OpenClaw本地知识库搭建完全指南

2026年4月9日 J.sky

DUET 「协奏·人与AI共创，互相启发」

8 分钟阅读

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）

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
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

分块：把 MEMORY.md 和 memory/*.md 切成小块（约400 tokens）
重叠：80 tokens 重叠（保证上下文连续）
存储：存入 SQLite + FTS5 全文索引
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？

6.1 配置 extraPaths

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：

OpenClaw 会扫描这些目录
对所有 .md 文件做向量 embedding
存入 SQLite 数据库
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：

分析问题
调用 memory_search 检索知识库
找到相关内容
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：

用 Obsidian 写笔记
配置 extraPaths 指向笔记目录
用 Builtin 向量搜索
搞定！

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

OpenClaw本地知识库搭建完全指南

一、为什么要知识库？

1.1 问题背景

1.2 什么是知识库？

二、搜索技术的演进

2.1 文件系统搜索（最原始）

2.2 关键词搜索（BM25）

2.3 向量搜索（语义搜索）

2.4 混合搜索（Hybrid Search）

三、数据库 vs 文件系统

3.1 为什么需要数据库？

3.2 我们的情况

四、OpenClaw 记忆系统详解

4.1 记忆的三个层次

4.2 记忆文件说明

4.3 memory_search 工具

五、Builtin 搜索引擎详解

5.1 什么是 Builtin？

5.2 技术原理

5.3 工作流程

5.4 索引方式

5.5 核心特点

5.6 Builtin vs 向量搜索

六、如何搭建本地知识库？

6.1 配置 extraPaths

6.2 注意事项

七、日常使用

7.1 AI 如何使用知识库？

7.2 搜索测试

7.3 强制重建索引

八、RAG 是什么？

8.1 RAG 定义

8.2 OpenClaw RAG 特点

8.3 自动搜索 vs 手动搜索

8.4 RAG 搜索流程

九、主流知识库方案对比

9.1 方案对比表

9.2 OpenClaw Builtin 优势

9.3 不足之处

9.4 适合人群

十、如何更新知识库？

10.1 自动更新

10.2 手动更新

十一、整体架构图

十二、常见问题

Q1: 为什么需要向量数据库？

Q2: 为什么不直接读文件？

Q3: Builtin 够用吗？

Q4: Obsidian 和知识库的关系？

Q5: 隐私问题？

十三、总结

相关文章