OpenClaw 语义搜索原理：nomic-embed-text 本地向量搜索实战

用 AI 助理最头疼的问题：它不记得你。每次对话都是从零开始，上次说的偏好、做过的决定、踩过的坑，它全忘了。

我用 OpenClaw 搭了一套记忆系统，运行一个月，效果不错。分享一下架构设计。

核心问题

AI 助理的记忆问题本质是三个层次：

1. 短期记忆：今天聊了什么？做了什么决定？
2. 中期记忆：这周/这个月的重要事项？
3. 长期记忆：用户的偏好、习惯、业务背景？

什么是 Embedding（向量嵌入）

Embedding 是把文字转换成「数字向量」的技术。

一段文字 → 数学模型 → 一串数字（向量）

"花生医院的私密科" → [0.23, -0.45, 0.78, ...]
"产后修复服务"      → [0.22, -0.44, 0.79, ...]

相似含义的文本，向量在数学空间里距离更近。

OpenClaw 里的 Embedding 架构

用户查询 ("花生医院竞品")
       ↓
  nomic-embed-text（本地 Ollama）
       ↓
生成查询向量 [0.12, -0.33, ...]
       ↓
向量数据库（Ollama 内置）
       ↓
计算向量距离，找出最相似的记忆文件
       ↓
返回结果

关键组件

模型：nomic-embed-text

• 由 Nomic AI 提供
• 向量维度：768维
• 大小：274MB（极小，本地运行无压力）

本地运行（Ollama）

• 模型跑在本地（MacBook Air M1 就能跑）
• 不需要 API 调用，不花钱
• 响应快（~430ms），隐私安全

为什么选 nomic-embed-text

• 免费：不需要 API 费用
• 本地：数据不出设备，完全隐私
• 够用：对个人助理场景完全满足

实际配置

# Ollama 启动命令：
ollama pull nomic-embed-text

# 验证是否运行正常：
curl http://127.0.0.1:11434/api/tags
# 返回包含 nomic-embed-text 即为正常

局限性

1. 向量维度有限：768维，对非常长的文档会丢失一些细节
2. 没有精确匹配能力：需要用 grep 做关键词精确搜索
3. 需要预先嵌入：新写入的文件不会立即可搜索

最佳实践

语义搜索适合：「上次关于XX说了什么」「有没有关于XX的方案」

关键词搜索适合：「2026年4月的日志」「包含’江湾’的所有文件」

总结

OpenClaw 的 memory_search 本质是：用户语义查询 → 本地嵌入模型向量化 → 向量数据库相似度匹配 → 返回相关记忆片段。

nomic-embed-text + Ollama 这套组合，给个人助理提供了免费、私有、足够准确的语义搜索能力。

本文系作者个人实践，方案和结论仅供参考。OpenClaw 版本 2026.5.5，nomic-embed-text via Ollama。