OpenClaw怎么可能没痛点？用RDS插件来释放OpenClaw全部潜力

发布日期：2026-03-09 19:42:16 浏览次数： 2665

作者：阿里云开发者

微信搜一搜，关注“阿里云开发者”

一、为什么你需要关注插件

大多数 OpenClaw 用户在实现自定义功能时，第一反应是编写 Skill 或注册自定义 Tool。这两种方式简单直接，但在面对需要深度介入 Agent 生命周期的场景时，往往力不从心。

1.1 三种扩展机制对比

维度	Skill	Tool	Plugin
本质	Markdown 文本，注入到系统提示词	一个可被 AI 调用的函数	完整的扩展程序，可访问 Agent 全生命周期
执行时机	系统提示词构建阶段被注入	AI 主动决策调用	可以借助“钩子”在任意生命周期中执行
能否主动介入	否，只能被动提供指令	否，依赖 AI 判断是否调用	是，依赖钩子机制主动介入
适用场景	行为指导、回答风格、领域知识补充	搜索、计算、文件操作等工具性任务	记忆管理、知识注入、数据持久化、多 Agent 协作

1.2 关键差异：被动 vs 主动

当你的需求是「在生命周期中某个阶段总应该自动发生某件事」（而非等 AI 判断后才执行），插件是唯一选择。

1.3 应用插件的常见场景

需要在每次对话开始前自动检索和注入外部知识（RAG）
需要在每次对话结束后自动提取和持久化记忆
需要替换 OpenClaw 的默认行为（如替换内置记忆系统）
需要在多个 Agent 之间共享数据管道

二、深入理解 OpenClaw 插件

2.1 核心概念

OpenClaw 插件是一个 npm 包（或本地目录），包含以下核心文件：

my-plugin/├── package.json            # npm 包元数据 + openclaw.extensions 入口声明├── openclaw.plugin.json    # 插件清单（id、描述、配置模式）├── index.ts                # 插件入口，导出 { id, register } 对象└── ...                     # 其他源码文件

插件清单 (openclaw.plugin.json) 定义了插件的身份和配置模式：

{  "id": "my-plugin",  "name": "My Plugin",  "description": "Does something useful",  "configSchema": {    "type": "object",    "required": ["apiKey"],    "properties": {      "apiKey": { "type": "string" }    }  }}

包声明 (package.json) 中的 openclaw.extensions 字段告诉 OpenClaw 从哪个文件加载插件逻辑：

{  "openclaw": {    "extensions": ["./index.ts"]  }}

2.2 插件在 Agent 生命周期中的作用点

OpenClaw 的 Agent 生命周期是一条从消息接收到回复发送的管线。插件可以通过“钩子（Hooks）”在管线的关键节点介入。OpenClaw 共提供 24 个钩子，覆盖 Agent 运行、消息处理、工具调用、会话管理等全部阶段。

核心生命周期流程

钩子分类总览

Agent 阶段钩子：

钩子	触发时机	可干预	典型用途
`before_model_resolve`	模型选择前	是（切换模型/供应商）	按场景动态路由到不同模型
`before_prompt_build`	系统提示词构建前	是（注入上下文/覆盖提示词）	知识注入、动态指令生成
`before_agent_start`	模型解析 + 提示词构建阶段	是（注入上下文 + 切换模型）	向后兼容钩子；模型覆盖优先级低于 `before_model_resolve`，上下文注入在提示词构建阶段生效
`llm_input`	LLM 请求发出前	仅观测	请求日志、审计
`llm_output`	LLM 响应返回后	仅观测	token 用量统计、质量监控
`agent_end`	Agent 推理完成	仅观测	记忆提取、对话归档、错误追踪

工具调用钩子：

钩子	触发时机	可干预	典型用途
`before_tool_call`	工具执行前	是（修改参数/拦截调用）	权限校验、参数审计、敏感操作拦截
`after_tool_call`	工具执行后	仅观测	结果日志、耗时统计
`tool_result_persist`	工具结果写入会话前	是（修改或裁剪结果）	去除冗余字段以节约上下文空间

消息与会话钩子：

钩子	触发时机	可干预	典型用途
`message_received`	消息到达时	仅观测	消息日志、计数统计
`message_sending`	回复发送前	是（修改内容/取消发送）	内容审核、格式转换
`message_sent`	回复发送后	仅观测	送达确认、失败重试
`session_start`	新会话创建时（恢复已有会话不触发）	仅观测	会话级资源初始化
`session_end`	会话结束	仅观测	会话级资源清理

