老邦 LAOBANG

最近在优化OpenClaw助手的记忆搜索功能时，通过本地部署Ollama和nomic-embed-text向量模型，实现了语义搜索能力。本文记录从配置到验证的完整过程，供有类似需求的开发者参考。

一、为什么要用本地向量模型？

默认情况下，OpenClaw使用云端embedding服务，但对于重视数据隐私或希望降低成本的场景，本地部署是更好的选择。本地向量模型可以让敏感数据不出本地网络，同时减少API调用成本。

二、配置前的准备工作

• Ollama环境：确保已安装Ollama并运行
• 向量模型：下载nomic-embed-text模型（命令：ollama pull nomic-embed-text）
• OpenClaw配置：在openclaw.json中配置memorySearch参数

三、关键配置步骤

参考官方配置文档后我们需要关注以下参数：

agents:
  defaults:
    memorySearch:
      enabled: true
      provider: "ollama"
      model: "nomic-embed-text"

重点说明：

• enabled: true – 启用语义搜索
• provider: "ollama" – 指定本地模型
• model: "nomic-embed-text" – 向量模型名称

四、遇到的坑与解决方案

配置过程中我遇到了几个问题：

配置不生效：使用config.set命令写入而非config.patch

Gateway缓存：修改配置后需要重启Gateway

验证状态：使用openclaw memory status –deep确认

最终成功的三步：

1. 命令行写入：openclaw config set agents.defaults.memorySearch.enabled true

2. 重启Gateway：openclaw gateway restart

3. 验证：openclaw memory status –deep

五、验证结果

配置成功后，验证输出显示：

Memory Search (main)
Provider: ollama (requested: ollama)
Model: nomic-embed-text
Indexed: 88/91 files · 233 chunks
Embeddings: ready

88个memory文件已索引，233个文本块，语义搜索功能正常运行。

希望这篇文章能帮助到需要配置本地记忆搜索的朋友。有问题欢迎评论区交流。