mymem

MyMem

> 面向 OpenClaw 个人助理的长期记忆系统。

MyMem 让 OpenClaw 智能体拥有跨会话、可检索、会治理、会反思的长期记忆。它记住用户的生活偏好、工作背景、人际关系、长期目标、重要安排、关键决策、成功经验、失败教训和可复用习惯，并在后续对话中自动带回最相关的上下文。

它不是简单的笔记本，也不是把聊天记录原样塞进数据库。MyMem 是一套完整的记忆工程闭环：自动捕捉、智能提取、混合检索、上下文注入、反思沉淀、噪声过滤、生命周期维护、错误学习和记忆治理在同一个系统里协同工作。

---

为什么需要 MyMem

普通智能体最大的问题之一是失忆。

每次新会话都要重新解释偏好、日程背景、家庭情况、工作重点、正在推进的事项和之前已经说过的结论。复杂事情中犯过的错误，下次还可能再犯。不同助理能力之间也缺少稳定的共享上下文。

MyMem 解决这个问题：让智能体随着使用时间变长，越来越理解你、你的生活方式、工作节奏和长期偏好。

它不会把所有内容机械保存下来。它会留下未来有用的信息，过滤低价值噪声，更新过时事实，降低错误记忆的影响，并把真实工作中形成的经验变成可复用知识。

---

核心能力

MyMem 的核心体验是自动完成记忆系统该做的事，而不是让用户手动维护笔记。

它会记住：

• 用户的表达偏好、生活习惯、饮食偏好和沟通方式
• 家人、朋友、同事、客户和常联系对象的关键信息
• 正在推进的工作、学习、旅行、家庭和个人计划
• 做过的重要决定以及背后的原因
• 常用服务、工具、地点、商家、团队和协作对象
• 发生过的问题、处理方式、复盘结论和下次提醒
• 多次成功实践中沉淀出的个人方法和工作习惯

它把这些信息提炼成结构化长期记忆，自动召回相关上下文，按助理和场景隔离记忆边界，在 /new、/reset 等会话切换场景做反思沉淀，并把用户纠正、成功案例和坏召回反馈纳入 MyMem 内部治理。

记忆数据保存在用户自己的 OpenClaw 环境中。MyMem 关注的是对未来有价值的长期记忆，而不是完整复刻所有输入。

---

记忆架构设计

六类记忆模型

MyMem 使用 6 类记忆来组织长期上下文：

| 类别 | 语义 | 写入策略 | 通道 | |------|------|---------|------| | profile | 身份信息、长期目标、生活方式 | 始终合并 | knowledge | | preferences | 沟通方式、饮食偏好、工具选择 | 合并，时间版本化 | knowledge | | entities | 家人朋友、同事客户、项目设备 | 合并，时间版本化 | knowledge | | events | 一次安排、一次沟通、一次旅行 | 仅追加 | experience | | cases | 某次问题处理、某次任务完成 | 仅追加 | experience | | patterns | 反复有效的方法、避坑经验 | 合并 | knowledge |

不同类别有不同的治理策略：画像持续合并，偏好和实体支持随时间替换，事件和案例保持轨迹记录，模式会被提炼成更稳定的做事方法。

知识与经验隔离

MyMem 把记忆分成两条逻辑通道：

• knowledge：相对稳定的知识（profile、preferences、entities、patterns）
• experience：发生过的经历（events、cases）

检索时根据问题意图提升对应通道：问偏好时优先找稳定知识，问"上次""之前"时优先找经验轨迹。生命周期上，知识衰减更慢（半衰期乘数 3.0），经验衰减更快（半衰期乘数 0.7）。

摘要与正文

每条智能记忆带有两种表达：

• summary：一句话索引，用于快速检索、去重和低成本召回
• content：完整叙事，用于需要细节和上下文时展开

普通自动召回可以只带入 summary，复杂追问再展开 content；检索时同时利用摘要和正文。

自动升降级和生命周期

MyMem 内部有两套层级：

• tier：core、working、peripheral
• layer：durable、working、reflection、archive

重要、常用、可信的记忆从 peripheral 升到 working，再升到 core；低价值、久未使用、过期的记忆会降级或归档。这个过程综合时间、访问次数、重要性、置信度、反馈信号和记忆类型，而不是只按创建时间删除。