记忆与会话管理钩子：

钩子	触发时机	可干预	典型用途
`before_compaction`	会话压缩前	仅观测	压缩前归档完整会话
`after_compaction`	会话压缩后	仅观测	压缩效果统计
`before_reset`	会话重置前	仅观测	重置前保存状态
`before_message_write`	消息写入会话记录前	是（修改/阻止写入）	过滤敏感信息、自定义持久化

子 Agent 钩子：

钩子	触发时机	典型用途
`subagent_spawning`	子 Agent 创建前	控制子 Agent 生成策略
`subagent_spawned`	子 Agent 创建后	跟踪子 Agent 运行
`subagent_ended`	子 Agent 结束	收集子 Agent 执行结果
`subagent_delivery_target`	子 Agent 回复路由时	自定义回复投递目标

Gateway 钩子：

钩子	触发时机	典型用途
`gateway_start`	Gateway 启动时	初始化外部连接
`gateway_stop`	Gateway 关闭时	清理资源

2.3 插件的两种角色

通用插件（General Plugin）：提供工具和钩子，与其他插件并行工作。

插槽插件（Slot Plugin）：替换 OpenClaw 的某个核心功能。目前支持的插槽：

插槽	功能	默认实现
`memory`	长期记忆存储与检索	内置 `memory-core`（本地文件 + SQLite）
`contextEngine`	上下文引擎（控制上下文编排策略）	内置默认实现

当你在配置中指定 plugins.slots.memory = "your-plugin-id" 时，你的插件将完全替代默认的 memory-core 记忆系统。

2.4 插件的发现与安装

OpenClaw 从以下位置按优先级发现插件：

配置路径 (plugins.load.paths)：指向本地目录，适合开发调试
工作区目录 (.openclaw/extensions/)：项目级插件
内置插件目录：OpenClaw 自带的插件
全局扩展目录 (~/.openclaw/extensions/)：通过 openclaw plugins install 安装

开发阶段推荐使用 plugins.load.paths，直接指向源码目录：

{  "plugins": {    "load": {      "paths": ["/path/to/your/plugin"]    }  }}

生产阶段推荐发布到 npm 后通过 CLI 安装：

openclaw plugins install your-plugin-name

2.5 插件配置

每个插件在 openclaw.json 的 plugins.entries 中拥有独立的配置空间：

{  "plugins": {    "entries": {      "your-plugin-id": {        "enabled": true,        "config": {          "apiKey": "${ENV_VAR}",          "option": "value"        }      }    },    "allow": ["your-plugin-id"]  }}

配置值支持 ${ENV_VAR} 语法引用环境变量，避免敏感信息硬编码。

三、插件开发范式速览

3.1 最小可用插件示例

import { Type } from "@sinclair/typebox";import type { OpenClawPluginApi } from "openclaw/plugin-sdk";
const plugin = {  id: "my-plugin",
  register(api: OpenClawPluginApi) {    const config = api.pluginConfig as { greeting: string };
    // 注册工具    api.registerTool(      {        name: "say_hello",        label: "Say Hello",        description: "Greet the user",        parameters: Type.Object({          name: Type.String({ description: "User name" }),        }),        async execute(_toolCallId, params) {          const { name } = params as { name: string };          return {            content: [{ type: "text", text: `${config.greeting}, ${name}!` }],          };        },      },      { name: "say_hello" },    );
    // 注册生命周期钩子    api.on("before_agent_start", async (event, ctx) => {      api.logger.info("Agent", ctx.agentId, "starting...");      return { prependContext: "Remember to be friendly!" };    });
    // 注册服务（管理资源生命周期）    api.registerService({      id: "my-plugin",      start: (ctx) => ctx.logger.info("Plugin started"),      stop: async (ctx) => ctx.logger.info("Plugin stopped"),    });  },};
exportdefault plugin;

3.2 核心 API 速查

API	用途
`api.pluginConfig`	获取插件配置（来自 `openclaw.json` 中的 `plugins.entries.<id>.config`）
`api.logger`	日志输出（`.info()`, `.warn()`, `.error()`）
`ctx.agentId`	钩子回调第二个参数 `ctx` 中的当前 Agent ID（非 `api` 顶层属性）
`api.registerTool(def, opts)`	注册一个可被 AI 调用的工具
`api.on(hook, handler)`	监听生命周期事件，handler 签名为 `(event, ctx) => result`，`ctx` 含 `agentId` 等上下文
`api.registerService(svc)`	注册服务（管理启动/停止生命周期）

