让 Agent 的记忆更智能，让 Token 的预算更健康。

OpenClaw 的 Token 黑洞？

大家可能都在陆续发现，OpenClaw 存在一个隐蔽但致命的问题 —— 你用得越久，Token 就烧得越快，而你的钱包正在为大量无关记忆买单。

为什么会这样？OpenClaw 会默认把整份 MEMORY.md 每轮塞进 system_prompt—— 只做加载，不做检索，且随着使用无限增长。而 Memory 中大部分的内容，跟当前对话都毫无关系。

想象一下：你只是问 Agent「今天有什么任务？」，但系统却把过去几个月积累的所有诊断规范、使用统计、零散笔记全部加载进来。这就像为了找一把钥匙，每次都要把整个仓库搬出来。

所以我们最近对 Agent 的记忆痛点进行了一些探索，并为 OpenClaw 做的一个开源的 PowerMem 记忆插件 —— memory-powermem。装上这个插件之后，OpenClaw 的记忆机制变成： 会话前按需检索相关记忆注入上下文，会话后智能抽取关键事实落库。只把该用的放进去，该记的存下来。

实测效果如下：

同等任务下，Token 消耗降至默认方案的 18%。

装完 PowerMem 之后，你的 OpenClaw 会发生什么？

插件接管了 OpenClaw 的记忆读写，通过两条自动化链路工作：

自动召回（ autoRecall）

每次会话开始前，插件用你发的第一条消息向 PowerMem 做语义检索，把 Top-K 条相关记忆格式化后注入上下文前部。Agent 从第一轮就能看到跟当前问题直接相关的历史事实，而不是把整份 MEMORY.md 丢进去。

自动抓取（ autoCapture）

会话正常结束时，插件把本轮对话发给 PowerMem，PowerMem 用 LLM 从中抽取事实，去重、合并后落库。存下来的是提炼过的记忆单元，不是整段对话的拷贝。

两者形成闭环： 会话前按需注入，会话后智能抽取。只把该用的放进上下文，该记的存进库。

三个工具

插件还向 Agent 暴露了三个工具：

• memory_recall：按自然语言查询检索长期记忆
• memory_store：写入一条记忆（用户说「请记住……」时触发）
• memory_forget：按 ID 或搜索条件删除记忆（也可用于合规删除场景）

此外，通过 PowerMem 的 Dashboard（ http://localhost:8000/dashboard/）可以在 Web 端浏览、筛选和统计所有记忆。记忆不再是黑盒里的上下文——你能看到系统记住了什么、什么时候记的、被检索过几次。运维时也可以用 openclaw ltm search 直接在终端查询。

Token 到底省在哪？

用两个例子直观感受。

假设 MEMORY.md 已经积累到 50KB（约 15,000 tokens），里面有 Agent 使用统计、Token 消耗记录、定时任务配置、诊断规范、各种零散笔记。

例一：「今天有没有要跑的定时任务？」

• 默认方案： MEMORY.md 整份进 system_prompt（15,000 tokens 固定基线），再加上模型调用 memory_search 拉取的片段（约 1,500 tokens）。合计约 16,500 tokens/轮，其中绝大部分跟定时任务无关。
• PowerMem 插件： autoRecall 用这句话做查询，只返回跟定时任务和今天相关的精炼记忆。合计约 650 tokens/轮， 省了 90%+。

例二：「上次说的诊断规范里，第一步是什么？」

• 默认方案： MEMORY.md 15,000 tokens + 诊断规范整章 2,000 tokens。实际有用的就第一步：检查网关健康这一句。合计 17,000+ tokens/轮。
• PowerMem 插件： autoRecall 返回诊断相关记忆。合计约 680 tokens/轮， 省了 90%+。

核心原因

插件不是少调一次 API，而是用按需检索替代了整份 MEMORY.md 每轮必带。

算一笔账：假设上下文窗口 128K，输入单价约 2 美元 /1M tokens。每轮省 ~15,000 tokens，每天 50 轮对话，一个月仅记忆相关部分就能省约 45 美元。Agent 越多、 MEMORY.md 越长、调用越频繁，节省越显著。

为什么这样设计？

做这个插件之前，我们先看了 OpenClaw 的记忆机制到底是怎么工作的。

OpenClaw 把记忆存在 Markdown 文件里： MEMORY.md（精选长期记忆）和 memory/YYYY-MM-DD.md（按日追加的日志）。模型通过 memory_search 和 memory_get 两个工具做语义检索或按路径读取。写入依赖 compaction 前的 memory flush 和 session-memory 钩子。

