Memok 为 OpenClaw 提供持久记忆：自动保存、智能召回、夜间梦境优化，让智能体越用越强，真正记得你们聊过什么。
记忆与模型无关——任意大模型或小本地模型共享同一套强韧、可联想的长期记忆。轻量模型也能凭持久上下文与召回，表现出接近更大模型的判断力与「高智商」连贯推理。
智能体默认是「失忆」的：每次新会话都会丢掉好不容易积累的上下文。向量库有帮助，但往往意味着新厂商、难解释的相似度分数，以及沉重的 embedding 流水线——对必须本地部署或要在小模型上快速交付的团队尤其痛苦。
Memok 的起点很简单：可解释、可持久、可随时间变好的记忆层，与智能体一起安装、尊重隐私，并在夜间继续整理——让产品从「好看演示」走向「能上线的副驾驶」，而不先交一笔「记忆平台税」。
问题 → 在你方栈上可持久记忆 → 智能体连贯性可衡量。无需另购记忆 SaaS。
我们不单独维护 Release 发行页；迭代以仓库默认分支提交为准。缺陷请走 Issues；设计类交流可用 Discussions。
我们如何赋予 AI 类脑记忆——五章简单说明。
想象一下你的大脑在开会的场景。老板说了三件事：
你的大脑不会录下整段会议。 它会拆成小块——「报告-周五-截止」、「Elena-客户-电话」、「聚餐-三点-团队」——然后贴上标签。 红标签给重要的，灰标签给随便的。一周后，红标签还在；灰标签掉了，忘了。用得着就记住，用不着就忘掉。
现在的 AI（ChatGPT、Claude 等）就像一个超级聪明但记性极差的人。
你：「我喜欢去科莫湖钓鱼，用蚯蚓效果最好。」
AI：「科莫湖那种世界级景点，水清鱼多，蚯蚓确实好使。」
第二天：
你：「我昨天说的钓鱼地点在哪？」
AI：「您昨天说了什么？」
每次对话结束，记忆就被清空。
Memok 只做一件简单的事：给 AI 建一个跟人类大脑差不多的记忆系统。
当你跟 AI 聊天，Memok 不会存整段对话。它会请 LLM 帮忙：
「这段话讲了哪几件事？每件事的核心词是什么？」
你的钓鱼故事变成：
| 句子 | 核心词 |
|---|---|
| 「去科莫湖钓鱼」 | 科莫湖、钓鱼 |
| 「用蚯蚓作饵」 | 蚯蚓、饵料 |
| 「钓到五条鲈鱼」 | 鲈鱼、收获 |
| 「感到开心」 | 开心、体验 |
然后存进数据库，句子和词连上线。
每个句子有两个标签：
这句话有多重要？默认是 1。
这句话有多新？默认 7 天。
刚存的记忆都是短期记忆，就像你昨天刚知道的事，记得清楚，但过一周可能就忘了。
第二天，你又聊起钓鱼，Memok 从库里随机抽一些记忆给 AI 看。但不是完全随机——Weight 高、Duration 新的记忆，被抽中的概率更大。AI 觉得有用，Memok 就给这条记忆 +1 Weight，+1 Duration。 你越聊钓鱼，「科莫湖」和「钓鱼」相关的记忆就越红、越新鲜。
人为什么要睡觉？科学发现，睡觉时大脑在做重要的事：
Memok 也给 AI 设计了「睡觉」——每天晚上 03:00，自动「发梦」。
简单说：常被提到的记忆晋级，没人提的就慢慢遗忘。
Memok 想让 AI 真正记住你。
不是存个文件那种记住，而是像老朋友一样：
有记忆的 AI，不只是更聪明。
是更懂你。
我们鼓励在 GitHub Discussions 中分享公开的部署笔记、前后对比与教学实践。以下为基于早期 OpenClaw + Memok 用法的简短、匿名示意摘要（合成场景，非付费背书）。
“跑了一周夜间整理后，助手不再反复追问发布清单——模型没换，少了很多「上下文断层」。”
“SQLite 留在 VPC 里，法务不必再为新的向量厂商过一遍 DPIA；召回结果在表里一行行可查。”
“上周实验课里的概念会在新练习里被温和带出——不是魔法，但助教少重复讲定义的时间。”
以上为匿名、合成示意，不代表所有负载下的效果。欢迎在 Discussions 写下可复现的真实案例。
到 Discussions 分享 →Memok 与 memok-ai（核心）与 memok-ai-openclaw（插件）仓库贡献者一起演进——此处不设「厂商团队墙」。读代码、提 Issue、提交小而美的 PR 皆可参与。
查看贡献者图 →不只是存储，而是类人脑的选择性记忆、联想式召回与睡眠巩固。任意模型共用同一套强大记忆层；小参数智能体也能靠长期记忆以小博大，表现远超「只会当下这一句话」的裸模型。
每轮对话结束后自动提取核心内容，存入 SQLite 本地数据库。无需手动操作，对话即记忆。
基于随机词采样 + 权重关联，每轮自动注入相关记忆候选。AI 自己判断哪些该用。
夜间自动运行 dreaming-pipeline：权重衰减、孤儿清理、记忆合并，让记忆越用越精。