四、最佳实践：

用 RDS MySQL 生态插件解决原生 OpenClaw 的两大痛点

4.1 痛点分析：外源知识使用与长期记忆管理

痛点一：外源知识使用 —— AI 只能靠「问」来获取

原生 OpenClaw 获取外部知识的路径是：

用户提问 → AI 判断需要外部信息 → AI 调用 web_search / web_fetch → 获取结果 → 生成回答

这条路径存在三个问题：

问题	说明
决策依赖 AI	AI 可能判断「我已经知道答案」而跳过搜索，导致使用过时信息
无法预加载	即使有现成的知识库，也必须等 AI 主动调用工具才能检索
无结构化存储	`web_search` 获取的信息是一次性的，下次对话需要重新搜索

用 Skill 指导 AI「每次都先搜索」可以缓解但无法根治 —— 因为 Skill 只是建议，AI 仍可能忽略。

痛点二：长期记忆管理 —— 默认记忆系统的局限

OpenClaw 的默认记忆方案是 memory-core，它基于本地文件系统运作：

所有记忆都以 Markdown 文件（MEMORY.md、memory/*.md）和 SQLite 的形式存储在本地 ~/.openclaw/ 目录下。这套方案在单机个人使用场景下工作良好，但面临以下局限：

局限	说明
数据绑定宿主机	所有记忆存储在本地文件系统，无法跨设备访问
无备份与高可用	本地文件系统不具备自动备份、故障恢复能力
检索依赖全文匹配	`memory-core` 的检索基于关键词和 Markdown 全文，缺乏语义理解能力
记忆质量管理缺失	没有去重、归档、摘要等主动维护手段

4.2 实践一：外源知识注入案例 — 世界经济新闻知识库

场景描述

我们希望构建一个「世界经济新闻顾问」，它能够：

每天自动采集最新经济新闻，存入知识库
用户提问时，自动从知识库检索相关新闻并注入上下文
支持用户主动搜索知识库

这需要两个插件和两个 Agent 协作：

组件	职责
知识生成插件 (`openclaw-knowledgebase-generate-alibaba-mysql`)	文本分块 → Embedding → 存入 MySQL 向量表
知识检索插件 (`openclaw-knowledgebase-fetch-alibaba-mysql`)	每次对话前自动检索 → 注入上下文；提供 `kb_search` 工具
news-crawler Agent	新闻采集器，搜索互联网并调用插件存入知识库
news-chat Agent	新闻对话官，与用户交互，自动获得知识库上下文加持

从零搭建：完整步骤

前置条件

依赖	说明
OpenClaw	已安装并可运行 `openclaw --version`
阿里云 RDS MySQL	已开通，支持向量引擎（`VECTOR` 类型）。开通指南： https://help.aliyun.com/zh/rds/apsaradb-rds-for-mysql/vector-storage-1
DashScope API Key	用于 Embedding 和 LLM 推理。开通指南： https://bailian.console.aliyun.com/cn-beijing/?tab=api#/api/?type=model&url=2712195
Node.js / npm	用于安装插件

第一步：设置环境变量

将敏感信息配置为环境变量，避免硬编码到配置文件中。在 ~/.bashrc（或 ~/.zshrc）中添加：

export MYSQL_HOST="rm-xxxxxxxxxxxx.mysql.rds.aliyuncs.com"export MYSQL_USER="your_username"export MYSQL_PASSWORD="your_password"export DASHSCOPE_API_KEY="sk-xxxxxxxxxxxxxxxx"

执行 source ~/.bashrc 使环境变量生效。

openclaw.json 中通过 ${ENV_VAR} 语法引用这些变量，OpenClaw 会在启动时自动解析替换。

第二步：安装插件

openclaw plugins install openclaw-knowledgebase-generate-alibaba-mysqlopenclaw plugins install openclaw-knowledgebase-fetch-alibaba-mysql

安装完成后可验证：

openclaw plugins list# 应能看到两个插件

第三步：配置 LLM 模型供应商

在 ~/.openclaw/openclaw.json 的 models 中注册 DashScope 模型。news-crawler 使用低成本的 qwen-flash，news-chat 使用高质量的 qwen3-max：

