OpenClaw Universal Memory

核心用法

OpenClaw Universal Memory 是一个连接器无关的记忆层解决方案，基于 Postgres 与 pgvector 扩展构建。它提供标准化的实体/分块 Schema，支持通过游标实现增量同步历史追踪，并可直接用于构建 RAG（检索增强生成）应用。

主要功能模块：

• Schema 初始化：一键创建标准化表结构（um_* 前缀）
• 数据摄入：支持 JSON/NDJSON 文件导入，或调用内置连接器（Google、Gmail、Slack 等）
• 增量同步：每个连接器/账户维护独立游标，支持断点续传
• 向量检索：基于 pgvector 的语义搜索能力
• 事件追踪：完整的摄入历史审计日志
• 健康检查：内置 doctor 命令诊断环境配置

典型工作流：
1. 配置 DSN 并初始化 Schema
2. 验证连接器认证状态
3. 执行增量数据摄入（支持 --limit 限流）
4. 通过语义查询检索记忆片段

显著优点

• 架构解耦：连接器与存储层分离，便于接入任意数据源
• 标准化数据模型：统一的 external_id、entity_type、body_text、raw_json 等字段，降低多源异构数据处理复杂度
• 生产级特性：增量游标、摄入限流、事件审计、健康检查等运维友好设计
• RAG 原生支持：pgvector 向量存储与相似度检索开箱即用
• 扩展性强：提供连接器模板与详细贡献指南，社区驱动演进

潜在局限

• 基础设施依赖：必须自备 Postgres + pgvector 实例，增加了部署门槛
• Python 运行时限制：当前仅提供 Python 实现，需要 psycopg>=3.2 依赖
• AI 生成代码风险：项目明确标注"大部分为 AI 生成代码"，需人工审核后方可生产使用
• 连接器生态初期：内置连接器有限，自定义连接器需要遵循特定契约开发
• 无内置加密：依赖 Postgres 传输层安全（TLS）及 OS 级密钥管理

适合人群

• 需要统一多源数据（邮件、IM、项目管理工具）的个人知识库构建者
• 开发 RAG 应用的工程师，希望避免重复造轮子
• 有一定 DevOps 能力、能自建 Postgres 实例的技术团队
• 注重数据主权、倾向本地化部署而非 SaaS 的用户

常规风险

| 风险类别 | 说明 |

|---------|------|

| **凭证泄露** | 需通过环境变量或 OS 密钥库注入 DSN，禁止命令行传明文密码 |

| **权限过大** | 应配置最小权限数据库账户（仅限 `um_*` 表的 CRUD） |

| **数据合规** | 用户需自行确保对处理数据拥有合法权限，遵守隐私与留存法规 |

| **供应链风险** | 连接器代码需人工审查，不可盲目信任第三方贡献 |

| **无运营 SLA** | Apache 2.0 协议，无商业支持承诺 |

技术栈

• PostgreSQL 14+ with pgvector extension
• Python 3.9+ with psycopg[binary]>=3.2
• 可选：内置连接器需对应 OAuth 凭证（Google Workspace、Slack 等）