Memok 不是「换个名字的向量库」。管线刻意对齐认知科学中的要点——选择性编码、联想式提取、离线巩固与受控遗忘——让行为可解释、可审计，从而形成工程与产品上的差异化：比堆 embedding 更少的黑箱环节，却有一条从理论到落地代码的清晰路径。
我们发布 Memok 算法原理的详细阐述：图构建、基于采样的召回、权重更新、梦境流水线，以及与稠密向量索引的复杂度取舍。可用于安全评审、论文引用、企业内架构评审与技术尽调。
不仅是个人 AI 开发者：面向企业内 AI 应用、教育科研、以及对数据极度敏感的行业团队。
插件作者、平台工程与 OpenClaw 运维：需要持久记忆，又不想单独维护一套向量云服务。
客服、销售、运营、知识库等场景——对话要跨周沉淀，而不是每张工单从零开始。
可复现的本地记忆层，适合实验课、人机交互研究与助教场景——图结构可审查，而非黑盒检索。
法务、金融、医疗相关流程与研发资料：默认不把对话全文送往第三方 embedding 服务。
顶级大模型不是「聪明」的唯一路径。Memok 为算力与预算有限的团队提供同一套持久、可联想的记忆层：7B 或更小的本地模型，也能在用户偏好、机构上下文与长期任务上保持连贯，把预算更多留给合规、产品与体验，而不只堆参数量。
记忆默认落在本机或 VPC 内的 SQLite，无需把对话全文强制上传到向量云——这对数据敏感行业是结构性优势：更易做数据出境与驻留评估、更易做离线/专有云部署，并可对接现有 KMS、备份与访问审计策略，减少再引入一家向量厂商的子处理方谈判成本。
以下为合成旅程，用于说明记忆行为方式，不代表付费客户背书。
落地时请替换为您自己的试点数据与合规流程。
每张工单可继承历史症状、SKU 特例与已执行过的政策例外。模型在回复前看到候选记忆——更少重复提问、更快首解。
学生上周卡壳的概念，在相关主题再次出现时被联想召回。进度以「句子 + 关联」编码，而非整段聊天记录，便于教师审计。
复盘、Runbook、销售对话以结构化记忆累积，而不是死在 Slack 线程里。召回默认在 VPC 内 SQLite，适合敏感行业。
真实生产环境的运行数据
一眼对比：Memok 把记忆图放在智能体旁边的本机 SQLite；常见托管向量库多一次网络跳转与单独计费。
| 特性 | Memok | Pinecone/Weaviate |
|---|---|---|
部署成本 | 免费 (SQLite) | $25-200/月 |
召回方式 | 词关联 + 权重 | 纯向量相似度 |
可解释性 | 知道为什么召回 | 黑盒 |
冷启动 | 立即工作 | 需要大量数据 |
隐私安全 | 数据本地存储 | 上传云端 |
不像向量库只找「相似」的，memok 能跨主题联想。提到「React」可能召回「hooks」「打包」「SSR」—语境相关但语义不必完全相同。
梦境函数每晚自动清理 20-30% 低价值记忆。用过的记忆权重+1，越用越准。3天后有效记忆比例从 60% 提升到 85%+。
无需调 embedding 模型、无需设维度、无需建索引。安装即用，一条命令即可完成安装，记忆立即开始积累。
本页数字来自长期内部自用实例，用于数量级判断，不能替代您在自有硬件、隐私模型与提示词分布上的压测。我们正在准备可复现实验包（数据集 + 脚本），方便第三方自行对比 Memok 与向量基线，而不必仅凭文案采信。
| 场景 | 配置 | 召回 p50（本地 SQLite） |
|---|---|---|
| 开发笔记本 | 8–16GB 内存、SSD、单用户 | 典型候选拉取 <50ms |
| 小型 VPC | 2 vCPU，与 OpenClaw 同区部署 | 同量级，主要受磁盘与图规模影响 |
| 工作站 | 32GB、NVMe、多插件宿主 | 更大图仍有 headroom；仍无远程向量一跳 |
「不是最完美的向量搜索，但是最像人脑的记忆系统——有遗忘、有联想、有强化，而且零成本、零运维。」
模仿人脑的记忆机制：编码 → 存储 → 召回 → 巩固
OpenClaw 每轮对话结束后，自动调用 memok 提取核心句子（core_idea）和关键词（core_words）。
// 自动触发，无需干预
对话 → 提取核心 → 存入 SQLite数据分层存储：words（原始词）、normal_words（归一化概念）、sentences（句子）、links（关联）。
sentences: 1,176 条
normal_words: 1,548 个概念
sentence_to_normal_link: 110,956 条关联每轮对话前，随机采样 20% 词汇 + 查询词汇，召回关联句子，注入系统上下文。
// 自动注入的候选记忆
（memok）以下为每轮自动附带的候选记忆...
