标签 PowerMem 下的文章

摘要：
本文介绍如何为开源个人AI助手 Moltbot（原 ClawdBot）集成基于 OceanBase 技术栈的长期记忆插件 PowerMem。通过 HTTP API 对接，PowerMem 为 Moltbot 提供智能信息抽取、艾宾浩斯遗忘曲线调度及多智能体隔离的记忆能力，显著增强其上下文持久化与自主决策水平，实现更类人的“数字员工”体验。

Moltbot 是什么？

Clawdbot（后更名为 Moltbot，又更名为 OpenClaw）是一款开源、以通讯为核心的AI智能体项目，运行在你自己的设备上，通过你已有的渠道（WhatsApp、Telegram、Slack、Discord、Google Chat、Signal、iMessage、Teams、WebChat 等）和你对话，支持语音、Canvas、多代理路由等。简单点说：Moltbot 最大的特点是不仅能回答问题，更能真正“动手”操作你的电脑系统，执行命令、控制浏览器、管理文件，就像一个 7 x 24 小时在线的 “数字员工”。

官网：https://www.molt.bot/
github 地址：https://github.com/moltbot/moltbot

Moltbot 部署

方式一：NPM 全局安装

方式二：源代码安装

上面两种安装方式二选一，因为我是走的源代码安装：
1.     pnpm moltbot onboard --install-daemon 初始化

2.     同意风险
提示这里会让你确认风险。Moltbot 功能强大，能执行系统命令、读写文件、控制浏览器，但这也意味着如果配置不当或被滥用，可能会带来安全风险，请谨慎使用。

3.     选择快速开始
4.     配置 AI 模型授权，我手里头有qwen的

5.     启动web问个小问题：“查一下我的电脑型号”，很快 moltbot 回复了我机器的具体型号，虽然任务非常简单，但是还是挺惊喜的，距离“贾维斯”又进了一步了。

Moltbot 的原生记忆解读

Moltbot 的持久记忆可以概括为：「Markdown 文件为单一事实来源 + 可选向量/混合检索」。

存储形态：纯 Markdown 文件事实来源：模型「记得」的内容 = 写入磁盘的 Markdown；不依赖模型内部状态。默认布局（在 workspace 下，如 ~/clawd）：memory/YYYY-MM-DD.md：按日期的日志，仅追加；会话开始时读「今天 + 昨天」。MEMORY.md（可选）：长期、人工可维护的记忆；只在 main 私聊 session 加载，群聊不加载。也就是说：短期、按天的记录 → memory/YYYY-MM-DD.md长期、精选事实 → MEMORY.md持久化完全靠「写进这些文件」，而不是靠对话历史本身。

写入时机与「记忆冲刷」（Memory Flush）平时：模型通过工具（如 write、edit）或技能，把要记住的内容写到 MEMORY.md 或 memory/YYYY-MM-DD.md。自动冲刷：当 session 快触发自动 compaction 前，Moltbot 会跑一轮静默的 agent 回合，专门提醒模型「把该持久化的东西写进记忆文件」，并鼓励用 NO_REPLY 不回复用户，避免用户看到这次内部回合。触发条件由 agents.defaults.compaction.memoryFlush 控制，例如在「剩余 token ≈ softThresholdTokens」时触发；每轮 compaction 只做一次 flush，并在 sessions.json 里记 memoryFlushCompactionCount 等，避免重复。

相关代码在 src/auto-reply/reply/memory-flush.ts：shouldRunMemoryFlush()：根据当前 token、context 上限、reserve、softThreshold 判断是否该 flush。

若 workspace 只读（如 sandbox workspaceAccess: "ro"），则不做 flush。

检索层：向量 + 可选 BM25 混合检索
数据流

实现方式

插件控制：默认使用 memory-core 插件（可设 plugins.slots.memory = "none" 关掉）。工具：memory_search：对 MEMORY.md 和 memory/.md 做语义检索（按 ~400 token 分块、80 token 重叠），返回片段 + 文件路径 + 行号；可选开启 BM25 + 向量的混合检索。memory_get：按路径（及可选 from/lines）读取 MEMORY 或 memory 下的文件片段，供在检索后精确拉取，控制上下文长度。向量索引：对MEMORY.md 和 memory/.md 建索引；索引按 agent 存于 ~/.clawdbot/memory/.sqlite（路径可配）。支持远程 embedding（OpenAI、Gemini 等）或本地模型（如 GGUF）；可选 sqlite-vec 做向量加速。文件变更有 watcher（debounce），索引异步更新；若 embedding 模型/端点等变化，会整库重建索引。

