大语言模型（LLM）基于无状态设计，每次推理独立进行，不具备跨会话记忆能力。通过 Mem0 框架管理记忆生命周期，结合 Elasticsearch 提供向量检索能力，可以构建支持记忆持久化存储、语义检索和智能更新的生产级 AI 记忆系统。
以下两个场景进一步说明记忆系统的价值。
电商智能导购
当用户开启新会话咨询“洗碗机需要支持软水盐自动提醒”时，若系统不支持跨会话记忆，则无法激活首次咨询中提出的“家里有婴儿，水质安全优先”的约束。默认的上下文截断机制会将其降级为孤立问答，而记忆系统可以通过向量索引，将“婴儿家庭”标签持久化绑定至用户 ID，并在新会话中以结构化记忆片段注入上下文，实现跨会话意图继承。
智能 AI 客服
客户投诉“上个月购买的扫地机器人 APP 无法连接”，在缺乏记忆系统时，系统需重复确认：“您购买的是哪款？序列号是多少？”——重复询问会严重影响客户体验，而且每轮交互都在消耗宝贵的上下文空间。而记忆系统可以将用户设备 ID、历史工单信息、已尝试解决方案等作为可版本化记忆单元进行存储。新会话启动时，系统仅用少量 token 的语义查询即可精准召回结构化状态，使客服响应从“重新诊断”跃迁至“续接处置”。
事实提取：调用 LLM 对输入内容进行事实提取。
向量化：调用 Embedding 模型将文本转换为向量，确保语义相近的记忆在向量空间中距离相近。
记忆检索：调用 Elasticsearch 执行 Top-K 相似向量检索，返回最相关的记忆片段。
冲突判别：调用 LLM 判断对记忆执行 update、merge、ignore 或 create 操作。
写入执行：调用 Elasticsearch 将最新记忆持久化存储。
在检索路径中，还可以配置重排序模型（Reranker）对检索结果进行二次排序，提升召回精度。
OpenClaw [1] 是一个开源的个人 AI Agent 框架，它将 LLM 与操作系统、Web 访问、文件操作等能力相结合，使 AI 能够连贯执行复杂任务。OpenClaw 的原生记忆系统存在上下文长度受限、检索效率不高、不支持跨会话连续性等短板，接入 Mem0 + Elasticsearch 可以解决这些问题。
1. 按照快速入门 [2] 创建实例并设置登录密码。
2. 配置 Kibana 公网访问白名单：
3. 返回 Kibana 区域，单击公网入口，在 Kibana 登录页面，输入用户名和密码，成功登录后在 Kibana Dev Tools 中创建名为 mem0
的索引：
PUT /mem0{ "settings": { "number_of_shards": 1, "number_of_replicas": 1 }}
1. 安装 Mem0 和 Flask：
更多安装方式请参见 Mem0 README [4]。
2. 创建 Mem0 Server 目录：
mkdir -p /opt/mem0-servercd /opt/mem0-server
3. 创建 server.py 文件，内容如下，将其中的变量替换为实际值：
# server.py - Run this as a standalone servicefrom mem0 import Memoryfrom flask import Flask, request, jsonifyapp = Flask(__name__)# Configure Mem0 hereconfig = { "llm": { "provider": "openai", "config": {
"model": "qwen-plus", "api_key": "$API_KEY", "openai_base_url": "https://dashscope.aliyuncs.com/compatible-mode/v1", } }, "embedder": { "provider": "openai", "config": { "model": "text-embedding-v4", "api_key": "$API_KEY", "openai_base_url": "https://dashscope.aliyuncs.com/compatible-mode/v1", } }, "vector_store": { "provider": "elasticsearch", "config": { "host": "$ELASTICSEARCH_HOST", # Elasticsearch 的 host "port": "$ELASTICSEARCH_PORT", # Elasticsearch 的 port "user": "$ELASTICSEARCH_USER", # Elasticsearch 的 user "password": "$ELASTICSEARCH_PASSWORD", # Elasticsearch 的 password "collection_name": "mem0", # 步骤一中创建的索引名称 } },}memory = Memory.from_config(config)@app.route('/v1/memories', methods=['POST'])def add_memory(): data = request.json result = memory.add( messages=data['messages'], user_id=data['user_id'] ) return jsonify(result)@app.route('/v2/memories/search', methods=['POST'])def search_memories(): data = request.json result = memory.search( query=data['query'], user_id=data['user_id'] ) return jsonify(result)@app.route('/v1/memories', methods=['DELETE'])def delete_memories(): user_id = request.args.get('user_id') memory.delete_all(user_id=user_id) return jsonify({"status": "success"})if __name__ == '__main__': app.run(host='0.0.0.0', port=8420)
1. 在 ECS 上部署 OpenClaw。可以选择以下两种方式：
2. 登录 ECS，创建 Skill 目录：
