一行配置，768 维记忆：OpenClaw 向量搜索升级实战

先说一下背景，我用 OpenClaw 已经快两个多月了。它跑在我本地的 Windows 机器上，通过 QQ 跟我对话，帮我做简报、管待办、发微博、查数据。时间一长，记忆文件越来越多，每天的日记、对话记录、项目笔记，加起来十几个文件。

但问题来了：它越来越“健忘”了。

我问它“之前那个微博超话发帖的 API 参数是什么”，它给我一堆日常闲聊的记录。我问“创艺提示符项目的技术栈”，它给我微博热搜的数据。明明信息都在文件里，但就是搜不准。

我知道 OpenClaw 有向量搜索功能，配置文件里也写着 vector.enabled: true。可搜出来的结果，怎么看都不像是真正理解的样子。

问题出在哪里？

经过一番摸索，我发现，要让向量搜索真正跑起来，需要三样东西同时对上号：

文本嵌入模型，把文字变成向量的引擎
本地推理服务（Ollama），跑模型的运行环境
正确的配置连接，让 OpenClaw 找到文本嵌入模型并调用它

我打开 openclaw.json，配置长这样：

{
  "memorySearch": {
    "store": { "vector": { "enabled": true } },
    "provider": "ollama",
    "remote": { "baseUrl": "http://localhost:11434" },
    "model": "nomic-embed-text"
  }
}

配置没问题。那模型呢？终端里跑 ollama list，nomic-embed-text:latest 在列，274 MB，已经拉取了。

Ollama 也在跑。那为什么搜索还是不准？

答案让我意外：模型在，服务在，配置在，但 OpenClaw 启动时 Ollama 没在跑。 向量搜索静默降级到了纯文本搜索，而且没有任何报错。我就这样用了一个星期残废版的记忆系统，自己都不知道。

真实场景：升级前 vs 升级后

场景一：查项目配置细节

我经常需要回忆第二大脑（我的个人管理系统）的具体配置。比如我问：“第二大脑的 API 端点是什么？”

升级前（关键词搜索）：返回了大量包含“API”字样的记录，微博超话的 API 调用日志、OpenClaw 配置文件片段、QQ Bot 的消息格式，真正的第二大脑 API 端点记录被埋在了后面。因为那条记录的标题写的是“路由”，内容里没有直接出现“第二大脑 API”这个精确词组。

升级后（向量搜索）：第一条就命中了第二大脑系统同步与 API 文档更新的完整记录，提到了 /api/todos、/api/memory-fragments、/api/crawlers/items 等具体端点。因为它理解了“第二大脑的 API 端点”和“wali 项目路由”在语义上是同一件事。

场景二：回忆之前讨论过的技术选型

有天我在想创艺提示符项目（我开发的一个提示词管理工具）要不要换个数据库方案，就问：“之前讨论过 caprompt 的技术栈吗？”

升级前：返回了所有包含“技术栈”或“项目”的条目，包括 OpenClaw 配置、微博发布记录、日常简报，真正关于创艺提示符技术选型的讨论被淹没了。

升级后：直接返回了创艺提示符项目分析的完整记录，包括 Next.js + React + TypeScript + Tailwind CSS + shadcn/ui 的技术栈细节、Prisma + SQLite 的数据库选型、通义千问的 AI 接入方案。因为在 768 维向量空间里，“技术选型”和“技术栈分析”的语义距离很近。

场景三：用中文搜英文内容

我的记忆文件是中英混杂的，中文日记、英文技术笔记、混合配置片段混在一起。

升级前：搜英文关键词找不到中文内容，反之亦然。搜“vector”只返回包含“vector”的条目，完全遗漏了写“向量搜索”的中文笔记。

升级后：搜“向量数据库”，连包含“vector search”配置的英文笔记也能命中。nomic-embed-text 虽然中文能力不如专业中文模型，但在中英混合场景下表现反而更好，因为它把两种语言的相似概念映射到了向量空间的相近区域。

升级过程：三步让记忆活过来

第一步：确保 Ollama 在线

# 确认 Ollama 服务在运行
curl http://localhost:11434/api/tags

# 如果没启动，手动启动
ollama serve

Windows 用户建议把 Ollama 设为开机自启服务。这是最关键的一步：如果 OpenClaw 启动时 Ollama 没在跑，向量搜索会静默降级，不会报任何错。

