每次都要重复解释自己的偏好？AI 答不上你之前写的笔记？用这个方法，让 AI 真正变成你的”第二大脑”。

一、为什么要知识库？

1.1 问题背景

在使用 AI 助手时，你是否遇到以下情况：

• 每次都要重复说明自己的偏好和背景
• AI 无法回答你之前记录的技术笔记
• 想要一个”第二大脑”，让 AI 能回答你积累的知识

知识库就是解决这些问题的：让 AI 能”记住”并”理解”你积累的文档。

1.2 什么是知识库？

知识库是一个结构化的信息集合，AI 可以从中检索相关内容来回答你的问题。

简单比喻：

• 普通对话：AI 靠”记忆”（上下文）回答
• 知识库：AI 有了”图书馆”，可以查阅你积累的文档

---

二、搜索技术的演进

2.1 文件系统搜索（最原始）

直接遍历文件夹，找文件名或内容包含关键词的文件。

工作原理：

用户搜索："安装 docker"
系统：遍历所有 .md 文件，查找包含"安装 docker"的文件

缺点：

• 只能精确匹配
• 搜”安装程序”找不到”如何安装软件”
• 搜”docker setup”找不到”docker 安装”

2.2 关键词搜索（BM25）

搜索引擎使用的技术，如 Elasticsearch、Algolia。

工作原理：

• 统计词频（TF）
• 计算词的重要性（IDF）
• 给文档打分，返回最相关的

优点：比文件系统搜索聪明，能处理同义词

缺点：还是基于关键词，无法理解语义

2.3 向量搜索（语义搜索）

这是革命性的技术突破。

核心概念：向量（Embedding）

1. 向量化：把文字转换成一段数字（向量/embedding）

   • “狗” → [0.1, -0.3, 0.8, …]
   • “猫” → [0.1, -0.2, 0.7, …] # 和”狗”很接近
   • “汽车” → [0.9, 0.1, -0.2, …] # 和”狗”距离远

2. 语义理解：向量接近的词，意思也接近

   • “如何安装docker” → 向量A
   • “docker setup教程” → 向量B
   • 向量A和B很接近，所以能匹配上

优点：

• 能理解语义（“安装”和”setup”是一回事）
• 支持自然语言提问
• 跨语言搜索

2.4 混合搜索（Hybrid Search）

结合关键词搜索 + 向量搜索的优势。

OpenClaw 默认使用混合搜索：

• 70% 向量权重（语义理解）
• 30% 关键词权重（精确匹配）

---

三、数据库 vs 文件系统

3.1 为什么需要数据库？

维度	文件系统	数据库
搜索方式	遍历文件	索引加速
速度	慢（百万文件遍历很慢）	快（毫秒级）
向量支持	无	有（向量数据库）
查询能力	弱	强（复杂查询）
扩展性	差	好

关键点：

• 数据库不是简单的”存文件”，而是提供高效的检索能力
• 向量搜索需要数据库支持（SQLite、PG、MongoDB 等）

3.2 我们的情况

OpenClaw 使用 SQLite 存储向量索引：

• 路径：~/.openclaw/memory/main.sqlite
• 自动管理，无需手动操作

SQLite 的优势：

• 无需安装额外的数据库软件
• 零配置，开箱即用
• 性能足够个人使用

---

四、OpenClaw 记忆系统详解

4.1 记忆的三个层次

┌─────────────────────────────────────────────────┐
│                  长期记忆                        │
│           MEMORY.md（启动时加载）                 │
└─────────────────────────────────────────────────┘
                        ↑
┌─────────────────────────────────────────────────┐
│                  短期记忆                        │
│      memory/YYYY-MM-DD.md（今天+昨天）            │
└─────────────────────────────────────────────────┘
                        ↑
┌─────────────────────────────────────────────────┐
│                  对话记忆                        │
│        当前会话的上下文（不断变化）                 │
└─────────────────────────────────────────────────┘

4.2 记忆文件说明

文件	作用	何时加载
MEMORY.md	长期记忆，重要事实和偏好	每次 DM 会话开始
memory/YYYY-MM-DD.md	每日笔记	今天+昨天自动加载
DREAMS.md	梦境日记（实验性）	不自动加载