混搜权重分配

最终分数的计算公式非常简单（src/memory/hybrid.ts）：

这意味着：向量搜索和文本三七开：最终得分 = 0.7×向量分 + 0.3×文本分（归一化后），偏重语义。候选池放大 4 倍：先取 maxResults × 4 的候选再合并、排序、截到 maxResults，提高最终 Top‑N 质量。

Moltbot + powermem 方案

有 PowerMem VS 没有 PowerMem

集成 powermem 方案集成方式：已插件的方式进行集成

集成方式：新增插件 extensions/memory-powermem，通过 HTTP 调用 PowerMem 已启动的 API 服务；不把 PowerMem 作为库嵌入 Moltbot 进程。部署：用户需单独启动 PowerMem（如 powermem-server --host 0.0.0.0 --port 8000 或 Docker），并在 Moltbot 配置中填写 baseUrl（及可选 apiKey）。代码结构代码地址：https://github.com/ob-labs/moltbot-extension-powermem

在 Moltbot Agent 里会暴露这些能力：memory_recall — 按查询搜索长期记忆memory_store — 写入一条记忆（可选是否智能抽取）memory_forget — 按记忆 ID 或按搜索条件删除使用 powermem 插件 Step1: 前置条件已安装 Moltbot（CLI + gateway 能正常用）PowerMem 服务：需要单独安装并启动（见下文两种方式，任选其一）若用 PowerMem 的「智能抽取」：需在 PowerMem 的 .env 里配置好 LLM + Embedding 的 API Key（如通义千问 / OpenAI） Step2：把本插件装进 Moltbot 在你本机执行（路径改成你实际克隆的目录）：

安装成功后，可用 moltbot plugins list 确认能看到 memory-powermem。 Step3：配置 Moltbot 使用本插件编辑 Moltbot 的配置文件（常见位置：~/.clawdbot/config.json 或项目里的 moltbot.json），在根级增加或合并 plugins 段，并把记忆槽指向本插件，并写上 PowerMem 的地址。示例（JSON）：

说明：baseUrl：PowerMem 的 HTTP 地址，不要加 /api/v1，就写 http://localhost:8000 或你的实际主机/端口。若 PowerMem 开了 API Key 鉴权，在 config 里增加 "apiKey": "你的key"。改完配置后重启 Moltbot gateway（或重启 Mac 菜单栏应用），配置才会生效。 Step4：验证插件与 PowerMem 连通在终端执行：

若输出里没有报错、能看到健康状态，说明插件已连上 PowerMem。 Step5: 测试手动写入 + 搜索我们来简单测试一下,用手动写入验证数据库是否有数据

若搜索能返回刚写的那条（或类似内容），说明「安装 PowerMem → 安装插件 → 配置 Moltbot」全流程已打通。下面是执行结果：

看一眼数据库,妥妥的已经写入了

欢迎访问 OceanBase 官网获取更多信息：https://www.oceanbase.com/

想象一下这样的场景：你正在和一个 AI 医疗助手聊天，它刚刚帮你记录了头痛的症状。第二天，你再次咨询时，它竟然完全忘记了你是谁，还要你重新介绍一遍病情…… 是不是很抓狂？这就是传统 AI 应用的 “金鱼记忆” 问题 —— 每次对话都是 “初次见面”，永远记不住历史信息。

今天，为大家介绍一款我最近开发的两款 AI 记忆存储产品 —— PowerMem + seekdb，一个让 AI 拥有 “超强记忆力” 的持久化记忆系统。

PowerMem：https://github.com/oceanbase/powermem
seekdb：https://github.com/oceanbase/seekdb

传统的 AI 对话系统每次会话都是 “失忆” 的。用户每次都需要重复说明自己的信息、偏好和历史，体验割裂、效率低下。开发者想要构建 “有记忆的 AI”，却面临数据持久化、智能提取、多模态支持、权限控制等诸多复杂问题，往往需要从零开始构建记忆系统，重复造轮子。

PowerMem 应运而生 —— 一款开源的 AI 记忆管理 SDK，致力于解决 80% 的 AI 记忆管理问题。我们相信，通过提供一套完整、易用、高性能的记忆管理解决方案，可以让开发者专注于业务创新，而不是重复造轮子。

不是简单的 "记事本"，而是 "最强大脑"

PowerMem 是什么？

PowerMem 建立在这样一个原则之上：AI 系统应该能够像人类一样随着时间积累知识和经验。这一理念驱动了 PowerMem 设计和实施的每个方面：

智能提取和保留：PowerMem 通过 LLM 模型进行记忆的提取，根据重要性和相关性确定哪些信息值得记住。
上下文理解：PowerMem 维护跨交互的上下文以实现有意义的个性化体验。
持续学习：PowerMem 使 AI 系统能够从每次交互中学习并随着时间的推移而改进。
自适应遗忘：像人类记忆一样，PowerMem 实现了自适应遗忘机制以防止信息过载。

