过去一段时间，随着 OpenClaw 的爆火，社区里也掀起了一场关于“记忆”的猛烈讨论。

有人在 X 上分享：用 OpenClaw 搭了 4 个 Agent 协作团队——Milo 负责战略，Josh 管业务，Angela 做营销，Bob 写代码。但每个 Agent 都要重复解释项目背景，信息传递靠手动复制粘贴。

也有开发者说：“OpenClaw 能做的事情太多了——清理 1 万封邮件、审查 122 个 PPT、自动发布 npm 包。但用久了会发现，它不会复用经验，每次都得重头再来，同样的坑还要踩第二遍。”

MemOS OpenClaw 插件：本地记忆，零数据上传

今天，MemOS OpenClaw 插件​本地部署版本正式发布​。

一行命令即可安装，你的 OpenClaw 将从此拥有​永久记忆​。

​100% 本地运行，零数据上传​​。

在本次发布本地版本之前，我们已经推出过基于 MemOS Cloud 云服务的 MemOS Cloud OpenClaw 插件。该插件通过 MemOS 的云端记忆服务，为 OpenClaw 提供跨设备、跨实例的长期记忆能力，适合团队协作或多环境部署。

链接：https://memos-claw.openmem.net/

而本次发布的​本地版 MemOS OpenClaw 插件​，所有数据都存储在用户本地，支持离线运行与完全的数据自主控制，适合对隐私、安全或本地化运行有更高要求的开发者。​两个版本均已全开源​，开发者可根据需求选择最合适的方案。

链接：https://github.com/MemTensor/MemOS/apps/memos-local-openclaw

哪个版本更适合我

简单来说，核心差异在于：数据放哪里，以及是否需要跨设备同步。

选择 MemOS Cloud 云服务版，如果你：

• 希望在团队或多 Agent 场景下支持​高并发记忆读写​，确保稳定响应与一致体验
• 关注​检索效率与低时延响应​，让 Agent 在调用记忆时依然保持流畅交互
• 不希望自行维护本地存储或基础设施，希望​零运维、开箱即用​，专注于业务与应用构建

MemOS Cloud 通过云端记忆服务，将 高并发处理、低延迟检索与统一记忆管理结合起来，让多实例、多 Agent 的协作更加稳定高效。

选本地版（本次发布），如果你：

• 对隐私和数据安全有较高要求，代码、密钥、内部架构不希望经过任何外部服务
• 需要完全离线运行，或部署在无公网访问的内网环境
• 希望对记忆数据有完整的自主控制权，随时可以备份、迁移或删除

MemOS：不只是"存聊天记录"

MemOS OpenClaw 插件不是简单地把对话存到本地文件。它是一套完整的记忆操作系统，包含六大核心能力。

1. 全量记忆写入

每次对话都会自动转化为结构化记忆，系统通过语义分块、去重和智能合并，让 AI 的记忆持续整理与进化，而不是无限堆积。

不丢失任何关键信息，也不重复存储。你和 AI 的每次对话，都会被完整记录下来。

举个栗子：

有人让 OpenClaw 帮忙部署应用，涉及 Docker Compose 配置、环境变量设置、Nginx 反向代理。如果只是简单存文本，这些关键信息会被切碎。 MemOS 的语义分块确保代码块、配置文件、命令序列都完整保存。

2. 混合智能检索

每次只注入真正有用的记忆，不会把无关内容灌进上下文。再来一个例子：

当你问「Docker 配置」，它不只是找包含「Docker」这个词的对话，还会找「容器部署」、「镜像打包」这些语义相关的内容。而且最近的对话会优先返回，过时的信息自动降权。

3. 任务自动总结

还有一个栗子：

你和 OpenClaw 花了 2 小时调试一个复杂的部署问题。对话可能有几十轮：

你：部署到 Vercel 报错了
Agent：看下报错信息
你：[粘贴报错]
Agent：需要修改 vercel.json
你：怎么改？
Agent：[给出配置]
你：还是不行
Agent：试试这个方案...
（继续 20 轮对话）
你：成功了！
​

MemOS 会自动把这 2 小时的对话总结成：

任务：部署 Next.js 应用到 Vercel

• 目标： 成功部署并解决 SSR 错误
• 关键步骤：
  • 配置 vercel.json 的 rewrites 规则
  • 修改 build 脚本处理环境变量
  • 调整 getServerSideProps 的错误处理
• 结果： 成功部署，访问正常
• 关键细节：
  • 需要在 vercel.json 中添加：{"rewrites": [...]}
  • 环境变量要在 Vercel Dashboard 设置，不能只在 .env
  • SSR 错误是因为客户端代码在服务端执行

