OpenClaw 永久記憶

看了一圈其實很少人教更進一步的 OpenClaw 設定。例如很多人會提到「永久記憶」，但卻沒教人怎麼設定。其實所謂的永久記憶，不可能是單純記錄在 Markdown 文件裡，因為當 Context（上下文）越來越多時，就會佔用越多 Context Window，而這是一種有限資源。隨著反覆對話的進行，所需的 Token 消耗會越來越大，因此當我們請 AI 解決問題時，提供的內容越精準越好。

這時候我們面臨的問題，其實正是 RAG（檢索增強生成）試圖解決的。試想一下，假設你「養」了一隻龍蝦一個月，它幫你產生了 50 份 Markdown 文件，下次請它幫忙解決之前的某個問題時，該怎麼辦？難道要把過去的 50 份文件都拿出來看嗎？這樣 Context Window 再大都不夠放。

直覺的解法是將相關內容整齊收納，並給予簡單的標籤（例如：旅遊、工作、生活、學習等）。這樣只要先判斷問題類別，就能忽略不相關的內容，達成我們想要的效果。

而在軟體工程上，有更精妙的解法——我們將文件切割成許多小塊，經運算後轉換為多維空間中的點（Vector）。當下次要查找時，同樣將問題運算至空間中，與之前算好的點進行比對，距離越近的相關性越高。直接拿這些相關資料餵給 AI，就能解決問題。這就是所謂的 Embedding Model 在做的事情。

OpenClaw 其實已經整合了這項功能。它預設使用 OpenAI 的 Embedding Model，但這是按量計費的。Gemini 也是如此，即使升級到 Pro 版本，Embedding 也是額外收費的。我試過用 Gemini 免費帳號使用 Embedding Model（gemini-embedding-001），但試用兩三次就達到上限了，所以這條路走不通。

替代方案就是使用本地的 Embedding Model。只要我們設定 provider 為 local，它就會自動下載 embeddinggemma-300M-Q8_0.gguf：

"memorySearch": {
    "provider": "local",
    "fallback": "none"
}

為什麼這件事情重要？因為我的 OpenClaw（龍蝦）昨天晚上還好好的，今天卻完全失憶。結果發現，他在回答我的時候調用 memory_search 這個 tool 失敗，說我的 api key 設定失敗，可能有些人暫時沒遇到這個問題是因為根本沒有開啟這個功能，一開始單純的一個 memory.md 或許夠用，但隨著龍蝦越養越大一定就會開始感覺到越來越不精準的問題，所以終究是跑不掉，不如現在先搞懂原理吧。