第二步：拉取嵌入模型

ollama pull nomic-embed-text

274 MB，CPU 就能跑，不需要 GPU。它的任务是把文字变成 768 维向量，让语义相似的文字在向量空间里靠得更近。

第三步：配置 + 重启

在 ~/.openclaw/openclaw.json 中确认：

{
  "memorySearch": {
    "store": { "vector": { "enabled": true } },
    "provider": "ollama",
    "remote": { "baseUrl": "http://localhost:11434" },
    "model": "nomic-embed-text"
  }
}

三个关键点：

provider 必须是 "ollama"（不是 "openai"）
baseUrl 必须指向本地 Ollama（默认 http://localhost:11434）
model 必须跟 ollama list 输出的名字完全一致，大小写敏感

然后重启：

openclaw gateway restart

重启后 Gateway 会自动重建向量索引，把所有记忆文件重新嵌入。根据文件数量，可能需要几秒到几分钟。

验证：我这样确认它生效了

重启后，我立刻搜了一下“创艺提示符技术栈”。

返回结果的 debug 字段里写着：

"provider": "ollama"
"model": "nomic-embed-text"

这两个字段之前是空的。现在有了它们，说明向量搜索真正在运行。

然后我试了几个之前搜不准的查询：

搜“第二大脑 API” → 第一条就命中了 wali 项目的 API 文档更新记录
搜“创艺提示符技术栈” → 精准返回了 caprompt 项目分析的完整记录
搜“向量数据库” → 找到了包含“vector search”配置的英文笔记

每个查询的相关性都明显提升，不再是“哪个词匹配多就排前面”，而是“这段话跟你要找的东西意思接近”。

为什么选 nomic-embed-text

选 nomic-embed-text 的理由很实际：

隐私第一，我的记忆文件里有大量个人信息、API 密钥、对话记录，这些数据不能离开我的机器
274 MB 零门槛，不需要 GPU，不需要 Python 环境，ollama pull 一条命令搞定
8K 上下文，能处理整篇笔记，而不是只看前 512 个 Token
中英混合友好，我的记忆文件中英混杂，nomic 在这种混合场景下表现稳定

踩坑记录：我走过的弯路

坑 1：静默降级（最坑的一个）

OpenClaw 的 memory_search 在向量搜索不可用时，不报错，静默退回文本搜索。我用了整整一周“残废版”记忆系统，完全不知道。

验证方法：每次配置完后，检查搜索结果里的 provider 和 model 字段。如果是空的或者没有 nomic-embed-text，说明向量搜索没生效。

坑 2：模型名大小写敏感

nomic-embed-text 和 Nomic-Embed-Text 是两个不同的模型。必须跟 ollama list 输出完全一致。

坑 3：Ollama 没启动 = 一切白搭

如果 OpenClaw 启动时 Ollama 没在跑，向量搜索会自动降级。更坑的是：即使后来你启动了 Ollama，OpenClaw 也不会自动重连。必须重启 Gateway。

这是 2026.4.7 版本之前的通病，连个警告都没有。2026.4.7 版本开始，向量搜索不可用时会在 openclaw memory status --deep 中显示警告。

坑 4：Ollama 嵌入适配器 bug

2026.4.14 版本修复了一个关键 bug：memorySearch.provider: "ollama" 在某些情况下无法正常调用嵌入接口。如果你用的版本早于 2026.4.14，务必升级。

坑 5：重装后向量索引丢失

重装 OpenClaw 后，之前的向量索引可能已损坏或丢失。重启 Gateway 会自动触发重建，但重建需要时间，文件越多等得越久。

升级清单

安装 Ollama：winget install Ollama.Ollama（Windows）或 brew install ollama（macOS）
拉取嵌入模型：ollama pull nomic-embed-text
确认 Ollama 在运行：curl http://localhost:11434/api/tags
把 Ollama 设为开机自启服务
配置 openclaw.json 的 memorySearch 部分
确保 OpenClaw 版本 ≥ 2026.4.14（Ollama 嵌入适配器修复）
重启 Gateway：openclaw gateway restart
测试搜索并验证 provider 和 model 字段

写在最后

升级向量搜索之后，我龙虾的搜索能力大大增强。问它项目细节，它能精确到具体的 API 端点和配置项。问它技术选型，它能回忆起完整的讨论上下文；用中文搜英文笔记，它也能找得到。

这不是什么高大上的技术突破。就是配了一个 274 MB 的模型，让 memory_search 从“逐字匹配”升级到了“理解语义”。

但效果是实实在在的：AI 的记忆终于从数据库查询变成了真正的回忆。

一行配置，一个模型，一次重启。10 分钟搞定。