下次遇到类似问题，直接调出这个任务总结，10 秒钟搞定。

4. 技能自动进化

完成任务后，MemOS 会自动评估：这个任务值得沉淀为技能吗？如果值得，就生成 SKILL.md + 脚本 + 验证检查。

最后一个栗子：

社区有人用 OpenClaw 完成各种自动化任务：清理邮件、审查 PPT、发布 npm 包、管理 Jira、优化 Google Ads。

比如你第一次配置 Nginx 反向代理，花了 30 分钟，而 MemOS 会自动生成「Nginx 反向代理配置」技能。下次遇到类似任务，OpenClaw 直接调用技能，1 分钟搞定。

更厉害的是：如果你后来发现更好的方法，MemOS 会自动升级已有技能。你的 Agent 会随着使用越来越聪明。

5. OpenClaw 原生记忆导入：过往的记忆，不会丢失

换用 MemOS 之前，很多人的第一个顾虑是：在 OpenClaw 里积累的那些对话记忆，会不会直接丢掉？

MemOS 支持从 OpenClaw 原生记忆无缝一键迁移，智能去重（向量相似度 + LLM 双重判断）、断点续传、实时进度，已处理的自动跳过。你和 AI 过往积累的每一段对话，一条不丢。

导入完成后，还可以选择自动生成任务摘要和技能进化，把过去的经验直接转化为可复用的智慧。

所有通过迁移导入的记忆都带有 🦐 标识，在 Viewer 中一眼就能和新对话生成的记忆区分开。

在 Memory Viewer 的 Import 页面，即可一键操作。

6. 团队知识中枢：一个人踩过的坑，全团队不再重复踩

一个人踩过的坑，全团队不再重复踩。MemOS 支持部署团队知识中枢（Hub），各成员的 AI 助手自动发现、按需同步。记忆按分组隔离，技能跨团队流转——前端积累的调试经验，后端也能一键获取。数据始终留在团队内部，零外部上传。

多 Agent 协作，一直有个绕不开的问题。

Milo 负责战略，Josh 管业务，Angela 做营销，Bob 写代码。如果不能共享记忆，每个 Agent 都要重复解释一遍项目背景。但如果全局共享记忆，每个 Agent 很难区分哪些是 Bob 的记忆，哪些是 Angela 的，更别说保持长期人设和行为一致。

MemOS 为此设计了团队知识中枢（Hub）。

真正让 Agent 做到群体进化，从此，每只龙虾的成长，汇聚为整个虾池的进化。

各成员的 AI 助手自动连接。记忆和技能按分组权限智能同步——一个人解决的问题，自动成为全组共享的能力。数据始终留在团队内部，隐私无忧。

更重要的是，数据始终留在团队内部，零外部上传。集体进化，终于不再是一句空话。

未共享的记忆始终留在本地，Hub 仅存储主动共享的内容。JWT 认证 + 分组权限 + 管理员审批，数据不出团队内部网络。

工作原理：四条智能管线

从对话到记忆，从记忆到技能，形成持续学习闭环。

我们希望 AI 的能力不只停留在一次对话，而是能够在真实使用中不断积累经验、持续进化。因此，我们构建了一套从 对话 → 记忆 → 技能 → 再反哺对话 的智能闭环。

在每一轮交互中，系统会自动捕获对话内容，并通过语义分块、SHA-256 内容去重与 LLM 摘要，将关键信息整理为结构化记忆，完成向量化后存储到本地数据库（SQLite + FTS5 + Vector）。当多个记忆围绕同一目标或问题逐渐聚集时，系统会自动识别任务边界，将这些信息整理为包含目标、步骤与结果的任务经验。

进一步，系统还会对已完成任务进行规则过滤与 LLM 评估，将高质量经验抽象为可复用的技能模块，或对已有技能进行升级。

在新的对话或任务中，系统会通过 FTS5 + Vector 双通道检索、RRF 融合与 MMR 重排 自动召回相关记忆与技能，并注入到上下文中，帮助模型基于过往经验进行更准确的判断与执行。

通过这套工作流程，MemOS OpenClaw 插件将零散的对话逐步沉淀为结构化记忆，再进一步演化为可复用技能，让 AI 在实际使用中不断积累能力，真正实现 ​**“越用越强”的持续学习系统**​。

