核心用法
pgmemory 是 OpenClaw 生态的持久化记忆层，解决智能体"每次会话清零"的核心痛点。通过 PostgreSQL + pgvector 向量数据库，存储决策、约束、基础设施事实等关键信息，并基于语义相似度自动召回。
关键操作流程：
1. 初始化：运行 setup.py 一键完成 Docker/PostgreSQL、迁移、嵌入提供商配置
2. 写入记忆：write_memory.py 支持 7 种分类（decision/constraint/infrastructure/vision/preference/context/task）和 3 级重要性（关键/重要/瞬时）
3. 查询召回：query_memory.py 支持语义搜索、按重要性过滤、统计、跨代理收割等
4. 维护：--doctor 健康检查、--decay 手动 decay、--sync-agents 多代理同步
多代理架构：每个 agent 拥有独立 namespace，支持主代理收割子代理记忆，通过 --harvest 实现知识聚合。
显著优点
- 架构成熟：PostgreSQL + pgvector 是生产验证的向量存储方案，稳定性远超内存型方案
- 分层记忆设计：3 级重要性 + 自动 decay 机制，关键记忆永不过期，低价值记忆自动归档
- 语义召回：基于向量相似度的模糊匹配，比关键词搜索更符合人类联想模式
- 多代理原生：namespace 隔离 + harvest 机制，适配复杂 agent 协作场景
- 运维友好：
--doctor诊断、--validate配置校验、cron 自动 decay，降低运维心智负担
潜在缺点与局限
- 外部依赖重：必须维护 PostgreSQL + pgvector 实例，本地开发需 Docker 或自建数据库
- 嵌入提供商锁定：v1.1 不支持跨提供商混合存储，切换需重建数据库（
--re-embed计划中） - Python 版本限制：需 3.9+，对旧环境不友好
- 无内置加密：数据库连接依赖 URI 明文，需额外配置 TLS 或网络隔离
- 向量维度敏感：不同嵌入模型维度不兼容，迁移成本较高
适合人群
- 运行长期项目的 OpenClaw 用户，需要智能体"记住"历史决策
- 多代理协作场景，需跨 agent 共享上下文
- 对数据持久化有强需求，接受一定运维成本的团队
- 熟悉 PostgreSQL 运维的开发者
常规风险
- 数据库单点故障：未提及高可用配置，生产环境需自行搭建 PG 主从
- API 密钥泄露：
api_key_env模式安全，但误提交.env仍有风险 - Decay 误删：归档而非删除是安全设计，但长期未访问的重要记忆可能被淹没
- 嵌入成本：依赖 Voyage/OpenAI 等商用 API，高频调用产生费用；Ollama 本地模式可降低但需 GPU