- [id=123] memok v2 Pipeline 比 v1 快 8 分钟
- [id=456] 梦境函数设计：句子+词语两层清理AI 若使用了某条记忆，调用 memok_report_used_memory_ids 上报，该记忆权重 +1，更容易被召回。
// AI 自动上报
memok_report_used_memory_ids([123, 456])
→ 句子 123、456 的 weight + 1每日凌晨自动运行：duration 衰减、低权重句子清理、孤儿词删除、记忆合并。
# 每日 03:00 自动执行
predream-decay: 全表 duration -1
dreaming-pipeline: 抽词 → 故事 → 合并 → 清理轻量、本地、可扩展
单文件数据库，无需部署。支持 1000+ 用户规模。
原生插件 API，无缝集成对话流程。
支持 DeepSeek、Moonshot、OpenAI 等任何兼容 API。
进程内定时器，无需系统 crontab。
以 GitHub 为枢纽：memok-ai 承载记忆管线；memok-ai-openclaw 承载 OpenClaw 插件。Issues 修缺陷、Discussions（memok-ai）聊设计、Star 传递需求信号。模板与集成指南优先在仓库内迭代。
将 memok 安装为 OpenClaw 插件：境内推荐从 Gitee 插件镜像拉取一键脚本或手动克隆；亦可使用 GitHub 源（memok-ai-openclaw）。安装即马上体验，无需漫长配置。记忆管线核心代码仍在 memok-ai。
首次安装可能耗时较长。安装过程会拉取并安装 OpenClaw 及其依赖（npm 包等），在一般网络下可能需要数分钟——并非卡死，请耐心等待依赖安装完成。
安装命令、openclaw memok setup与模型建议见 站内 OpenClaw 插件文档。
# Linux / macOS（Gitee 镜像）
bash <(curl -fsSL https://gitee.com/wik20/memok-ai-openclaw/raw/main/scripts/install-cn-linux-macos.sh)
# Windows PowerShell（Gitee 镜像）
irm https://gitee.com/wik20/memok-ai-openclaw/raw/main/scripts/install-windows.ps1 | iexgit clone https://gitee.com/wik20/memok-ai-openclaw.git
openclaw plugins install ./memok-ai-openclaw
openclaw memok setup # 交互式配置 LLM 和梦境时间
openclaw gateway restart视频教程与在线沙箱在路线图中——当前最快路径仍是安装 + GitHub 文档。正式指南扩展前，可先查阅下方 FAQ。
安装与召回的录屏教程在规划中，请关注仓库与 Discussions 的首发通知。
即将推出只读沙箱以便在生产安装前先体验召回——尚无公开 URL，已列入路线图。
路线图商业合作咨询——请在 GitHub Discussions 说明部署与合规诉求。在明确提供企业 SLA 之前，此处不构成对商业条款的承诺。
确认 OpenClaw 是否调用了插件钩子、SQLite 路径权限是否正确，并在一轮对话中打开日志。已知网关边界情况见 GitHub Issues。
可以，这是默认路径。Memok 从抽取词与图权重构建关联，仅需您已为 OpenClaw 配置的 LLM 端点。
对 SQLite 文件与配置目录做快照，与任何有状态服务一样：大版本升级前先备份。
在 Discussions 附上流程草图；我们优先支持能自然映射到「句子 + 关联」模型的集成。
开源、本地优先；优先级随维护精力与用户反馈变化——请关注仓库提交与 Issues，并在 Discussions 用具体场景参与讨论。
Memok 不能替代您的法务评估。我们提供的是更小、可审计的面：本地 SQLite、显式候选召回、无强制第三方向量上传。静态加密随磁盘/卷策略；传输安全沿用您已为 OpenClaw 与 LLM 配置的 TLS。