这套设计在文件即真相和可检索之间做了平衡，但有几个结构性问题：

• Token 膨胀难控制。 MEMORY.md 整份进 system_prompt，不做检索，写什么、写多少完全依赖模型判断。历史会话一旦被整段写入，就会在后续检索中反复以大块形式出现。
• 记忆没有独立身份。 记忆的存在形式是某段 Markdown 里的几行字，没有独立 ID、没有生命周期管理。你无法在系统层面回答这条记忆何时创建、被谁引用、是否过期。
• 只增不减。 系统不会根据访问频率或时间自动清理，所有写入的内容在逻辑上都是持久的。
• 多 Agent 难复用。 记忆绑在各自 workspace 的文件里，跨 Agent 共享只能靠复制文件。

PowerMem 针对这些问题做了不同的选择：

• 智能抽取替代整段拷贝：写入的是 LLM 从对话中提炼的事实单元，不是原始对话
• 艾宾浩斯遗忘曲线：高价值、常访问的记忆被巩固，低价值的随时间衰减
• 混合检索：向量 + 全文 + 图检索，结合遗忘曲线排序，结果既相关又适龄
• 记忆有 ID 有生命周期：每条记忆可关联 user_id、 agent_id，支持精确删除、跨 Agent 共享

插件把这些能力接入 OpenClaw，在不改变使用方式的前提下替换底层记忆机制。槽位切换，零侵入——随时可以切回 memory-core，原有文件不受影响。

安装 PowerMem 的详细步骤

上一篇文章没有详细介绍安装 PowerMem 的步骤，今天正好亡羊补牢，给大家一份儿可以直接让 OpenClaw 自行安装 PowerMem 的步骤。

社区的运营小编已经通过以下步骤，在自动和手动两条路径中都完成了 PowerMem 的安装。上手几乎负门槛，欢迎大家试用！

一键自动安装（推荐）

通过 ClawHub Skill 安装，OpenClaw 自动完成插件下载、配置和槽位切换：

https://clawhub.ai/teingi/install-powermem-memory-minimal

# 1. 登录 ClawHub（第一次使用）
clawhub login
# 2. 一键安装skills
clawhub install teingi/install-powermem-memory-minimal
# 3. 查看已安装的技能
clawhub list

有了 Skill 之后，你就可以指挥你的 OpenClaw 去自动安装 memory-powermem 插件了：

当然你如果你还想省事，你可以直接扔一个 Skill 链接，让小"龙虾"帮你搞定安装，此时你只需要喝着咖啡，稍等片刻即可：

参考这个链接: https://clawhub.ai/teingi/install-powermem-memory-minimal，帮我安装一下memory-powermem插件，并做一下记忆的测试

手动安装

前置条件：本机需要 Python 3.10+（ python3 --version 确认）。如果还没装：macOS 用 brew install python，Linux 用系统包管理器，Windows 从 python.org 下载安装（安装时勾选 Add to PATH）。

确认 OpenClaw 已经能用

终端执行 openclaw --version，并且你已经在 OpenClaw 里配好了 平时对话用的模型（能正常回复即可）。

先检查 Python 版本（必须 ≥ 3.10）

在创建虚拟环境或执行 pip install 之前必须先确认版本，否则后续容易装失败或运行异常：

python3 --version

输出应为 Python 3.10.x、3.11.x、3.12.x 等（次版本号 ≥ 10）。也可用下面命令做一次硬性校验（不通过会报错退出）：

python3 -c "import sys; assert sys.version_info >= (3, 10), '需要 Python 3.10 或更高'; print(sys.version.split()[0], 'OK')"

若版本不够：先升级本机 Python，或安装并使用 python3.11 / python3.12 等满足要求的解释器，并将下面步骤里的 python3 换成实际命令（例如 python3.12 -m venv ...）。

安装 PowerMem（Python）

建议用虚拟环境，然后安装：

mkdir ~/.openclaw/powermem
python3 -m venv ~/.openclaw/powermem/.venv
source ~/.openclaw/powermem/.venv/bin/activate
pip install powermem

装好后执行 pmem --version，能输出版本就行。

配置 PowerMem

在目录下 ~/.openclaw/powermem 新建 .env，配置 LLM 和 Embedding（数据库开箱即用，无需额外配置）：

mkdir -p ~/.openclaw/powermem && cd ~/.openclaw/powermem
cat > .env << 'EOF'
TIMEZONE=Asia/Shanghai
LLM_PROVIDER=qwen
LLM_API_KEY=your_api_key_here
LLM_MODEL=qwen-plus
EMBEDDING_PROVIDER=qwen
EMBEDDING_API_KEY=your_api_key_here
EMBEDDING_MODEL=text-embedding-v4
EMBEDDING_DIMS=1536
EOF