{  "models": {    "mode": "merge",    "providers": {      "dashscope": {        "baseUrl": "https://dashscope.aliyuncs.com/compatible-mode/v1",        "api": "openai-completions",        "apiKey": "${DASHSCOPE_API_KEY}",        "models": [          {            "id": "qwen3-max",            "name": "Qwen3 Max",            "input": ["text"],            "reasoning": false,            "contextWindow": 128000,            "maxTokens": 8192          },          {            "id": "qwen-flash",            "name": "Qwen Flash",            "input": ["text"],            "reasoning": false,            "contextWindow": 128000,            "maxTokens": 8192          }        ]      }    }  }}

第四步：配置插件

在 openclaw.json 的 plugins 中完成三部分配置：加载声明、允许列表、各插件参数。

{  "plugins": {    "allow": [      "openclaw-knowledgebase-generate-alibaba-mysql",      "openclaw-knowledgebase-fetch-alibaba-mysql"    ],    "entries": {      "openclaw-knowledgebase-generate-alibaba-mysql": {        "enabled": true,        "config": {          "mysql": {            "host": "${MYSQL_HOST}",            "port": 3306,            "user": "${MYSQL_USER}",            "password": "${MYSQL_PASSWORD}",            "database": "openclaw_knowledge_base",            "ssl": false          },          "embedding": {            "apiKey": "${DASHSCOPE_API_KEY}",            "model": "text-embedding-v3",            "baseUrl": "https://dashscope.aliyuncs.com/compatible-mode/v1",            "dimensions": 1024          },          "defaultTable": "kb_economy_news",          "chunking": {            "strategy": "paragraph",            "maxChunkSize": 500,            "overlap": 100          }        }      },      "openclaw-knowledgebase-fetch-alibaba-mysql": {        "enabled": true,        "config": {          "mysql": {            "host": "${MYSQL_HOST}",            "port": 3306,            "user": "${MYSQL_USER}",            "password": "${MYSQL_PASSWORD}",            "database": "openclaw_knowledge_base",            "ssl": false          },          "embedding": {            "apiKey": "${DASHSCOPE_API_KEY}",            "model": "text-embedding-v3",            "baseUrl": "https://dashscope.aliyuncs.com/compatible-mode/v1",            "dimensions": 1024          },          "sources": [            {              "table": "kb_economy_news",              "label": "世界经济新闻",              "topK": 5,              "minScore": 0.3            }          ],          "autoInject": true,          "injectMaxChars": 3000        }      }    }  }}

关键配置说明：

配置项	说明
`mysql.database`	必填。指定 MySQL 数据库名，需提前在 RDS 中创建
`embedding.model`	Embedding 模型，DashScope 推荐 `text-embedding-v3`
`embedding.dimensions`	向量维度，`text-embedding-v3` 支持 1024（默认）或 768
`defaultTable`	知识生成插件的默认目标表名，AI 调用 `kb_store` 时若不指定表名则写入此表
`chunking.strategy`	分块策略：`paragraph`（按段落）、`fixed`（固定长度）、`none`（不分块）
`sources`	知识检索插件的数据源列表，支持多个表并行检索

| sources[ ].topK | 每次检索返回的最大条目数 |

| sources[ ].minScore | 最低相似度阈值（0-1），低于此值的结果被过滤 |

两个插件的 mysql 和 embedding 配置必须一致（指向同一数据库、同一 Embedding 模型和维度），否则写入和检索时的向量空间不匹配。

第五步：定义 Agent

在 openclaw.json 的 agents 中定义两个 Agent。核心是通过 tools.allow 工具白名单控制每个 Agent 的能力边界：

{  "agents": {    "defaults": {      "model": {        "primary": "dashscope/qwen3-max"      }    },    "list": [      {        "id": "news-chat",        "name": "新闻对话官",        "default": true,        "identity": {          "name": "NewsBot"        },        "model": {          "primary": "dashscope/qwen3-max"        },        "tools": {          "allow": [            "memory_recall", "memory_store", "memory_forget",            "kb_search", "web_fetch"          ]        }      },      {        "id": "news-crawler",        "name": "新闻采集器",        "identity": {          "name": "Crawler"        },        "model": {          "primary": "dashscope/qwen-flash"        },        "tools": {          "allow": [            "web_fetch",            "kb_store", "kb_store_batch"          ]        },        "heartbeat": {          "target": "none"        }      }    ]  }}

第六步：验证配置

运行配置检查：

openclaw doctor

如果输出无报错，说明配置有效。

第七步：运行 news-crawler 写入知识

手动触发采集 Agent，验证知识写入流程（注意退出需要找到 pid 后 kill，也可以在 Gateway 中测试）：

openclaw agent --agent news-crawler --message \  "使用 web_fetch 访问 https://www.baidu.com/s?wd=世界经济新闻 ，从搜索结果中提取 2 条新闻摘要，然后用 kb_store 逐条存入知识库"

成功时你会看到类似输出：

[plugins] kb-generate: registered (defaultTable=kb_economy_news, ...)已成功从百度搜索结果中提取并存储两条新闻到知识库...

