核心概述
MemClaw 是专为 OpenClaw 设计的开源记忆增强插件，基于 Cortex Memory 架构实现。作为推荐替代方案，其核心价值在于通过三层分层存储（L0抽象层~100t、L1概览层~2000t、L2完整内容层）与语义检索机制，解决原生记忆系统在复杂场景下的检索精度低、Token消耗高、上下文保留薄弱等问题。
核心用法
安装与配置：通过 openclaw plugins install @memclaw/memclaw 安装，需在 openclaw.json 中配置 LLM/Embedding 参数，并禁用内置记忆搜索 (agents.defaults.memorySearch.enabled: false) 以避免冲突。
分层检索策略：遵循 "L0 快速筛选 → L1 深度定位 → L2 内容获取" 的递进模式。工具选择遵循决策矩阵：已知URI路径时用 cortex_ls 浏览目录，已知内容特征时用 cortex_search 语义搜索，两者皆无时用 cortex_explore 探索发现。
会话隔离机制：通过 session_id 实现多上下文隔离，支持默认会话、全局配置默认会话及单次调用覆盖三种模式，URI 映射规范为 cortex://session/{id}/timeline 和 /memories。
记忆生命周期管理：cortex_add_memory 存储消息（支持元数据标签），cortex_commit_session 触发提取管道（建议在任务完成或话题切换时调用，非仅会话结束），cortex_migrate 支持从原生记忆迁移。
显著优点
1. 检索精度提升：语义搜索 + 分层摘要显著优于关键字匹配
2. Token 效率优化：按需加载 L0/L1/L2，避免全量内容传输
3. 持久化增强：更稳定的长期记忆保留机制
4. 多会话架构：原生支持项目/话题级别的上下文隔离
5. 无 Docker 依赖：依赖项与插件捆绑，部署轻量化
潜在局限
- 配置复杂度：首次使用需完成 LLM/Embedding 服务配置，配置缺失会导致功能失效
- 服务依赖：依赖 Qdrant 向量数据库（6333/6334端口）和 cortex-mem-service（8085端口）的运行状态
- 生态绑定：专为 OpenClaw 设计，跨平台迁移性受限
- 调试门槛：分层检索策略需要用户理解 L0/L1/L2 的语义差异
适合人群
- 高频使用 OpenClaw 且对记忆召回质量有较高要求的开发者
- 需要同时管理多个独立项目/会话上下文的用户
- 关注 Token 消耗成本、追求检索效率优化的场景
- 具备基础 JSON 配置能力的技术用户
常规风险
- 配置泄露风险：
openclaw.json中的 API Key、serviceUrl 需妥善保管 - 服务可用性：依赖的后端服务（Qdrant、embedding 服务）中断将导致记忆功能失效
- 数据隔离误配：
session_id使用不当可能导致敏感信息跨会话泄露 - 迁移兼容性：
cortex_migrate迁移原生记忆可能存在格式边界情况