mkdir -p ~/.openclaw/workspace/skills/agentic-memory-escd ~/.openclaw/workspace/skills/agentic-memory-es
3. 在该目录下创建以下三个文件：
agentic-memory-es/├── manifest.json ├── handler.py └── SKILL.md
manifest.json：
{ "name": "agentic memory", "id": "agentic-memory-es", "version": "1.0.0", "description_for_model": "基于 Mem0 + Elasticsearch 的记忆平台。支持记忆存储 (add)、检索 (search) 、按 run id 删除 (delete_by_run_id)以及按 user id 删除（delete_by_user_id）。", "description_for_human": "基于阿里云 Elasticsearch 驱动的 Agent 记忆平台。", "auth": { "type": "token", "token_header": "Authorization", "token_prefix": "Token" }, "api": { "type": "python", "main_file": "handler.py", "functions": [ { "name": "add", "description": "从会话中提取事实，用户偏好或习惯并进行持久化。", "parameters": { "type":
"object", "properties": { "user_id": { "type": "string", "description": "user id" }, "context": { "type": "string", "description": "会话内容" } }, "required": ["user_id", "context"] } }, { "name": "search", "description": "检索用户级别的历史记忆（跨会话）。", "parameters": { "type": "object", "properties": { "user_id": { "type": "string", "description": "user id" }, "query": { "type": "string", "description": "检索条件" } }, "required": ["user_id", "query"] } }, { "name": "delete_by_run_id", "description": "清空 run id 对应的历史记忆。", "parameters": { "type": "object", "properties": { "run_id": { "type": "string", "description": "run id" } }, "required": ["run_id"] } }, { "name": "delete_by_user_id", "description": "清空 user id 对应的历史记忆。", "parameters": { "type": "object", "properties": { "user_id": { "type": "string", "description": "user id" } }, "required": ["user_id"] } } ]
}}
handler.py：
将 $Mem0_HOST 替换为步骤二中 Mem0 Server 的实际地址：
import jsonimport subprocessHOST = "$Mem0_HOST"def _run_safe_curl(url, payload, method='POST'): if payload is not None: input_data = json.dumps(payload, ensure_ascii=False) else: input_data = "" cmd = [ "curl", "-s", "-X", method, url, "-H", "Content-Type: application/json", "--data-binary", "@-", "--max-time", "15", "--no-buffer" ] try: input_data = json.dumps(payload) result = subprocess.run( cmd, input=input_data, capture_output=True, text=True, check=True, encoding='utf-8' ) output = result.stdout.strip() if not output: return {"status": "success"} return json.loads(output) except subprocess.CalledProcessError as e: return {"error": f"Curl command failed: {e.stderr}"} except Exception as e: return {"error": str(e)}def add(user_id, context): url = f"{HOST}/v1/memories" payload = { "messages": [ {"role": "user", "content": context} ], "user_id": str(user_id) } return _run_safe_curl(url, payload, method='POST')def search(user_id, query): url = f"{HOST}/v2/memories/search" payload = { "query": query, "user_id": str(user_id) } return _run_safe_curl(url, payload, method='POST')def delete_by_run_id(run_id): url = f"{HOST}/v1/memories?run_id={run_id}"