冲突、替换和去重

• 相似记忆先做向量预筛，再做语义去重
• 重复内容跳过或合并
• 新事实可以替换旧事实，保留 supersedes / superseded_by 关系
• 冲突记忆被标记、降权或归档
• 支持性证据强化已有记忆，而不是制造重复条目

混合检索引擎

召回不是简单向量搜索，而是一条完整的检索链路：

查询 → 意图分析 → 查询扩展 → [向量检索 ∥ BM25检索] → RRF 融合
→ 时间增强 → 重要性加权 → 衰减调整 → 重排序 → MMR 多样性过滤
→ Learning Memory 排序 → 结果

结合向量语义检索、BM25 关键词匹配、类别意图识别、知识/经验通道提升、时间衰减、访问强化、重要性加权和重排序模型二次排序。

Learning Memory Layer

MyMem 默认启用 Learning Memory Layer，让记忆不只按“相似”召回，还会按长期效用、场景关系和探索价值重新排序。

这一层仍然使用现有 LanceDB 主库和 metadata JSON，不新增外部数据库。它会把人物、项目、长期目标、时间段和工作流聚合成 scene 合成记忆；把成功/失败经验沉淀成 case 和 pattern 记忆；并持续学习哪些记忆真正帮到了用户。

自动召回链路不会实时调用 LLM，避免拖慢每轮响应。LLM 只用于后台维护任务，例如场景摘要、case/pattern 蒸馏和压缩；LLM 失败时会降级到确定性聚类和摘要，正常召回不受影响。

主记忆新增入口

运行时主记忆库只保留两条新增链路：

• 手动链路：用户显式调用 mymem_store，以及 mymem_update 触发的版本化新记录
• autoCapture 链路：去除上下文注入和包装块后，只把用户消息与 assistant 消息发送给智能提取 LLM

治理模块只更新已有主记忆。反思写入独立 reflection 库，只供反思上下文注入使用，不参与普通 mymem_recall。

OpenClaw 工具 category

OpenClaw 工具参数里的 category 直接使用 MyMem 的 6 类模型：profile、preferences、entities、events、cases、patterns。工具层不再接受旧版 preference、fact、decision、entity、other 分类。

为兼容既有存储表结构，底层顶层 category 列仍可能保留内部派生值；工具查询、列表、解释和返回结果均以 metadata.memory_category 为准。

---

使用体验

安装 MyMem 后，提供必要的模型凭据，然后正常使用智能体。

默认配置已经按实际使用场景调好。大多数用户不需要理解检索权重、生命周期策略、注入预算或内部开关。

你会逐渐感受到：

• 智能体更清楚你喜欢怎样沟通
• 新会话也能延续生活和工作背景
• 之前踩过的坑更少重复
• 已经做过的决策不会轻易丢失
• 多个助理能力之间上下文更稳定
• 成功经验会沉淀为可复用的方法

---

可视化管理台

MyMem 内置本地可视化管理台。插件启动后自动在本机启动：

http://127.0.0.1:1314

只绑定本机地址，不会暴露到外网。管理台 API 需要本地 token 解锁；自动启动或手动启动时会使用 .dashboard-token 文件，并在日志中提示形如 http://127.0.0.1:1314/?token=$(cat '.../.dashboard-token') 的打开方式。首次带 token 访问后，页面会设置本机 HttpOnly cookie 并从地址栏移除 token。

管理台包含：

• 总览：6 类记忆分布、活跃时间分布、记忆层级分布，以及召回诊断工作区
• 记忆管理：瀑布流展示最近记忆，支持按范围和类型筛选，点击可查看摘要和正文详情，也可以直接删除

召回诊断复用 MyMem 的解释链路，分两列说明查询经过了哪些处理阶段、命中了哪些记忆，以及是否被范围隔离、硬阈值、噪声过滤、重排或候选池限制影响。

手动启动：

openclaw mymem dashboard --host 127.0.0.1 --port 1314

通常不需要手动运行；正常启用插件后管理台随 MyMem 一起启动。端口被占用时会跳过启动并继续正常工作。手动启动时 CLI 会打印 token 文件路径和解锁 URL。

