OpenClaw Memory Qdrant

核心用法

memory-qdrant 是专为 OpenClaw 设计的本地语义记忆系统，通过 memory_store、memory_search、memory_forget 三个工具实现对话信息的持久化存储与智能检索。安装后默认启用 in-memory 模式（零配置），首次运行会从 Hugging Face 自动下载约 25MB 的 Xenova/all-MiniLM-L6-v2 嵌入模型。

显著优点

• 完全本地化：不依赖任何外部 API，数据隐私可控
• 灵活部署：支持 in-memory 快速测试与 Qdrant 服务端持久化两种模式
• 语义检索：基于 Transformer 嵌入向量实现语义相似度搜索，优于关键词匹配
• 零配置启动：开箱即用，适合快速原型验证

潜在局限

• 首次模型下载需网络连接（约 25MB）
• in-memory 模式数据随进程重启丢失
• 依赖原生模块（sharp、onnxruntime），部分环境需额外构建工具
• autoCapture 功能若启用，正则匹配可能误捕获邮箱、电话等 PII 信息

适合人群

需要为 AI Agent 添加长期记忆能力的开发者，尤其适合注重数据隐私、希望避免云 API 依赖的本地化场景。

常规风险

• 外接 Qdrant 服务器时存在数据传输安全风险，需确保服务端可信
• autoCapture 隐私泄露风险（默认关闭）
• 模型下载来源为 Hugging Face，需信任该分发渠道

核心用法

memory-qdrant 是 OpenClaw 的本地语义记忆插件，通过向量嵌入实现对话上下文的存储与检索。提供三个核心工具：

• memory_store：存储信息片段，支持自定义分类标签
• memory_search：基于语义相似度检索相关记忆，返回最相关的历史内容
• memory_forget：按 ID 或内容查询删除特定记忆

默认采用内存模式（in-memory），数据随进程重启清空；也可配置连接外部 Qdrant 服务实现持久化。

显著优点

1. 完全本地化：基于 Transformers.js 在本地运行 Xenova/all-MiniLM-L6-v2 模型（25MB），无需 OpenAI 等外部 API 密钥，无网络调用成本
2. 零配置开箱即用：内存模式无需任何服务部署，安装后即可使用
3. 语义理解能力：相比关键词匹配，能捕捉语义相近但表述不同的内容
4. 隐私优先设计：autoCapture 默认关闭，符合 GDPR 数据最小化原则

潜在局限

• 模型体积限制：MiniLM-L6 为轻量级模型，复杂语义理解能力弱于大型模型
• 首次运行延迟：需从 Hugging Face 下载 25MB 模型，离线环境需预先部署
• 原生依赖编译：onnxruntime 等模块可能需要平台构建工具（Windows: windows-build-tools, macOS: Xcode CLI）
• 持久化依赖外部服务：内存模式数据不持久，长期记忆需用户自行部署 Qdrant

适合人群

• 注重隐私、拒绝云端 API 的用户
• 需要低成本长期记忆方案的 OpenClaw 用户
• 具备基础 Node.js 环境配置能力的技术用户

常规风险

• PII 捕获风险：启用 autoCapture 后，内置正则可能捕获邮箱、电话等敏感信息，建议仅个人环境使用
• 外部服务风险：若配置自定义 Qdrant 服务器，数据加密与可信度取决于用户选择
• 供应链风险：依赖 Hugging Face 模型下载，虽域名可信，但需确保网络环境安全