Memory Viewer 可视化面板

6 大管理页面一目了然：

​**📝 Memories**​：时间线浏览、CRUD 操作、语义搜索。

​**📋 Tasks**​：任务列表、状态筛选、结构化总结。

​**🧬 Skills**​：技能管理、版本历史、一键下载。

​**📊 Analytics**​：读写统计、活跃度图表、记忆分布。

​**📜 Logs**​：工具调用日志、输入输出、耗时统计。

​**⚙️ Settings**​：在线配置、模型切换、参数调优。

安全防护： 密码保护 + Session Cookie，仅绑定 127.0.0.1 本地访问，外部无法连入。

为什么选 MemOS？

效果验证

我们基于 LoCoMo 数据集实验与真实开发任务，对引入 MemOS 前后的 OpenClaw 做了系统性对比。

效果层面，Overall LLM Judge Score 从 39.61 提升至 46.75，绝对提升 7.14 个百分点，相对提升约 18%。平均交互轮次从 116 轮降至 54 轮，减少 53%，重复提问和返工明显变少，完成同样任务的速度提升约 2.15 倍。

成本层面，单次任务的 Input Token 从 15,009 降至 10,390，减少 30.8%。总 Token 消耗从 2,207,643 降至 1,124,445，节省近 49%，整体推理开销接近减半。

与社区主流方案相比

与 OpenClaw 内置记忆及社区主流方案对比，安装 MemOS 后，AI 不再只是“记住对话”，而是开始​真正积累经验并持续进化​。

相比 OpenClaw 内置记忆以及社区其他方案，MemOS 不需要额外部署数据库或复杂基础设施，一条命令即可安装使用，并且是目前少数同时具备任务自动总结、技能进化、多 Agent 协同、团队知识中枢和本地可视化管理的一体化记忆系统。

对比方案中，ClawVault 和 Recall 均不支持上述任何一项，Mem0 自托管需要外部编排才能实现有限的多智能体协同，且没有本地面板。此外，MemOS 零外部依赖，npm install 即用，无需部署 Qdrant、PostgreSQL 等任何额外基础设施。

三步开始，一分钟上手

1. 安装插件

从 npm 安装后启动网关即可。

openclaw plugins install @memtensor/memos-lite-openclaw-plugin
openclaw gateway start
​

2. 配置 openclaw.json

网页面板：http://127.0.0.1:18799 登录后点「设置」。

或编辑 openclaw.json。

{
  "plugins": {
    "slots": { "memory": "memos-lite" },
    "entries": {
      "memos-lite": {
        "config": {
          "embedding": {
            "provider": "openai_compatible",
            "model": "bge-m3",
            "endpoint": "https://your-api-endpoint/v1",
            "apiKey": "sk-••••••"
          },
          "summarizer": {
            "provider": "openai_compatible",
            "model": "gpt-4o-mini",
            "endpoint": "https://your-api-endpoint/v1",
            "apiKey": "sk-••••••"
          },
          "skillEvolution": {
            "summarizer": {
              "provider": "openai_compatible",
              "model": "claude-4.6-opus",
              "endpoint": "https://your-api-endpoint/v1",
              "apiKey": "sk-••••••"
            }
          }
        }
      }
    }
  }
}
​

3. 启动 Gateway

openclaw gateway start
​

启动后，打开 http://127.0.0.1:18799 即可访问 Memory Viewer。

写在最后

Agent 基础设施正在快速向工业级标准靠拢，但始终有一件事，没有被认真解决：​经验的积累​。

每个开发者每天都在和 AI 产生大量有价值的对话。调试经验、技术方案、踩过的坑，全部随着对话窗口的关闭蒸发。

MemOS 做的，正是把这件事变成现实——让 AI 从「接单外包」变成一个有完整记忆、持续成长的搭档。

当每个开发者都能把自己的经验资产系统化沉淀，一个人能管理的 Agent 流程有多少，产出就相当于多少人的团队。

未来的竞争，拼的可能不只是谁用了更强的模型，而是谁积累的经验资产更扎实、更可复用。

---

GitHub 项目地址：https://github.com/MemTensor/MemOS/apps/memos-local-openclaw

npm 主页：https://npmjs.com/package/@memtensor/memos-local-openclaw-plugin

MemOS 官网：https://memos.openmem.net

---

关于 MemOS

MemOS 为 AGI 构建统一的记忆管理平台，让智能系统如大脑般拥有灵活、可迁移、可共享的长期记忆和即时记忆。

作为记忆张量首次提出“记忆调度”架构的 AI 记忆操作系统，我们希望通过 MemOS 全面重构模型记忆资源的生命周期管理，为智能系统提供高效且灵活的记忆管理能力。