将 your_api_key_here 替换为你的 API Key。

LLM 配置说明

PowerMem 需要配置 LLM（用于智能抽取）和 Embedding（用于向量检索），两者可以用不同供应商。内置支持的 LLM Provider：

| LLM_PROVIDER | 说明 | 推荐模型 |

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

| qwen | 通义千问 | qwen-plus |

| deepseek | DeepSeek | deepseek-chat |

| siliconflow | 硅基流动（聚合多家模型） | 按需选择 |

| ollama | 本地部署（Ollama） | 按需选择 |

| vllm | 本地部署（vLLM） | 按需选择 |

| openai | OpenAI 兼容接口 | gpt-4 |

| anthropic | Anthropic 兼容接口 | claude-sonnet-4-20250514 |

大量国内供应商提供 OpenAI 或 Anthropic 兼容 API，可以直接用 openai / anthropic 作为 Provider，修改对应的 BASE_URL 指向实际服务地址即可。

OpenAI 兼容接入示例

适用于月之暗面、零一万物、百川等：

# 月之暗面 Kimi
LLM_PROVIDER=openai
LLM_API_KEY=your_moonshot_api_key
LLM_MODEL=moonshot-v1-8k
OPENAI_LLM_BASE_URL=https://api.moonshot.cn/v1
# 零一万物
LLM_PROVIDER=openai
LLM_API_KEY=your_yi_api_key
LLM_MODEL=yi-large
OPENAI_LLM_BASE_URL=https://api.lingyiwanwu.com/v1

Anthropic 兼容接入示例

适用于智谱等：

# 智谱 GLM
LLM_PROVIDER=anthropic
LLM_API_KEY=your_zhipu_api_key
LLM_MODEL=glm-4-plus
ANTHROPIC_LLM_BASE_URL=https://open.bigmodel.cn/api/paas/v4

原理：只要该服务兼容 OpenAI 的 /v1/chat/completions 或 Anthropic 的 /v1/messages 接口，就可以用对应 Provider + 自定义 BASE_URL 接入。

Embedding 配置说明

内置支持的 Embedding Provider：

| EMBEDDING_PROVIDER | 说明 | 推荐模型 | 维度 |

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

| qwen | 通义千问 | text-embedding-v4 | 1536 |

| siliconflow | 硅基流动 | 按需选择 | 按模型 |

| ollama | 本地部署 | 按需选择 | 按模型 |

| huggingface | HuggingFace 本地模型 | 按需选择 | 按模型 |

| openai | OpenAI 兼容接口 | text-embedding-ada-002 | 1536 |

同理，兼容 OpenAI Embedding 接口的国内服务也可以用 openai + 自定义 OPENAI_EMBEDDING_BASE_URL 接入：

# 智谱 Embedding（OpenAI 兼容）
EMBEDDING_PROVIDER=openai
EMBEDDING_API_KEY=your_zhipu_api_key
EMBEDDING_MODEL=embedding-3
EMBEDDING_DIMS=2048
OPENAI_EMBEDDING_BASE_URL=https://open.bigmodel.cn/api/paas/v4

注意 EMBEDDING_DIMS 必须与模型实际输出维度一致，否则检索会出错。

完整配置参考 .env.example。

然后启动：

cd ~/.openclaw/powermem
source ~/.openclaw/powermem/.venv/bin/activate
powermem-server --host 0.0.0.0 --port 8000

验证： curl -s http://localhost:8000/api/v1/system/health

安装插件 memory-powermem

openclaw plugins install memory-powermem

安装后用 openclaw plugins list 确认 memory-powermem 存在。

修改配置（可选）

插件安装后自带一份配置（HTTP 模式，连接 localhost:8000），如果你的 PowerMem 服务就跑在本机默认端口， 这一步可以跳过。

只有以下情况需要手动编辑 ~/.openclaw/openclaw.json：

• PowerMem 服务不在 localhost:8000（改 baseUrl）
• 想用 CLI 模式替代 HTTP 模式（改 mode）
• 需要调整 autoRecall / autoCapture 等行为