4.3 memory_search 工具

AI 可以用两个工具访问记忆：

memory_search("问题")  # 语义搜索记忆
memory_get("文件路径")  # 读取具体文件

---

五、Builtin 搜索引擎详解

5.1 什么是 Builtin？

Builtin 是 OpenClaw 内置的默认记忆搜索引擎，专门针对 Markdown 文件优化。

5.2 技术原理

技术	说明
存储	SQLite 数据库（per-agent）
关键词搜索	FTS5 全文索引 + BM25 评分
向量搜索	可选，需要 API Key
混合搜索	关键词 + 向量组合
中文支持	CJK trigram 分词

5.3 工作流程

搜索查询 
   ↓
SQLite FTS5 全文索引
   ↓
BM25 算法评分
   ↓
返回相关结果

5.4 索引方式

1. 分块：把 MEMORY.md 和 memory/*.md 切成小块（约400 tokens）
2. 重叠：80 tokens 重叠（保证上下文连续）
3. 存储：存入 SQLite + FTS5 全文索引
4. 自动更新：文件变化自动触发重新索引

5.5 核心特点

• ✅ 开箱即用，不需要额外依赖
• ✅ 速度快（毫秒级响应）
• ✅ 无需 API Key（只用关键词搜索）
• ✅ 支持中文（CJK trigram）
• ✅ 可选向量搜索（需要配置）

5.6 Builtin vs 向量搜索

模式	需要 API Key	搜索方式
纯关键词	❌ 不需要	BM25 精确匹配
向量搜索	✅ 需要	语义理解
混合搜索	✅ 需要	关键词 + 向量组合

---

六、如何搭建本地知识库？

只需配置 extraPaths：

{
  "agents": {
    "defaults": {
      "memorySearch": {
        "extraPaths": [
          "~/笔记目录1",
          "~/笔记目录2",
          "~/技术文档"
        ]
      }
    }
  }
}

示例（使用别名）：

{
  "agents": {
    "defaults": {
      "memorySearch": {
        "extraPaths": [
          "~/笔记/我的笔记",
          "~/笔记/技术文档",
          "~/笔记/项目文档"
        ]
      }
    }
  }
}

工作原理：

1. OpenClaw 会扫描这些目录
2. 对所有 .md 文件做向量 embedding
3. 存入 SQLite 数据库
4. 搜索时从数据库检索

6.2 注意事项

• 删除内容：直接从 Obsidian 删除即可，索引会自动忽略
• 修改内容：修改后等待自动刷新，或手动重建索引
• 大文件：超过 10MB 的文件不会被索引

---

七、日常使用

7.1 AI 如何使用知识库？

当你问我问题时：

用户：Ubuntu 怎么安装 Docker？
  ↓
OpenClaw 调用 memory_search("Ubuntu 怎么安装 Docker")
  ↓
在向量数据库中搜索相关文档
  ↓
找到 ~/技术文档/软件安装/Docker.md
  ↓
读取文件内容，结合上下文回答

7.2 搜索测试

手动测试搜索：

openclaw memory search "如何安装docker"

7.3 强制重建索引

如果新增文档没被索引：

openclaw memory index --force

---

八、RAG 是什么？

8.1 RAG 定义

RAG = Retrieval-Augmented Generation（检索增强生成）

简单说：AI 回答问题时，先去知识库检索相关资料，再结合资料生成回答。

用户问题 → 检索知识库 → 把结果给 AI → AI 生成回答

8.2 OpenClaw RAG 特点

特点	说明
本地 RAG	数据不离开电脑，完全隐私
免费	不需要 API Key（基础版）
无缝集成	问 AI 就自动搜知识库
自动搜索	不需要手动操作，AI 自动调用

8.3 自动搜索 vs 手动搜索

方式	需要操作
自动	❌ 只需要正常提问，AI 自动检索
手动	需要说”帮我搜索知识库”

OpenClaw 是自动的！

当你问我问题时，OpenClaw 会自动：

1. 分析问题
2. 调用 memory_search 检索知识库
3. 找到相关内容
4. 结合上下文回答

8.4 RAG 搜索流程

1. 你正常提问
   ↓
2. OpenClaw 自动调用 memory_search
   ↓
3. 在 SQLite 知识库中检索
   ↓
4. 找到相关文档片段
   ↓
5. 把片段 + 问题发给 AI
   ↓
6. AI 生成回答

