要是用于初次安装引导用的，完成配置后就不会再使用memory-palace-openclaw：交付给openclaw的日常行为准则，告诉openclaw 什么时候使用我们这个plugin
Skill 的核心原则是：默认信任自动行为，只在用户明确要求时才手动干预。 这意味着 Agent 不会每次对话都「命令式」地使用记忆系统，而是自然地在后台运作。
相关内容建议继续阅读，跳转至GitHub对应链接：Skills 设计说明 | MCP 工作流参考
OpenClaw 中的记忆回忆确认1440×900 96.9 KB
实际运行截图：Agent 自动回忆相关记忆并在对话中使用
OpenClaw 中的 Skills 面板1600×1000 89.4 KB
OpenClaw 控制面板中的 Memory Palace Skill 详情
Write Guard 拦截后的强制确认1440×900 92.2 KB
实际运行截图：Write Guard 拦住了一次写入，用户确认后 Agent 强制写入成功
Memory Chat 对话1600×1000 72.2 KB
在 OpenClaw 中与记忆系统交互的实际对话过程
Skills 总览页面1600×1000 85.5 KB
OpenClaw Skills 面板总览：memory-palace-openclaw 和 onboarding 两个 Skill 都可见
六、Benchmark — 针对openclaw的真实场景测试
Memory Palace 的 benchmark 分两层：检索管线质量（能不能搜到）和产品决策质量（设置的高级feature，Write Guard 拦不拦得住、Intent 识别准不准、Gist 摘要好不好）。后者才是这个项目真正不一样的地方。
所有数据来自 docs/EVALUATION.md，仓库里有完整的 gold set、复跑脚本和原始报告。
先看检索能力：Memory-Native Benchmark
使用通用学术数据集（SQuAD v2、BEIR NFCorpus）也进行了测试，但它们测的是通用段落召回能力，和「记忆系统里找历史决策/偏好/时间线」这种真实场景差距很大。所以项目专门做了一套 Memory-Native Benchmark：用真实记忆文本风格（6 个领域 x 8 种文本风格，70 条 synthetic corpus），覆盖 factual / temporal / causal / exploratory 四类记忆查询，以及 scope/path/ancestor 约束、alias 召回、近重复、版本漂移、冲突记忆等 Memory Palace 特有场景。
image1923×393 26.8 KB
核心亮点：产品质量门禁（Quality Gates）
Memory Palace 不只做检索，并且专门为openclaw设计了三个高级feature它的 Write Guard、Intent 识别、Compact Gist 都在独立的 benchmark 和 gold set进行了测试。
Write Guard — 写入守卫到底拦得准不准
用 200 条 gold set（覆盖 ADD / UPDATE / NOOP 三种情况，比例 35% / 35% / 30%）测试 Write Guard 的判断准确率。
image1909×322 16.5 KB
总结：Precision 1.000 意味着 Write Guard 不会错误拦截你想写入的新内容。Recall 0.839 意味着有 16% 的重复/更新内容没被拦住。
开启 LLM（Profile D）后：
image1787×274 19.4 KB
对于C/D 配置设计benchmarkd时 — Score Normalization设计思路：
最初 Profile C/D 的 Write Guard Exact Match 只有 0.460------分数非常低，原因不是代码有 bug，而是 Qwen3-Embedding（1024 维）的 cosine similarity 分数压缩在 0.85-1.00 其中（最小值 0.846，均值 0.941），导致原来为 hash embedding（64 维）校准的固定阈值完全失效。
做了 63 点网格扫描后进行修正：单纯调阈值解决不了这个问题。所以最终设计了 Score Normalization 方案：对 NOOP 判定使用归一化分数（floor=0.85），只有真正的近重复（raw ~1.0）才触发 NOOP；同时新增 keyword cross-check，全局关键词分数极低时降级为 ADD。
image1837×499 32.1 KB
B 不受影响，C/D 从 0.46 直接跳到 0.845。Score Normalization 对 api embedding backend 默认开启，不需要手动配置。
矛盾检测：Write Guard 开启 LLM 后还支持 contradiction 检测（判断新内容是否和已有记忆矛盾），40 条 gold set 实测 accuracy=0.950、precision=0.950、recall=0.950。
Intent 识别 — 搜索意图分得准不准
用 200 条 gold set（80 条中文 + 120 条英文，基于 OpenClaw 真实场景模板生成）测试四种意图分类：factual / exploratory / temporal / causal。