第八步：运行 news-chat 验证检索

手动触发chat Agent，验证知识写入流程（注意退出需要找到 pid 后 kill，也可以在 Gateway 中测试）：

openclaw agent --agent news-chat --message "最近有什么世界经济方面的新闻？"

成功时你会看到类似输出：

[plugins] kb-fetch: registered (sources=世界经济新闻, autoInject=true, ...)[plugins] kb-fetch: injected 3 entries (294 chars)    ← 自动注入了知识根据知识库中的信息，以下是近期重要的世界经济新闻...

关键观察点：kb-fetch: injected N entries 表明知识检索插件在 before_agent_start 钩子中成功检索并注入了相关知识。AI 的回答直接引用了知识库中的内容，无需任何人工干预或 AI 主动调用工具。

插件工作原理详解

知识生成插件

npm：openclaw-knowledgebase-generate-alibaba-mysql

知识生成插件是一个纯工具插件，不使用任何生命周期钩子。它在 Agent 推理过程中被 AI 通过工具调用来使用。注意，MySQL 表在首次写入时自动创建，无需手动建表。

提供的工具：

工具	功能
`kb_store`	存储单条文本，自动分块和 Embedding
`kb_store_batch`	批量存储多条文本
`kb_scan`	查看知识库统计和最近条目
`kb_dedupe`	时间窗口内语义去重
`kb_summarize`	获取最近条目，供 AI 生成摘要
`kb_archive`	软删除过期条目

知识检索插件

npm：openclaw-knowledgebase-fetch-alibaba-mysql

知识检索插件通过 before_agent_start 钩子实现自动检索，用户和 AI 都不需要做任何事，相关知识已经自动就位，这是它与普通 Tool 的根本区别：

4.3 实践二：

长期记忆云化 — RDS MySQL 替代本地方案

场景描述

将 OpenClaw 的长期记忆从默认的 memory-core（本地文件 + SQLite）迁移到阿里云 RDS MySQL，实现：

记忆数据云端持久化，不受宿主机限制
多 Agent / 多设备共享同一份记忆
自动备份与高可用（依托 RDS 能力）

为什么插件是更好的解决方案

需求	Skill/Tool 方案	插件方案
每次对话自动检索知识	❌ 需要 AI 主动调用	✅ `before_agent_start` 钩子自动执行
对话后自动提取记忆	❌ 需要 AI 主动调用	✅ `agent_end` 钩子自动执行
替换默认记忆系统	❌ 无法实现	✅ `plugins.slots.memory` 插槽机制
多 Agent 共享数据	❌ 无法实现	✅ 多个 Agent 配置同一插件，共享数据库

从零搭建：完整步骤

前置条件

与 4.2 相同：需要 OpenClaw、阿里云 RDS MySQL、DashScope API Key。如果你已经完成了 4.2 的环境搭建，此处可直接复用。

第一步：设置环境变量

如果尚未设置，参照 4.2 第一步配置 MYSQL_HOST、MYSQL_USER、MYSQL_PASSWORD、DASHSCOPE_API_KEY。

第二步：安装插件

openclaw plugins install openclaw-memory-alibaba-mysql

第三步：配置插件并声明插槽

这是记忆云化的关键步骤。需要在 ~/.openclaw/openclaw.json 中完成两件事：

在 plugins.entries 中配置插件参数
在 plugins.slots.memory 中将该插件声明为记忆插槽

{  "plugins": {    "slots": {      "memory": "openclaw-memory-alibaba-mysql"    },    "allow": [      "openclaw-memory-alibaba-mysql"    ],    "entries": {      "openclaw-memory-alibaba-mysql": {        "enabled": true,        "config": {          "mysql": {            "host": "${MYSQL_HOST}",            "port": 3306,            "user": "${MYSQL_USER}",            "password": "${MYSQL_PASSWORD}",            "database": "openclaw_memory",            "ssl": false          },          "embedding": {            "apiKey": "${DASHSCOPE_API_KEY}",            "model": "text-embedding-v3",            "baseUrl": "https://dashscope.aliyuncs.com/compatible-mode/v1",            "dimensions": 1024          },          "autoRecall": true,          "autoCapture": true,          "tableName": "openclaw_memories"        }      }    }  }}

