elite-longterm-memory-local

name: elite-longterm-memory-local version: 1.1.0 description: "Local vector memory system with LanceDB + Pure JS embedding. No native modules or external APIs required." author: Kimi Claw keywords: [memory, ai-agent, long-term-memory, vector-search, lancedb, pure-javascript, local-embedding, openclaw] metadata: openclaw: emoji: "🧠" requires: env: [] plugins: []

Elite Longterm Memory (Local Edition) 🧠

基于 LanceDB + Pure JavaScript Embedding 的本地向量记忆系统，无需外部 API。

核心特性

• ✅ 纯本地运行 — Pure JavaScript embedding，零外部依赖
• ✅ WAL 协议 — 写前日志，防数据丢失
• ✅ LanceDB 向量搜索 — 语义召回相关记忆
• ✅ 三层存储 — Hot/Warm/Cold 分层管理
• ✅ 无需配置 — 无需 Ollama 或 OpenAI API key
• ✅ 自动召回/捕获 — 智能注入相关上下文

架构

┌─────────────────────────────────────────────────────────────────┐
│                    ELITE LONGTERM MEMORY                        │
├─────────────────────────────────────────────────────────────────┤
│                                                                 │
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────┐             │
│  │   HOT RAM   │  │  WARM STORE │  │  COLD STORE │             │
│  │             │  │             │  │             │             │
│  │ SESSION-    │  │  LanceDB    │  │  Git-Notes  │             │
│  │ STATE.md    │  │  Vectors    │  │  Knowledge  │             │
│  │             │  │             │  │  Graph      │             │
│  │ (survives   │  │ (semantic   │  │ (permanent  │             │
│  │  compaction)│  │  search)    │  │  decisions) │             │
│  └─────────────┘  └─────────────┘  └─────────────┘             │
│         │                │                │                     │
│         └────────────────┼────────────────┘                     │
│                          ▼                                      │
│                  ┌─────────────┐                                │
│                  │  MEMORY.md  │  ← Curated long-term           │
│                  │  + daily/   │    (human-readable)            │
│                  └─────────────┘                                │
│                                                                 │
└─────────────────────────────────────────────────────────────────┘

五层记忆系统

快速开始

1. 安装依赖

# 确保 Ollama 已安装并运行
ollama --version

# 拉取向量模型
ollama pull nomic-embed-text

# 安装 Node 依赖
cd skills/elite-longterm-memory
npm install

2. 初始化记忆系统

node bin/init.js

这会创建：

• SESSION-STATE.md — 热内存
• MEMORY.md — 长期记忆
• memory/ — 每日日志目录
• memory/vectors/ — LanceDB 数据库

3. 使用记忆工具

# 存储记忆
node bin/memory.js store "用户喜欢深色模式" --importance 0.9 --category preference

# 搜索记忆
node bin/memory.js search "用户界面偏好"

# 查看统计
node bin/memory.js stats

# 删除记忆
node bin/memory.js forget --query "深色模式"

OpenClaw 集成

启用插件

在 ~/.openclaw/openclaw.json 中添加：

{
  "plugins": {
    "entries": {
      "elite-longterm-memory": {
        "enabled": true,
        "config": {
          "ollamaUrl": "http://localhost:11434",
          "embeddingModel": "nomic-embed-text",
          "dbPath": "./memory/vectors",
          "autoRecall": true,
          "autoCapture": false
        }
      }
    }
  }
}

使用记忆工具

启用后，OpenClaw 会自动提供以下工具：

• memory_recall — 搜索相关记忆
• memory_store — 存储重要信息
• memory_forget — 删除记忆

智能提示词

在 AGENTS.md 或 SOUL.md 中添加：

## 记忆协议

### 会话开始时
1. 读取 SESSION-STATE.md — 获取热上下文
2. 使用 memory_recall 搜索相关历史
3. 检查 memory/YYYY-MM-DD.md 了解近期活动

### 对话中
- 用户给出具体细节？→ 先写入 SESSION-STATE.md，再回复
- 重要决策？→ 使用 memory_store 存储
- 表达偏好？→ memory_store --importance 0.9 --category preference

### 会话结束时
1. 更新 SESSION-STATE.md 最终状态
2. 重要内容移至 MEMORY.md
3. 创建/更新 memory/YYYY-MM-DD.md

WAL 协议（关键）

写前日志：先写状态，再回复。

为什么？ 如果先回复再保存，崩溃/压缩会导致上下文丢失。WAL 确保数据持久。

维护命令

# 查看向量记忆统计
node bin/memory.js stats

# 搜索所有记忆
node bin/memory.js search "*" --limit 50

# 清理重复记忆
node bin/memory.js dedup

# 导出记忆
node bin/memory.js export --format json > memories.json

# 备份记忆
node bin/memory.js backup ./backups/memory-$(date +%Y%m%d).zip

故障排查

Ollama 连接失败 → 检查 ollama serve 是否运行 → 检查 OLLAMA_HOST 环境变量

向量搜索无结果 → 检查 LanceDB 路径是否正确 → 确认已存储记忆：node bin/memory.js stats

内存占用过高 → 运行 node bin/memory.js compact 压缩向量 → 清理旧记忆：node bin/memory.js cleanup --before 30d

为什么本地 Embedding？

对于个人使用，nomic-embed-text 的质量足够，且完全免费。

链接

• Ollama: https://ollama.com
• LanceDB: https://lancedb.github.io (npm: vectordb)
• nomic-embed-text: https://ollama.com/library/nomic-embed-text

本地优先，隐私至上。