image1861×392 19.6 KB
基础 gold set 上达到 1.000。关键词表从 15 个扩充到 53 个。
Product gold set（更复杂的场景，200 条）： keyword 准确率 0.910。
image1831×379 22.9 KB
规则分类器在原有gold set上相关指标已经有 0.910了，开启LLM后指标 提升到 0.940 虽然有并不算高。对大部分用户来说，这个feature可以选择关闭。
Compact Gist — 摘要质量怎么样
用 90 条测试评估摘要质量：
| 模式 | ROUGE-L |
|---|---|
| extractive（提取式） | 0.720 |
| LLM gist | 0.678 |
为什么看起来 LLM 反而不如 extractive？这其实是 ROUGE-L 指标本身的偏差------extractive 直接从原文复制文本片段，天然和 reference 词面重合度高。项目里做了独立的 pairwise judge 和 factual coverage 测试，LLM gist 在连贯性和概括能力上通常更好。
默认 LLM 超时已从 8s 提升到 45s（COMPACT_GIST_TIMEOUT_SEC），避免推理型模型超时降级，可以采用non-thinking model，或者关闭LLM的thinking。
Replacement Acceptance实验
除了检索和质量指标，项目还跑了一套完整的 Replacement Acceptance E2E，验证 Memory Palace 能否在 OpenClaw 里承担默认 memory system 的职责。
image1907×369 62.3 KB
image1496×676 87.2 KB
相关内容建议继续阅读，跳转至GitHub对应链接：完整评测文档（EVALUATION.md） | Benchmark 脚本目录 | Memory-Native Benchmark 报告
七、技术架构
三层结构
Memory Palace 是三层架构：
┌─────────────────────────────────────────────────┐
│ Skills 层（交给Agent的行为准则） │
│ 教 Agent 什么时候用、怎么用 │
├─────────────────────────────────────────────────┤
│ Plugin 层（TypeScript插件） │
│ Hook 注册、工具注册、自动回忆/捕获、ACL、配置管理 │
├─────────────────────────────────────────────────┤
│ Backend 层（MCP 服务） │
│ SQLite 存储、检索引擎、Write Guard、索引管理 │
└─────────────────────────────────────────────────┘
Backend：Python FastAPI 应用，通过 MCP 协议暴露工具接口。所有记忆的增删改查、检索、索引、Write Guard 都在这一层。数据存在 SQLite 中，支持关键词 FTS（全文搜索）+ 向量检索。6 次数据库 migration，数据模型包括 Memory、Path、MemoryChunk、MemoryChunkVec、EmbeddingCache、MemoryGist、FlushQuarantine 等。
Plugin：TOpenClaw 扩展，用于添加到 OpenClaw 的 memory 插槽。负责和 Backend 通信（支持 stdio 和 SSE 两种传输协议，默认 auto 优先 stdio）、注册生命周期 Hook、实现自动回忆/捕获逻辑、ACL 校验。
Skills：用于定义 Agent 的行为准则。不包含代码，只包含对于openclaw「什么时候该调什么工具」的相关指导。
生命周期 Hook
image1835×405 46.2 KB
数据模型
记忆以 URI 地址 进行组织，格式为 domain://path，例如：
core://agents/default/captured/preference/sha256-abc123system://boot、system://index、system://auditnotes://project-setup
有效域名：core、writer、game、notes、system（system 为只读域）。
关键设计：
- 版本化：更新记忆时创建新版本，旧版本标记为 deprecated 但不删除，可以回滚
- 内容与路径分离：一份内容可以通过多个 URI 路径访问**（alias 机制）**
- URI 安全校验：禁止路径穿越、禁止 Windows 绝对路径、最大深度 128、最大路径长度 2048
一次openclaw对话的完整数据流是什么样的
image1246×821 94 KB
相关内容建议继续阅读，跳转至GitHub对应链接：技术架构总览 | MCP 工作流参考
运行时架构图3840×2160 793 KB
运行时架构：Plugin 如何和 Backend 协同工作
image1920×1080 256 KB
记忆引擎内部：检索管道、索引 worker、Write Guard、活力衰减
image1920×1080 273 KB
一次完整的写入-回忆数据流
