最简单的语义检索方案，不用装 QMD，不用懂技术
你是不是有过这种经历——
想找一条"上次聊过的那个关于 XX 的想法"，但 AI 说："抱歉，我不知道你在说什么。"
不是 AI 记性差，是你没给它配语义检索。
今天教你怎么给 OpenClaw 的 memorysearch 配一个 embedding 模型，让它真正"理解"你在搜什么。
一、先搞清楚：memorysearch 是什么？
OpenClaw 的记忆系统分两层：
- 记忆文件：
MEMORY.md、memory/YYYY-MM-DD.md这些，是真正的记忆内容 - 检索引擎：当 AI 要找"你上周提到的那件事"时，靠的就是检索引擎
memorysearch 就是这个检索引擎的名字。
| 方式 | 原理 | 效果 |
|---|---|---|
| 关键词搜索（BM25） | 找包含完全相同文字的内容 | "缓存"能找到"缓存"，找不到"Cache" |
| 语义搜索（Embedding） | 理解文字含义 | "缓存"能找到"Cache"、"临时存储器" |
| 混合搜索（Hybrid） | 关键词+语义各取所长 | 两者叠加，效果最好 |
语义搜索需要 embedding 模型。没有配，memorysearch 就只剩关键词一条腿走路。
二、两种方案，选一种
配 embedding 模型有两种方式：
方案一：在线 API（⭐ 最简单，推荐小白）
在配置里填 provider 和 model，OpenClaw 自动调用远程服务器。
支持的在线服务：
- OpenAI
text-embedding-3-small/text-embedding-3-large - Zhipu（智谱）
embedding-3 - SiliconFlow（硅基流动）
BAAI/bge-m3（免费额度很大）
优点： 一步配置完成，零安装，不需要跑任何本地服务 缺点： 需要 API Key，有少量调用费用（OpenAI 约 $0.02/百万token，SiliconFlow 免费）
方案二：本地 Ollama 模型
在本地跑一个 embedding 模型，完全免费，隐私好。
优点： 完全免费，数据不离开本机 缺点： 需要安装 Ollama 并下载模型（约几百 MB）
想最快用上 → 选方案一（在线 API） 想完全免费 → 选方案二（Ollama）
三、方案一配置：在线 API（三步搞定）
这是最简单的方式，不需要安装任何东西。
第一步：准备好 API Key
任选一个你有的在线 embedding 服务：
| 服务 | 模型 | 价格 | 获取地址 |
|---|---|---|---|
| SiliconFlow | BAAI/bge-m3 | 免费额度很大 | siliconflow.cn |
| OpenAI | text-embedding-3-small | $0.02/百万token | platform.openai.com |
| Zhipu | embedding-3 | 付费 | open.bigmodel.cn |
第二步：配置 openclaw.json
在 agents.defaults 下面添加 memorySearch 配置：
SiliconFlow 配置示例：
"agents": {
"defaults": {
"memorySearch": {
"provider": "openai",
"model": "BAAI/bge-m3",
"openaiBaseUrl": "https://api.siliconflow.cn/v1"
}
}
}
OpenAI 配置示例：
"agents": {
"defaults": {
"memorySearch": {
"provider": "openai",
"model": "text-embedding-3-small"
}
}
}
智谱配置示例：
"agents": {
"defaults": {
"memorySearch": {
"provider": "openai",
"model": "embedding-3",
"openaiBaseUrl": "https://open.bigmodel.cn/api/paas/v4"
}
}
}
提示：
provider填"openai"是因为这些服务都兼容 OpenAI 的 API 格式。
第三步：配置 API Key
确保你的 OPENAI_API_KEY 环境变量里有对应服务的 key：
# SiliconFlow
export OPENAI_API_KEY=sk-xxxxxxxxxxxx
# OpenAI
export OPENAI_API_KEY=sk-proj-xxxxxxxxxxxx
# 智谱
export OPENAI_API_KEY=xxxxxxxxxxxx
然后重启 OpenClaw：
openclaw gateway restart
验证
openclaw memory status --deep
看到 Provider: openai 和模型名就说明成功了。
四、方案二配置：本地 Ollama（五步搞定）
第一步：安装 Ollama
去 ollama.com，macOS 直接装客户端，Linux 一行命令：
curl -fsSL https://ollama.com/install.sh | sh
第二步：下载 embedding 模型
ollama pull gte-qwen2
gte-qwen2是目前最推荐给普通用户的——体积小（几百 MB）、速度快、中文支持好。
验证下载成功：
ollama list
能看到 gte-qwen2 就说明好了。
第三步：确保 Ollama 插件启用
打开 openclaw.json，确认插件开启：
"plugins": {
"entries": {
"ollama": {
"enabled": true
}
}
}
第四步：配置 memorySearch
"agents": {
"defaults": {
"memorySearch": {
"provider": "ollama",
"model": "gte-qwen2"
}
}
}
完整配置（含混合搜索优化）：
"agents": {
"defaults": {
"memorySearch": {
"provider": "ollama",
"model": "gte-qwen2",
"query": {
"hybrid": {
"vectorWeight": 0.7,
"textWeight": 0.3,
"mmr": {
"enabled": true,
"lambda": 0.7
},
"temporalDecay": {
"enabled": true,
"halfLifeDays": 30
}
}
}
}
}
}
参数说明：
vectorWeight: 0.7— 语义搜索权重 70%textWeight: 0.3— 关键词搜索权重 30%mmr.enabled— 开启 MMR，防止返回重复结果temporalDecay— 时间衰减，新记忆排名更靠前
第五步：重启并验证
openclaw gateway restart
openclaw memory status --deep
看到类似输出就成功了：
Memory Search: ✅ enabled
Provider: ollama
Model: gte-qwen2
Hybrid: vector (0.7) + text (0.3)
五、配完之后的效果
语义联想
- 问："上次说的那个关于缓存的问题"
- 配前：只能找包含"缓存"的内容
- 配后：能找到"Cache"、"临时缓冲区"、"临时存储器"
意图匹配
- 问："帮我找找投资那只基金的事"
- 配前：只找"基金"，你写的"买了点理财产品"找不到
- 配后：理解两者关联，都能找出来
知识发现
- 问："我之前提到过哪些关于 AI 的想法？"
- 配后：AI 从零散的日记笔记里，把所有相关内容关联起来
六、常见问题
Q: 内存不够怎么办？ A: gte-qwen2 非常轻量，4GB 内存就能跑。方案一（在线 API）完全不吃本地内存。
Q: 配了但没效果？ A: 运行 openclaw memory status --deep，确认模型加载成功。检查 plugins.entries.ollama.enabled 是 true。
Q: SiliconFlow 免费额度够用吗？ A: BAAI/bge-m3 每天有大量免费调用，普通用户聊天检索完全够用。
Q: 和 QMD 比，选哪个？ A: embedding 模型做语义检索够用了。QMD 是给需要重排序、查询扩展、索引外部文件夹的高级用户准备的。
总结
两种方式，三件事搞定：
方案一（在线 API）：
- 准备好 API Key
- 在
openclaw.json加几行配置 - 重启
方案二（本地 Ollama）：
- 安装 Ollama，下载
gte-qwen2模型 - 在
openclaw.json加几行配置 - 重启
配完那一刻，你的 AI 就真正"读得懂"你说的话了 🦞
*配好了吗？试着问 AI 一句模糊的话，比如"上次聊的那个学习方法"，感受一下什么叫语义检索。