PowerMem 的核心特性包括：

开发者友好：轻量级接入方式，提供简洁的 Python SDK / MCP 支持，让开发者快速集成到现有项目中

智能记忆管理：记忆的智能提取，通过 LLM 自动从对话中提取关键事实，智能检测重复、更新冲突信息并合并相关记忆，确保记忆库的准确性和一致性。举个例子：还记得上学时老师让你划重点吗？PowerMem 就是 AI 的学霸助手，不需要你手动标注，AI 自动帮你划重点。

 # 用户说了一堆话

messages = [

{"role": "user", "content": "Hi, my name is Alice. I'm a software engineer at Google."},

{"role": "assistant", "content": "Nice to meet you, Alice!"},

{"role": "user", "content": "I love Python programming and machine learning."}

]

# PowerMem 自动提取关键事实

memory.add(messages=messages, user_id="alice", infer=True)

# 结果：自动提取出 4 条关键记忆 # 1. Name is Alice # 2. Is a software engineer at Google # 3. Loves Python programming # 4. Loves machine learning

艾宾浩斯遗忘曲线：基于认知科学的记忆遗忘规律，自动计算记忆保留率并实现时间衰减加权，优先返回最近且相关的记忆，让 AI 系统像人类一样自然 “遗忘” 过时信息。还记得那个著名的遗忘曲线吗？PowerMem 把它用在了 AI 记忆上，简单来说，就像人类大脑一样，重要的、最近的信息记得更牢。
- 最近的信息：权重高，优先召回
- 久远的信息：权重低，自然衰减
- 过时信息：自动清理，保持记忆库新鲜
多智能体支持：智能体共享 / 隔离记忆，为每个智能体提供独立的记忆空间，支持跨智能体记忆共享和协作，通过作用域控制实现灵活的权限管理。

多模态支持：不仅记得文字，还看得懂图片。文本、图像、语音记忆：自动将图像和音频转换为文本描述并存储，支持多模态混合内容（文本 + 图像 + 音频）的检索，让 AI 系统理解更丰富的上下文信息。

 # 存储图片记忆

memory.add(

messages=[{"role": "user", "content": "这是我的X光片"}],

images=["xray_image.jpg"],

user_id="patient_001"

)

# 搜索时，文字 + 图片一起检索

results = memory.search("X光片结果", user_id="patient_001")

深度优化数据存储：支持子存储（Sub Stores），通过子存储实现数据的分区管理，支持自动路由查询，显著提升超大规模数据的查询性能和资源利用率。
混合检索：融合向量检索、全文搜索和图检索的多路召回能力，通过 LLM 构建知识图谱并支持多跳图遍历，精准检索复杂的记忆关联关系。

seekdb 是什么？

OceanBase seekdb 是 OceanBase 打造的一款开发者友好的 AI 原生数据库产品，专注于为 AI 应用提供高效的混合搜索能力，支持向量、文本、结构化与半结构化数据的统一存储与检索，并通过内置 AI Functions 支持数据嵌入、重排与库内实时推理。 seekdb 在继承 OceanBase 原核心引擎高性能优势与 MySQL 全面兼容特性的基础上，通过深度优化数据搜索架构，为开发者提供更符合 AI 应用数据处理需求的解决方案。

PowerMem + seekdb (1 + 1>2 ) 的持久化记忆解决方案

PowerMem 的架构旨在模块化、可扩展，包括如下层：

核心记忆引擎 (core)：管理所有记忆操作，包括智能记忆处理器、分层记忆管理、全生命周期记忆管理模块
模型层：提供与流行 LLM 和嵌入模型的无缝集成
存储层：支持多种存储后端的灵活接口（特别地，我们在 seekdb /oceanbase 上做了深度适配，充分利用了 seekdb 的混搜能力）。

所以，PowerMem + seekdb 的组合不是简单的数据存储，而是一个真正智能的持久化记忆系统。

1 分钟快速上手：让 AI 秒变 "记忆大师"

第一步：安装


pip install powermem

第二步：使用

 from powermem import Memory, auto_config

# 自动从 .env 加载配置

memory = Memory(config=auto_config())

# 添加记忆（自动提取事实）

memory.add("用户喜欢喝咖啡", user_id="user123")

# 搜索记忆（智能检索）

results = memory.search("用户偏好", user_id="user123")

就这么简单！4 行代码，让你的 AI 拥有 "记忆力"！

结语：

还在为 AI 的 “金鱼记忆” 而烦恼吗？

还在为 Token 成本居高不下而头疼吗？

还在为检索准确率低而困扰吗？

是时候给 AI 装个 “外挂记忆” 了～