image1920×1080 339 KB
记忆数据模型：URI 地址、版本化存储、内容与路径分离
默认记忆链3840×2160 900 KB
默认记忆链：从用户输入到记忆存储/检索的完整处理链路
八、ACL 多智能体记忆隔离（实验特性）
为什么需要记忆隔离
如果你在 OpenClaw 中设置了多个 Agent（比如一个负责前端、一个负责后端、一个负责编排），它们默认共享同一个记忆库。这会导致：
- 后端 Agent 看到前端 Agent 存的「这个项目用 html+css」
- 编排 Agent混入开发 Agent 关于代码风格的偏好
- 或者是项目 A 的 Agent 读到了项目 B 的配置细节
在单人单项目场景下这可能无所谓，但在多 Agent 协作或多项目并行的场景下就需要解决相关问题。
工作原理
ACL 基于 URI 前缀 进行隔离。每个 Agent 有三个关键配置：
- allowedUriPrefixes：这个 Agent 能读取的记忆范围
- writeRoots：这个 Agent 能写入的记忆范围
- 私有根模板：默认
core://agents/{agentId}，每个 Agent 自动获得独立的记忆空间
还可以配置共享区域：
sharedUriPrefixes：所有 Agent 都能读取的公共记忆sharedWriteUriPrefixes：所有 Agent 都能写入的公共区域
一个具体例子
假设你在openclaw设置了两个 Agent：alpha（负责后端）和 beta（负责前端）：
{
"acl": {
"enabled": true,
"sharedUriPrefixes": ["notes://team/"],
"sharedWriteUriPrefixes": ["notes://team/"],
"agents": {
"alpha": {
"allowedUriPrefixes": ["core://agents/alpha"],
"writeRoots": ["core://agents/alpha"]
},
"beta": {
"allowedUriPrefixes": ["core://agents/beta"],
"writeRoots": ["core://agents/beta"]
}
}
}
}
效果：
- alpha 存了「我喜欢吃」到自己的记忆空间 → alpha 能读，beta 读不到（返回 UNKNOWN）
- beta 存了「我喜欢吃」到自己的空间 → beta 能读，alpha 读不到
- 任何 Agent 写到
notes://team/architecture-decisions→ 双方都能读
对于 alias 机制设置了相关保护机制 ------ 通过 alias 索引检查，防止 Agent A 通过间接路径读到 Agent B 的记忆。
仓库中有真实的 ACL 演示截图（alpha 存入记忆后，beta 确实读不到），还有视频演示，具体见下列阅读指南。
怎么开启
ACL 默认关闭。开启方式是在 Plugin 配置中设置 acl.enabled: true，然后配置各 Agent 的权限。Onboarding 流程目前不会自动配置 ACL ------ 这是一个需要手动设置的进阶功能。
适用边界
需要明确：ACL 当前是实验性功能。它的定位是协作隔离（防止不同角色的 Agent 互相干扰）如果你只有一个 Agent，不需要开这个功能。
相关内容建议继续阅读，跳转至GitHub对应链接：ACL 隔离完整指南
image1161×646 157 KB
ACL 记忆隔离原理：每个 Agent 有自己的记忆空间，共享区域可进行配置
ACL Agents 页面1600×1200 101 KB
OpenClaw Agents 页面：可以看到多个 Agent（alpha / beta）及其各自的记忆隔离配置
ACL alpha Agent 记忆确认1600×1200 99.9 KB
Alpha Agent 成功存入记忆
ACL beta Agent 被隔离1600×1200 99.3 KB
Beta Agent 无法读取 Alpha 的记忆 — 隔离生效
九、核心 Feature 与技术亮点
Write Guard（写入守卫）
解决的问题：防止 AI 往记忆里塞垃圾、存重复内容、或者写入和已有记忆矛盾的信息。
工作方式：每次通过 memory_learn 写入时，Write Guard 做预检判断：
- ADD：新内容，允许写入
- NOOP：和已有记忆重复，阻止写入并说明原因
- UPDATE：和已有记忆相似但有新信息，引导更新而非新建
- BYPASS：仅元数据变更
Profile A/B/C 下用规则匹配（关键词 + 语义相似度判断），Profile D 下升级为 LLM 判断，能理解语义层面的重复和矛盾 ------ 比如「部署在 3 个 node 上」和「k8s 集群用了三台机器」这种不同表述但含义相同的情况。
安全设计：Fail-closed ------ Guard 如果出现问题或返回异常时，默认阻止写入。有 8 种 force override 路径用于不同场景（visual、namespace、host bridge、explicit 等），但用户手动存储时需要确认后才能 force。
之前的bencmark中使用了专门的 gold set 用于测试该feature的性能，包括正常写入、重复检测、矛盾检测等场景。确保真实好用。