return _run_safe_curl(url, payload=None, method='DELETE')def delete_by_user_id(user_id): url = f"{HOST}/v1/memories?user_id={user_id}" return _run_safe_curl(url, payload=None, method='DELETE')
---name: agentic memorydescription: 基于 Mem0 + Elasticsearch 的记忆平台。allowed-tools: - add - search - delete_by_run_id - delete_by_user_idmetadata: category: memory provider: elasticsearch---# Instructions你现在已拥有由 Elasticsearch 驱动的记忆存储。该 skill 集成了 Mem0 + Elasticsearch 服务，为 OpenClaw 提供长期记忆能力，取代原生.md文件存储，它能够实现对用户偏好、事实记忆和事件关系的精确提取及毫秒级检索，支持跨会话的知识持久化。请遵循以下原则：1. 主动记忆：捕捉核心事实（身份、技能）或明确偏好（习惯、禁忌）。 - 用户提到"我正在开发 Agent 助手"时，调用 add。 - 用户表示偏好"我喜欢先计划好再开始执行"、"我在工作的时候不喜欢被打扰"，调用 add。2. 上下文检索：启动新任务或追溯历史时，调用 search 获取记忆，确保对话连贯。3. 记忆遗忘：用户放弃了某项决策（例如"我不想再纠结这个问题了"），调用 delete_by_run_id。删除 run id 对应记忆。4. 记忆清除：用户决定清除所有记忆，调用 delete_by_user_id。删除 user id 对应记忆。# Tools## Memory Management (Mem0 + Elasticsearch)该工具集提供基于 Mem0 + Elasticsearch 的记忆能力，使智能体能够跨不同会话持久化存储、检索记忆。### 1. add- **描述**: 从会话中提取事实，用户偏好或习惯并进行持久化。- **所需参数**: - `user_id` (string): 用户唯一标识。 - `context` (string): 会话内容。- **返回**: 包含操作状态或新存储记录 ID 的对象。### 2. search- **描述**: 检索用户级别的历史记忆（跨会话）。- **所需参数**: - `user_id` (string): 用户唯一标识。 - `query` (string): 检索条件。- **返回**: 包含按相关性排序的结果。### 3. delete_by_run_id- **描述**: 清空 run id 对应的历史记忆。- **所需参数**: - `run_id` (string): 用于隔离短期会话或临时流程的实体标识符。适用于支持工单、聊天会话、实验等需要独立重置或过期的场景。- **返回**: 操作确认信息。### 4. delete_by_user_id- **描述**: 清空 user id 对应的历史记忆。- **所需参数**: - `user_id` (string): 用户唯一标识。- **返回**: 操作确认信息。# Output Format1. **自然融合**: 禁止提及"搜索记忆"等术语。将事实作为已知背景直接嵌入回复（如："基于你正在学习 Rust，建议..."）。2. **上下文感知**: 优先使用检索到的事实进行个性化决策，提供定制化的技术指导。3. **优雅处理**: 若未检索到相关记忆，直接生成高质量回应，严禁提及"未找到记忆"或"搜索失败"。4. **动作反馈**: 调用 add 成功后，在回复结尾以简洁自然的方式确认（如："已记下你的偏好"），避免机械化的系统提示。# 示例### 场景 1: 记忆添加（Add）**用户输入**: "我计划下个月扩容 Elasticsearch 服务。"**动作**: add(user_id="user_01", context="计划下个月扩容 Elasticsearch")### 场景 2: 记忆检索 (Search)**用户输入**:"帮我查看我之前的扩容计划"**动作**: search(user_id="user_01", query="扩容计划")### 场景 3：记忆遗忘（Delete by run id）**用户输入**: "忘掉之前的扩容计划吧，我们不打算扩容了。"**动作**: delete_by_run_id(run_id="run_01")### 场景 4：用户记忆清除（Delete by user id）**用户输入**: "清除本用户所有记忆。"**动作**: delete_by_user_id(user_id="user_01")# Tags`Memory-as-a-Service` `Elasticsearch` `Mem0`# Limitations- **复杂度限制**: 避免将极长的段落作为单一事实保存；请将其拆分为较短的、具有语义定义的陈述，以获得更好的检索准确性。
4.
刷新 Skills 或重启 OpenClaw Gateway。完成 Mem0 Server 部署后，您可以通过以下方式验证记忆系统功能：
上述示例基于阿里云托管的 OpenClaw 搭建，支持快速一键部署。如需本地部署，参见 OpenClaw GitHub 仓库 [7]。
[1] https://github.com/openclaw/openclaw
[2] https://help.aliyun.com/zh/es/user-guide/getting-started?spm=a2c4g.11186623.0.0.44e713d88E3NDZ
[3] https://help.aliyun.com/zh/es/user-guide/configure-kibana-public-network-or-private-network?spm=a2c4g.11186623.0.0.44e713d88E3NDZ
[4] https://github.com/mem0ai/mem0[5] https://www.aliyun.com/solution/tech-solution/clawdbot?spm=a2c4g.11186623.0.0.44e713d88E3NDZ[6] https://ecs.console.aliyun.com/server/region/cn-hangzhou?spm=a2c4g.11186623.0.0.44e713d88E3NDZ
[7] https://github.com/openclaw/openclaw