plugins.slots.memory是生效的核心。设置后，OpenClaw 内置的 memory-core 会被完全禁用，所有记忆操作由 MySQL 插件接管。如果不设置此插槽，插件虽然会加载并注册工具，但 OpenClaw 的默认记忆系统仍然是 memory-core。

关键配置说明：

配置项	必填	说明
`mysql.host`	是	RDS MySQL 实例地址
`mysql.database`	是	数据库名，需提前在 RDS 中创建
`mysql.ssl`	否	是否启用 SSL 连接，默认 `false`
`embedding.apiKey`	是	DashScope API Key
`embedding.model`	否	Embedding 模型，默认 `text-embedding-v3`
`embedding.dimensions`	否	向量维度，默认根据模型自动推断（`text-embedding-v3` 为 1024）
`autoRecall`	否	每次对话前是否自动检索相关记忆，默认 `true`
`autoCapture`	否	每次对话后是否自动从用户消息中提取并存储记忆，默认 `true`
`tableName`	否	MySQL 表名，默认 `openclaw_memories`，首次使用时自动创建

第四步：确保 Agent 拥有记忆工具权限

如果你的 Agent 配置了 tools.allow 白名单，需要将记忆工具加入：

{  "agents": {    "list": [      {        "id": "news-chat",        "tools": {          "allow": [            "memory_recall", "memory_store", "memory_forget",            "kb_search", "web_fetch"          ]        }      }    ]  }}

如果 Agent 没有设置 tools.allow（即使用默认配置），则所有工具自动可用，无需额外配置。

第五步：验证

运行配置检查：

openclaw doctor

然后在 Gateway 中与 Agent 对话验证记忆功能：

# 第一次对话：告诉 AI 一些信息openclaw agent --message "我喜欢看科幻电影，最近在追三体电视剧"
# 观察日志：应出现 auto-capture 相关日志# [plugins] openclaw-memory-alibaba-mysql: captured 1new memory
# 第二次对话：验证 AI 能自动回忆openclaw agent --message "你还记得我有什么爱好吗？"
# 观察日志：应出现 auto-recall 相关日志# [plugins] openclaw-memory-alibaba-mysql: injecting N memories into context

关键观察点：

auto-recall（自动召回）：第二次对话启动时，日志出现 injecting N memories into context，说明记忆插件在 before_agent_start 钩子中成功检索了相关记忆并注入上下文
auto-capture（自动捕获）：第一次对话结束后，日志出现 captured N new memory，说明插件在 agent_end 钩子中自动从对话中提取了有价值的信息
AI 回答中应能提到"科幻电影"和"三体"，尽管第二次对话是一个全新的会话

插件工作原理详解

npm：openclaw-memory-alibaba-mysql

提供的工具

工具	功能
`memory_recall`	向量语义搜索历史记忆
`memory_store`	存储新记忆（带分类、重要性）
`memory_forget`	删除指定记忆

自动化行为

记忆插件通过两个生命周期钩子实现全自动记忆管理：

**before_agent_start**（自动召回）：

将用户当前消息生成 Embedding
在 MySQL 中向量检索相关历史记忆
将匹配的记忆注入到 AI 上下文中
AI 无需调用任何工具即可获得历史背景

**agent_end**（自动捕获）：

分析当前对话中的用户消息
过滤掉过短、无意义的内容
对有价值的信息生成 Embedding
与已有记忆去重（余弦相似度 > 0.95 则跳过）
存入 MySQL 并标注分类（偏好、事实、决策等）

对比：迁移前后

维度	memory-core (本地)	RDS MySQL (云端)
数据位置	`~/.openclaw/` 本地文件	阿里云 RDS 实例
跨设备访问	❌	✅
自动备份	❌ 需手动	✅ RDS 自动备份
多 Agent 共享	❌ 各自本地文件	✅ 同一数据库
检索性能	数据量大时下降	HNSW 索引，稳定高效
可观测性	需读本地文件	SQL 直接查询
运维成本	低（但无保障）	中（但有 SLA）

五、整体总结

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业