---

九、主流知识库方案对比

9.1 方案对比表

方案	类型	费用	部署方式	隐私	速度
OpenClaw Builtin	本地 RAG	免费	本地	✅ 完全隐私	快
Notion AI	云端 AI	付费	云端	❌ 上传云端	快
Obsidian + Copilot	本地 AI	付费	本地	✅	快
腾讯 ima	云端	免费	云端	❌	快
AnythingLLM	本地 RAG	免费	本地	✅	取决于硬件

9.2 OpenClaw Builtin 优势

优势	说明
免费	不需要任何 API Key
隐私	数据 100% 本地，不上传云端
简单	不用安装额外软件，配置就行
快	SQLite FTS5 毫秒级响应
集成	和 AI 助手无缝集成

9.3 不足之处

不足	说明
向量搜索需要 API Key	要语义搜索需要配置
不适合大型团队	个人使用足够
没有 UI	只有配置文件

9.4 适合人群

用户群体	推荐方案
个人用户	OpenClaw Builtin ✅
专业用户	Obsidian + Copilot
企业团队	Notion AI / 腾讯ima

---

十、如何更新知识库？

10.1 自动更新

• 新增的 .md 文件会自动被索引
• 定时任务会定期刷新

10.2 手动更新

# 强制重建整个索引
openclaw memory index --force

---

十一、整体架构图

┌──────────────────────────────────────────────────────────────┐
│                         用户提问                              │
│                   "如何安装 OpenClaw？"                       │
└──────────────────────────────────────────────────────────────┘
                              ↓
┌──────────────────────────────────────────────────────────────┐
│                    memory_search 工具                         │
│              (语义搜索)                                        │
└──────────────────────────────────────────────────────────────┘
                              ↓
         ┌────────────────────────────────────┐
         │       向量数据库 (SQLite)           │
         │   ~/.openclaw/memory/main.sqlite   │
         └────────────────────────────────────┘
                      ↑                 │
         ┌────────────┘                 │
         │                               ↓
┌────────────────────┐    ┌─────────────────────────────────┐
│    extraPaths      │    │      原始 Markdown 文件          │
│  (索引的目录)       │    │                                 │
│  - 笔记/技术资料  │    │  - 技术文档/软件安装/Docker.md     │
│  - 笔记/项目A    │    │  - 文档/入门指南/xxx.md         │
│  - 笔记/项目B    │    │  - 文档/学习笔记/xxx.md         │
└────────────────────┘    └─────────────────────────────────┘

---

十二、常见问题

Q1: 为什么需要向量数据库？

答：文件太多时，遍历太慢。向量数据库把文档转成数字（向量），搜索时计算向量距离，毫秒级返回结果。

Q2: 为什么不直接读文件？

答：文件少时可以。但当有几千个文档时，AI 不知道读哪个。向量搜索帮 AI 找到最相关的文件。

Q3: Builtin 够用吗？

答：Builtin 对于个人使用（< 1万文档）完全够用。配置简单，速度快，不需要额外安装。

Q4: Obsidian 和知识库的关系？

Obsidian 是管理 Markdown 文件的工具，知识库是让 AI 能搜索这些文件。两者是互补关系：Obsidian 用来写和看，AI 用来搜索和回答。

Q5: 隐私问题？

答：所有数据都在本地（SQLite 文件），不上传云端。非常适合存储个人笔记、技术文档。

---

十三、总结

概念	作用
向量	文字的数字表示，让AI理解语义
向量数据库	存储向量，提供快速搜索
SQLite	轻量级数据库，我们当前使用
Builtin	OpenClaw 默认记忆后端
extraPaths	配置要索引哪些目录
RAG	检索增强生成，让AI结合知识库回答

推荐方案：

1. 用 Obsidian 写笔记
2. 配置 extraPaths 指向笔记目录
3. 用 Builtin 向量搜索
4. 搞定！

---

文档创建：2026-04-08 基于 OpenClaw 2026.4.8 版本