---

安装与启用

把本仓库链接发给你的 OpenClaw，从仓库克隆到 /root/.openclaw/workspace/plugins/mymem 安装。

MyMem 作为 OpenClaw 的 memory 插件，需要在 OpenClaw 设置中填入推荐配置。启用后会自动开始捕捉、治理和召回长期记忆。

---

推荐配置

推荐只配置模型连接信息和插件挂载关系，其它能力交给 MyMem 内置策略处理：

{
  "plugins": {
    "load": {
      "paths": [
        "/root/.openclaw/workspace/plugins/mymem"
      ]
    },
    "allow": [
      "mymem"
    ],
    "slots": {
      "memory": "mymem"
    },
    "entries": {
      "mymem": {
        "enabled": true,
        "hooks": {
          "allowConversationAccess": true
        },
        "config": {
          "embedding": {
            "baseURL": "https://dashscope.aliyuncs.com/compatible-mode/v1",
            "apiKey": "${DASHSCOPE_API_KEY}",
            "model": "text-embedding-v4"
          },
          "llm": {
            "baseURL": "${LLM_API_URL}",
            "apiKey": "${LLM_API_KEY}",
            "model": "${LLM_API_MODEL}"
          },
          "retrieval": {
            "rerankEndpoint": "https://dashscope.aliyuncs.com/compatible-api/v1/reranks",
            "rerankApiKey": "${DASHSCOPE_API_KEY}",
            "rerankModel": "qwen3-rerank"
          }
        }
      }
    }
  }
}

• embedding：把生活、工作、关系、偏好和计划转成可检索的长期记忆向量
• llm：负责智能提取和反思
• retrieval：召回后重新排序，让个人助理更容易找到真正相关的记忆

推荐的向量模型和重排模型来自阿里云百炼，DASHSCOPE_API_KEY 从阿里云百炼控制台获取，建议通过环境变量注入。

Learning Memory 默认开启，普通部署不需要额外配置。需要临时回退到旧召回排序和旧注入输出时，可以在 entries.mymem.config 下加上：

{
  "learningMemory": {
    "enabled": false
  }
}

工具白名单

如果 OpenClaw 环境对工具做白名单控制，推荐允许：

mymem_recall、mymem_update、mymem_doctor

反思和反馈循环会自动把长期偏好、经验、可复用做法和预防性教训写入 MyMem 记忆库，无需额外人工工具入口。

---

MyMem 可以形成的记忆

• 用户喜欢直接、简洁、先给结论再展开的回答
• 用户周末通常不安排高强度工作，适合处理生活计划和轻量复盘
• 用户偏好的餐厅、咖啡、出行方式、购物平台和常用服务
• 家人、朋友、同事或客户的重要偏好、称呼、纪念日和协作方式
• 某个长期目标的阶段进展、阻碍和下一步计划
• 某类问题已经有成熟处理方式，下次应直接复用
• 某个人物、项目、目标或工作流被聚合成可召回的场景记忆，并按预算展开关键成员记忆
• 多个相似案例被蒸馏成 pattern，供后续召回和治理复用
• 消息平台的包装元数据不应该进入长期记忆

这些记忆让智能体更像长期陪伴的个人助理，而不是每次从零开始的问答模型。

---

为强默认配置而设计

MyMem 的产品体验不是让用户研究大量开关，而是默认就好用。

捕捉、提取、召回、反思、治理和上下文控制已经组合成默认策略。用户启用后正常使用，记忆系统会在消息、提示构建、网关启动、/new 和 /reset 等 OpenClaw 生命周期节点按条件运行。

高级选项存在是为了特殊部署和深度调优；普通用户只需要安装、启用、正常使用。

---

适合哪些场景

• 长期使用 OpenClaw 的个人或团队
• 经常开启新会话但希望保留连续上下文
• 希望助理同时理解生活和工作上下文
• 需要长期跟踪计划、习惯、关系和阶段目标
• 希望智能体记住沟通方式、协作偏好和个人约束
• 使用多个专用助理能力的工作流
• 想把错误、修复和成功经验沉淀下来
• 不想手动维护个人记忆文档

---

项目理念

> 记住能帮助未来工作的内容，过滤会制造噪声的内容，并从真实使用中持续变强。