快速开始
概述
mem0 Memory Service for OpenClaw 是基于 mem0 的统一记忆层，为 AI Agent 提供持久化语义记忆存储。
Agent 可以通过对话自动存储和检索记忆，无需手动管理文件。
设计理念
mem0 的核心优势是记忆提取和去重——从对话中自动抽取关键事实、智能合并相似记忆、提供语义检索。但 mem0 本身不区分"短期事件"和"长期知识"。
本服务在 mem0 之上增加了一层记忆生命周期管理：
mem0 负责： 语义提取、智能去重、向量检索
本服务负责： 分层存储、生命周期管理、活跃度归档架构
OpenClaw Agents (agent1, agent2, ...)
│
│ HTTP API (localhost:8230)
▼
┌──────────────────────┐
│ Memory Service │ FastAPI + mem0
│ (Docker / systemd) │
│ │
│ 分层记忆: │ 长期记忆 (无 run_id)
│ - 长期: 技术决策、 │ 短期记忆 (run_id=日期)
│ 经验教训、偏好 │ 归档: 活跃度判断
│ - 短期: 当天讨论 │ 升级/删除
└──────────┬───────────┘
│
┌─────▼─────┐ ┌──────────────────┐
│ mem0 │──────▶│ LLM (Bedrock) │
│ │──────▶│ Embedder (Titan) │
└─────┬─────┘ └──────────────────┘
▼
OpenSearch / S3 Vectors前置条件
- Docker 20.10+ 和 docker compose (v2)
- OpenSearch 集群（2.x 或 3.x，需启用 k-NN 插件）或 AWS S3 Vectors
- AWS Bedrock 访问权限（或修改
config.py使用其他 LLM/Embedder） - AWS IAM 权限 — 部署环境需要：
bedrock:InvokeModel和bedrock:InvokeModelWithResponseStream（Embedding 和 LLM 模型）- 如果使用 S3Vectors：
s3vectors:*（对应 bucket 资源） - EC2 用户：将 IAM Role 附加到实例即可，无需在 .env 中配置 Access Key
一键部署
想快速尝试？把下面这段话发给你的 OpenClaw AI 助手，即可部署一套基于本地 pgvector 的记忆系统——无需任何云端向量数据库，记忆数据持久化在本地。
当你准备好扩展时，可以随时使用内置迁移工具平滑迁移到 S3 Vectors 或 OpenSearch，数据不会丢失。
帮我部署 mem0 Memory Service，使用本地 pgvector 模式。
步骤：
git clone https://github.com/norrishuang/mem0-memory-service.git && cd mem0-memory-service- 运行
./install.sh— 自动检测 AWS Region，使用本地 pgvector（无需云端向量数据库）- 验证：
curl http://localhost:8230/health- 在 OpenClaw 设置 → Skills → 启用 mem0-memory
安装脚本自动处理：AWS Region 探测、默认配置、Docker 容器启动（含 PostgreSQL + pgvector）、Skill 安装，无需手动配置任何内容。
前提条件：Docker 20.10+（Linux/macOS 未安装时自动安装），AWS Bedrock 访问权限（EC2 IAM Role 或已配置凭证）。 开始体验无需 OpenSearch 或 S3 Vectors。
之后想迁移？ 使用
tools/migrate_between_stores.py将记忆数据迁移到 S3 Vectors 或 OpenSearch，数据零丢失。参见迁移指南。
部署方式
根据你的环境选择合适的部署方式：
🚀 方式 A：本地 pgvector（最快，无需云端向量数据库）
只想快速体验？使用内置的 PostgreSQL + pgvector，无需配置 S3 Vectors 或 OpenSearch，只需要 AWS Bedrock（LLM + Embedding）。
git clone https://github.com/norrishuang/mem0-memory-service.git
cd mem0-memory-service
cp .env.example .env # 设置 VECTOR_STORE=pgvector + AWS Bedrock 凭证
docker compose --profile pgvector up -d🐳 方式 B：Docker（推荐）
生产就绪。使用 Docker Compose，支持 S3 Vectors、OpenSearch 或 pgvector。所有 Pipeline 在容器内以 cron 任务运行。
git clone https://github.com/norrishuang/mem0-memory-service.git
cd mem0-memory-service
cp .env.example .env # 配置 VECTOR_STORE + 凭证
docker compose up -d⚙️ 方式 C：systemd（高级）
直接在宿主机运行，不依赖 Docker。适合不便使用 Docker 的环境。
不知道选哪个？ 从方式 A（pgvector）开始本地体验。准备好用于生产时，切换到方式 B（S3 Vectors 或 OpenSearch）。参见何时切换存储后端。
为 OpenClaw Agent 启用 Skill
安装完成后，在 OpenClaw 中启用 mem0-memory skill，所有 Agent 即可自动获得记忆能力：
# 将 skill 复制到 OpenClaw skills 目录
mkdir -p ~/.openclaw/skills/mem0-memory
cp skill/SKILL.md ~/.openclaw/skills/mem0-memory/SKILL.md然后进入 OpenClaw 设置 → Skills，启用 mem0-memory。
完成。 所有 Agent（无论新建还是已有）在下次 session 启动时，自动继承完整的记忆行为规范：
- 回答问题前主动检索记忆
- 对话中主动写日记
- Heartbeat 时维护 MEMORY.md
- 自动使用正确的
--agent <id>参数，无需修改任何 AGENTS.md
无需修改各 Agent 的
AGENTS.md文件。Skill 对所有 Agent 统一生效。
想了解背后的原理？ 参见工作原理，详细解释了 Skill 系统、记忆流转过程和 Agent 行为规范。
快速使用
# 添加长期记忆
python3 cli.py add --user me --agent <your-agent-id> --text "重要经验教训..."
# 添加短期记忆（当天日期）
python3 cli.py add --user me --agent <your-agent-id> --run 2026-03-27 \
--text "今天讨论了重构方案"
# 语义搜索
python3 cli.py search --user me --agent <your-agent-id> --query "重构" --top-k 5
# 组合搜索（长期 + 近 7 天短期）
python3 cli.py search --user me --agent <your-agent-id> --query "重构" --combined记忆分层
| 类型 | run_id | 生命周期 | 使用场景 |
|---|---|---|---|
| 长期记忆 | 无 | 永久保存 | 技术决策、经验教训、用户偏好 |
| 短期记忆 | YYYY-MM-DD | 7 天后归档 | 当天讨论、临时决策、任务进展 |
进入长期记忆的三条路径：
memory_sync.py— 每天同步MEMORY.md（当天生效，精选知识）pipelines/auto_dream.py（AutoDream）— 7 天后对活跃短期记忆进行升级- Agent 主动写入 — 随时调用 CLI，不传
--run参数
共享知识库
带有 category=experience 的记忆会自动在所有 Agent 和用户之间共享。当任何 Agent 添加标记为 experience 的记忆时，它会同时写入个人记忆空间和全局 shared 池。
在检索时，每次搜索都会自动包含共享池的结果——因此所有 Agent 都能受益于团队的集体经验，无需任何额外配置。