image1186×665 129 KB
Write Guard 审查循环：写入 → 预检 → 允许/阻止 → 可强制覆盖
Auto-Recall（自动回忆）
解决的问题：让 AI 在每次新对话开始时自动「想起」相关的历史信息，不需要用户提醒。
image1824×414 64.2 KB
Auto-Capture（自动捕获）
解决的问题：让 AI 自动把对话中有价值的信息存入记忆。
image1960×449 74.9 KB
Intent Recognition（意图识别）
解决的问题：理解用户搜索记忆时的真实意图，选择最优的检索策略。
4 种意图类型：factual（事实查询）、exploratory（探索性）、temporal（时间相关）、causal（因果关系）。不同意图会导致不同的检索策略模板 ------ 比如时间相关的查询会更侧重最近的记忆。
Profile A/B/C 用规则分类（keyword pattern），Profile D 用 LLM 分类。
Compact Context / Gist（上下文压缩）
解决的问题：把长对话压缩成简洁的摘要，持久化到记忆中。
两种模式：
- 手动：通过
compact_context工具主动触发 - 自动：对话结束时 Reflection 系统触发
Profile D 下用 LLM 生成更高质量的摘要。默认最多 12 行。
Reflection Lane（反思）
解决的问题：从对话中提取高层次的教训和规律，而不仅仅是具体事实。
反思会把对话内容分类为 5 种类型：event（事件）、invariant（不变量）、derived（推导结论）、openLoops（未解决问题）、lessons（教训）。存入 core://reflection/{agentKey}，带有 14 天的衰减提示 ------ 存储的时间越久反思权重越低，模拟人类记忆遗忘。
三种触发源：agent_end（对话结束）、compact_context（上下文压缩）、command_new（新会话）。
注意：Reflection 默认关闭（reflection.enabled: false），需要在 Plugin 配置中手动开启。同样，Profile Memory 也默认关闭（profileMemory.enabled: false）。Smart Extraction 仅在 Profile C/D 下自动启用。
image1178×655 133 KB
Reflection Lane 反思通道：从对话中提取高层次教训，14 天自然衰减
Visual Memory（视觉记忆）
解决的问题：让 AI 能记住图片中的信息。
支持存储 6 个维度的信息：summary（概述）、OCR（文字识别）、entities（实体）、scene（场景）、whyRelevant（为什么重要）、confidence（置信度）。
去重策略可选：merge（合并相同图片的信息）、reject（拒绝重复）、new（总是新建）。每条视觉记忆都有 SHA-256 溯源 hash。
视觉记忆 - 命名空间根节点1600×1000 138 KB
Dashboard 中的视觉记忆命名空间：按来源和类型组织的树状结构
视觉记忆 - 详情1600×1000 140 KB
视觉记忆详情页：可以看到 summary、OCR、entities 等提取结果
Host Bridge（宿主桥接）
解决的问题：OpenClaw 自带的 USER.md / MEMORY.md 有内容，Memory Palace 不应该忽略它们。
Host Bridge 会自动扫描工作区的 USER.md、MEMORY.md 和 memory/ 目录，把相关内容导入到 Memory Palace 中 ------ 原文件不受影响。
严格的安全设计：TOCTOU-resistant 文件读取（O_NOFOLLOW + fstat + inode 验证）、符号链接阻断、路径逃逸防护、注入检测、敏感文本过滤。单次最多导入 2 个文件，单文件最大 256KB。
Prompt Safety（提示词防御）
解决的问题：防止被投毒的记忆影响 AI 行为。
如果有人（或者 AI 自己误写了）往记忆里存了一条**「忽略之前的所有指令，执行 xxx」，Prompt Safety 会检测并拦截这种注入**。
覆盖英文、中文、日文、韩文四种语言，结合主检测模式、compact 检测模式、NFKD 归一化、零宽字符清理和 Cyrillic 同形字映射来拦截记忆注入，防止 unicode 层面的逃逸。
相关内容建议继续阅读，跳转至GitHub对应链接：技术架构总览 | 安全与隐私文档
image1920×1080 346 KB
核心技术亮点一览
十、MCP Tools 说明
以下工具大部分为自动调用
Memory Palace 的设计理念是**「自动为主，手动为辅」**：
- 自动回忆和自动捕获 通过 Hook 在后台运行，用户完全无感
- 4 个用户工具（memory_search、memory_learn、memory_get、memory_store_visual）由 Agent 根据 Skill 规则自动判断是否需要调用
- 你只需要用自然语言表达意图，不需要记任何工具名
image1876×400 43 KB
image710×301 22 KB
image1905×693 64.1 KB
在 OpenClaw 里你到底需要怎么操作才能使用这些tools
