OpenClaw记忆增强：配置本地向量模型搭建完全免费的本地记忆库

基于龙虾自带memory_search，通过 Ollama + nomic-embed-text搭建完全免费的本地记忆库，告别官方推荐使用openai，零成本使用OpenClaw 本地语义记忆功能。

一、为什么要用本地向量模型？

memory_search 常用记忆模型

模型	特点
nomic-embed-text	本地部署模型，私有记忆
OpenAI embedding	需要API key，国内访问受限
Google Gemini embedding	需要API key，国内访问受限

默认情况下，OpenClaw使用云端embedding服务默认需要Openai ，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，调用成本为0。

二、配置前的准备工作

Ollama下载安装nomic-embed-text模型

• 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

参考官方配置文档配置memorySearch：

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

或

终端执行

openclaw config set agents.defaults.memorySearch.enabled true
openclaw config set agents.defaults.memorySearch.model "nomic-embed-text"
openclaw config set agents.defaults.memorySearch.provider "ollama"

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

配置本地ollama下nomic-embed-text模型到openclaw

"ollama": {
        "api": "ollama",
        "apiKey": "ollama-local",
        "baseUrl": "http://127.0.0.1:11434",
        "models": [
          {
            "contextWindow": 2048,
            "cost": {
              "cacheRead": 0,
              "cacheWrite": 0,
              "input": 0,
              "output": 0
            },
            "id": "nomic-embed-text",
            "input": [
              "text"
            ],
            "name": "nomic-embed-text"
          }
        ]
      }

重点说明：

• 需正确配置本地模型到openclaw
• 再实际实现memory_search时，可以复制本文链接丢给龙虾学习并完成

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