配置生效优先级： ~/.openclaw/openclaw.json > 插件内置默认值。

HTTP 模式示例：

{
  "plugins": {
    "slots": { "memory": "memory-powermem" },
    "entries": {
      "memory-powermem": {
        "enabled": true,
        "config": {
          "mode": "http",
          "baseUrl": "http://localhost:8000",
          "autoCapture": true,
          "autoRecall": true,
          "inferOnAdd": true
        }
      }
    }
  }
}

CLI 模式示例（不启 HTTP 服务，本机直接调用 pmem）：

{
  "plugins": {
    "slots": { "memory": "memory-powermem" },
    "entries": {
      "memory-powermem": {
        "enabled": true,
        "config": {
          "mode": "http",
          "envFile": "~/.openclaw/powermem/.env",
          "pmemPath": "~/.openclaw/powermem/.venv/bin/pmem",
          "autoCapture": true,
          "autoRecall": true,
          "inferOnAdd": true
        }
      }
    }
  }
}

重启 gateway 并验证新的记忆插件生效

重启 OpenClaw gateway，执行：

openclaw gateway restart

检测 memory-powermem 记忆插件健康情况：

openclaw ltm health

无报错即表示插件已连通。可以再试一下写入和检索：

openclaw ltm add "一条测试记忆"
openclaw ltm search "测试"

如果检索能返回刚写入的内容，说明完整链路（PowerMem → 插件 → OpenClaw）已经通了。

遇到问题？

• openclaw ltm health 连不上：确认 PowerMem 服务在运行， curl http://localhost:8000/api/v1/system/health 能返回 JSON
• 插件不在列表里： openclaw plugins list 检查，确认执行过 openclaw plugins install memory-powermem
• 记忆写入了但检索不到：检查 .env 里 Embedding 配置是否正确（API Key、模型名）
• 更多排查： openclaw plugins doctor 可以诊断插件加载和配置问题

配置项一览

| 配置项 | 必填 | 说明 |

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

| mode | 否 | "http"（默认）或 "cli" |

| baseUrl | HTTP 必填 | PowerMem 服务地址，如 http://localhost:8000 |

| apiKey | 否 | PowerMem 启用 API Key 鉴权时填写 |

| envFile | 否 | CLI 模式：PowerMem 的 .env 路径 |

| pmemPath | 否 | CLI 模式： pmem 可执行路径，默认 pmem |

| userId | 否 | 多用户隔离，默认 openclaw-user |

| agentId | 否 | 多 Agent 隔离，默认 openclaw-agent |

| autoCapture | 否 | 会话结束后是否自动抽取写入记忆，默认 true |

| autoRecall | 否 | 会话开始前是否按首条消息注入相关记忆，默认 true |

| inferOnAdd | 否 | 写入时是否使用智能抽取，默认 true |

插件管理常用命令：

常见问题

1. 装了插件后，原来的 * MEMORY.md 怎么办？*

不受影响。插件通过 OpenClaw 的 memory 槽位机制接入，不修改也不删除原有文件。切回 memory-core 后， MEMORY.md 和 memory/*.md 依然可用。

1. 可以随时切回默认 * memory-core 吗？*

可以。把 openclaw.json 里的 slots.memory 改回 "memory-core"，重启即可。零侵入，可逆。

1. autoRecall 和 autoCapture 可以单独关闭吗？

可以。在配置里把对应项设为 false。比如只想用手动的 memory_store / memory_recall 工具，关掉两个 auto 即可。

1. 支持多个 Agent 共用一个 PowerMem 实例吗？

支持。通过 userId 和 agentId 配置项做隔离，每个 Agent 有独立命名空间，同一 PowerMem 实例可服务多个 Agent。

1. 需要 GPU 吗？

不需要。PowerMem 的 Embedding 和 LLM 调用走外部 API（OpenAI、通义千问等），本地只需要跑 Python 服务。

往期推荐

• 给 OpenClaw 装上长期记忆：PowerMem 1.0.0 正式发布
• 从开发者视角观察 OceanBase 开源的 AI 产品御三家

What's more?

OceanBase 社区上线新课程 ——《Easy Data x AI》，会结合 Data 这个话题， 讲清 Data 在 GenAI / Agent 中扮演的重要角色，给大家呈现一个以数据为视角的完整 AI 认知框架。

课程介绍详见这篇公众号文章： OpenClaw 为啥越用越好用？

今晚（2025/03/25）我们会在社区的直播活动中，为大家介绍这个全新且免费的社区课程，欢迎各位老师预约直播，和我们共同学习~

最后，也欢迎各位对 AI 感兴趣的老师加入 Data x AI 交流群，和我们一起学习，一起玩耍~