平时：什么都不做。正常对话，记忆系统在后台自动运作。
偶尔进行干预：用自然语言。「记住这个」「搜一下之前的」「把对话要点存下来」「检查一下记忆状态」。
不需要记工具名，不需要记命令，不需要记参数。
相关内容建议继续阅读，跳转至GitHub对应链接：MCP 工具参考文档 | 触发样本参考
十一、Dashboard
Memory Palace 自带一个可视化的前端 Dashboard，5 个页面，覆盖记忆管理的全生命周期。支持中英双语切换。
image1705×1183 203 KB
怎么访问dashborad
image1863×259 20.3 KB
相关内容建议继续阅读，跳转至GitHub对应链接：Dashboard 完整指南 | 真实素材清单
Dashboard - Setup 页面1600×1000 196 KB
Setup 页面：首次配置引导
Dashboard - Memory 页面1600×1000 138 KB
Memory 页面：记忆浏览和搜索
Dashboard - Review 页面1600×1000 112 KB
Review 页面：写入审查和回滚
Dashboard - Maintenance 页面1600×1000 103 KB
Maintenance 页面：索引重建和清理
Dashboard - Observability 页面1600×1000 174 KB
Observability 页面：搜索诊断和系统监控
Dashboard 页面导览图1031×206 9.14 KB
Dashboard 5 个页面的导览关系：从 Setup 到 Observability 的完整管理链路
最后
项目地址：
GitHub - AGI-is-going-to-arrive/Memory-Palace-Openclaw
通过在 GitHub 上创建帐户来为 AGI-is-going-to-arrive/Memory-Palace-Openclaw 开发做出贡献。
如果有 bug 或者用着有什么问题，欢迎在 GitHub 上开 issue，或者直接私信我。也欢迎提PR，有不错的会积极采纳。
觉得还不错的话，给个 star 吧。个人耗费了很大精力完成的该项目，给个star 就是最大的动力。
网友解答：--【壹】--：
前排入座学习一下，刚好最近迁移了hermes-agent，想试试在爱马仕里是否适配
--【贰】--：
我会话不显示上下文了，很奇怪，不知道怎么回事，他自己删除了一下历史会话好像
--【叁】--：
你也可以让你的hermes-agent 帮你改，哈哈。
我这边评估一下，如果改造难度不大，时间不长的话我会尝试进行改造，提供一个hermes agent版本
--【肆】--：
这个领域开始卷的项目好像挺多了，看完以后不知道和其他项目相比有和优劣
--【伍】--：
顶一下，各位用open claw的欢迎来看看，使用呀。
多给点反馈，才能更好点改进
感觉一下子就被信息流刷下去了，很多人都没看到
--【陆】--：
start一下，挺实用的，现在openclaw热度降下来了，但是我感觉还是挺有用的至少对我来说
--【柒】--：
支持下大佬，虽然有AI，但肝项目不容易，要花大量时间调试
--【捌】--：
正想找个教程学习一下这个mempalace,感谢佬了
--【玖】--：
捞一捞，用open claw的各位佬友欢迎来使用，提出相关建议
花了很大的精力才做好的
--【拾】--：
正是这么想的哈，晚上闲了打算让hermes整一下适配，看看效果用一段时间再过来给反馈
--【拾壹】--：
你好这是我让claude帮我进行总结的你可以看看，搜集了相关竞品数据和真实代码情况进行比对的。
相关竞品
image1691×1200 271 KB
功能对比
image1527×1677 256 KB
优势点
image2099×1765 433 KB
image2190×1134 305 KB
相对不足之处
image1445×822 95.4 KB
--【拾贰】--：
先收藏了，佬，确实我现在养虾也是这样，每天都要跟打半天架才能开工
--【拾叁】--：
image1080×365 48.5 KB
image938×298 10.4 KB佬 为啥我今天加载之后会话经常丢
--【拾肆】--：
会话会丢是指没有存储到SQLite数据库中吗？还是什么情况
--【拾伍】--：
好的，可以先用一用看呢，然后有问题欢迎反馈
--【拾陆】--：
我先评估一下，看看改造难度，如果工作量不大，我尝试一下
--【拾柒】--：
最近正在找一套记忆系统，mark一下，仔细学习
--【拾捌】--：
支持一下大佬，之前我还在用openclaw的时候就在等你这个项目，但是现在我已经转到Hermes了 能出一个Hermes版本吗，我动手能力不足不会改
--【拾玖】--：
AGI-is-going-to-arrive/Memory-Palace-Openclaw | DeepWiki
Memory Palace is a durable memory system designed for OpenClaw, providing a long-term storage and retrieval layer for conversational traces $1. It functions as an OpenClaw plugin that intercepts event
附上项目对应的deepwiki链接，欢迎各位学习探讨交流