Memok 為 OpenClaw 提供持久記憶：自動保存、智能召回、夜間夢境優化，讓智能體越用越強，真正記得你們聊過什麼。
記憶與模型無關——任意大模型或小本地模型共享同一套強韌、可聯想的長期記憶。輕量模型也能憑持久上下文與召回，表現出接近更大模型的判斷力與「高智商」連貫推理。
智能體默認是「失憶」的：每次新會話都會丟掉好不容易積累的上下文。向量庫有幫助，但往往意味著新廠商、難解釋的相似度分數，以及沉重的 embedding 流水線——對必須本地部署或要在小模型上快速交付的團隊尤其痛苦。
Memok 的起點很簡單：可解釋、可持久、可隨時間變好的記憶層，與智能體一起安裝、尊重隱私，並在夜間繼續整理——讓產品從「好看演示」走向「能上線的副駕駛」，而不先交一筆「記憶平臺稅」。
問題 → 在你方棧上可持久記憶 → 智能體連貫性可衡量。無需另購記憶 SaaS。
我們不單獨維護 Release 發行頁；迭代以倉庫默認分支提交為準。缺陷請走 Issues；設計類交流可用 Discussions。
我們如何賦予 AI 類腦記憶——五章簡單說明。
想象一下你的大腦在開會的場景。老闆說了三件事：
你的大腦不會錄下整段會議。 它會拆成小塊——「報告-週五-截止」、「Elena-客戶-電話」、「聚餐-三點-團隊」——然後貼上標籤。 紅標籤給重要的，灰標籤給隨便的。一週後，紅標籤還在；灰標籤掉了，忘了。用得著就記住，用不著就忘掉。
現在的 AI（ChatGPT、Claude 等）就像一個超級聰明但記性極差的人。
你：「我喜歡去科莫湖釣魚，用蚯蚓效果最好。」
AI：「科莫湖那種世界級景點，水清魚多，蚯蚓確實好使。」
第二天：
你：「我昨天說的釣魚地點在哪？」
AI：「您昨天說了什麼？」
每次對話結束，記憶就被清空。
Memok 只做一件簡單的事：給 AI 建一個跟人類大腦差不多的記憶系統。
當你跟 AI 聊天，Memok 不會存整段對話。它會請 LLM 幫忙：
「這段話講了哪幾件事？每件事的核心詞是什麼？」
你的釣魚故事變成：
| 句子 | 核心詞 |
|---|---|
| 「去科莫湖釣魚」 | 科莫湖、釣魚 |
| 「用蚯蚓作餌」 | 蚯蚓、餌料 |
| 「釣到五條鱸魚」 | 鱸魚、收穫 |
| 「感到開心」 | 開心、體驗 |
然後存進數據庫，句子和詞連上線。
每個句子有兩個標籤：
這句話有多重要？默認是 1。
這句話有多新？默認 7 天。
剛存的記憶都是短期記憶，就像你昨天剛知道的事，記得清楚，但過一週可能就忘了。
第二天，你又聊起釣魚，Memok 從庫裡隨機抽一些記憶給 AI 看。但不是完全隨機——Weight 高、Duration 新的記憶，被抽中的概率更大。AI 覺得有用，Memok 就給這條記憶 +1 Weight，+1 Duration。 你越聊釣魚，「科莫湖」和「釣魚」相關的記憶就越紅、越新鮮。
人為什麼要睡覺？科學發現，睡覺時大腦在做重要的事：
Memok 也給 AI 設計了「睡覺」——每天晚上 03:00，自動「發夢」。
簡單說：常被提到的記憶晉級，沒人提的就慢慢遺忘。
Memok 想讓 AI 真正記住你。
不是存個文件那種記住，而是像老朋友一樣：
有記憶的 AI，不只是更聰明。
是更懂你。
我們鼓勵在 GitHub Discussions 分享公開的部署筆記、前後對照與教學實例。以下為早期 OpenClaw + Memok 用法的簡短、匿名示意摘要（合成情境，非付費背書）。
“跑了一週夜間整理後，助手不再反覆追問釋出清單——模型沒換，少了很多脈絡斷裂。”
“SQLite 留在 VPC，法務不必再為新的向量廠商重跑 DPIA；召回結果在資料表裡逐列可查。”
“上週實驗的概念會在新練習裡被溫和帶出——不是魔法，但助教少重複定義的時間。”
以上為匿名、合成示意，不代表所有負載。歡迎在 Discussions 寫下可重現的真實案例。
到 Discussions 分享 →Memok 與 memok-ai（核心）與 memok-ai-openclaw（插件）倉庫貢獻者一起演進——此處不設「廠商團隊牆」。讀代碼、提 Issue、提交小而美的 PR 皆可參與。
查看貢獻者圖 →不只是存儲，而是類人腦的選擇性記憶、聯想式召回與睡眠鞏固。任意模型共用同一套強大記憶層；小參數智能體也能靠長期記憶以小博大，表現遠超「只會當下這一句話」的裸模型。
每輪對話結束後自動提取核心內容，存入 SQLite 本地數據庫。無需手動操作，對話即記憶。
基於隨機詞采樣 + 權重關聯，每輪自動注入相關記憶候選。AI 自己判斷哪些該用。
夜間自動運行 dreaming-pipeline：權重衰減、孤兒清理、記憶合併，讓記憶越用越精。
Memok 不是「換個名字的向量庫」。管線刻意對齊認知科學中的要點——選擇性編碼、聯想式提取、離線鞏固與受控遺忘——讓行為可解釋、可審計，從而形成工程與產品上的差異化：比堆 embedding 更少的黑箱環節，卻有一條從理論到落地代碼的清晰路徑。
我們發佈 Memok 算法原理的詳細闡述：圖構建、基於採樣的召回、權重更新、夢境流水線，以及與稠密向量索引的複雜度取捨。可用於安全評審、論文引用、企業內架構評審與技術盡調。
不僅是個人 AI 開發者：面向企業內 AI 應用、教育科研、以及對數據極度敏感的行業團隊。
插件作者、平臺工程與 OpenClaw 運維：需要持久記憶，又不想單獨維護一套向量雲服務。
客服、銷售、運營、知識庫等場景——對話要跨周沉澱，而不是每張工單從零開始。
可復現的本地記憶層，適合實驗課、人機交互研究與助教場景——圖結構可審查，而非黑盒檢索。
法務、金融、醫療相關流程與研發資料：默認不把對話全文送往第三方 embedding 服務。
頂級大模型不是「聰明」的唯一路徑。Memok 為算力與預算有限的團隊提供同一套持久、可聯想的記憶層：7B 或更小的本地模型，也能在用戶偏好、機構上下文與長期任務上保持連貫，把預算更多留給合規、產品與體驗，而不只堆參數量。
記憶默認落在本機或 VPC 內的 SQLite，無需把對話全文強制上傳到向量雲——這對數據敏感行業是結構性優勢：更易做數據出境與駐留評估、更易做離線/專有云部署，並可對接現有 KMS、備份與訪問審計策略，減少再引入一家向量廠商的子處理方談判成本。
以下為合成旅程，用於說明記憶行為方式，不代表付費客戶背書。
落地時請替換為您自己的試點數據與合規流程。
每張工單可繼承歷史症狀、SKU 特例與已執行過的政策例外。模型在回覆前看到候選記憶——更少重複提問、更快首解。
學生上週卡殼的概念，在相關主題再次出現時被聯想召回。進度以「句子 + 關聯」編碼，而非整段聊天記錄，便於教師審計。
覆盤、Runbook、銷售對話以結構化記憶累積，而不是死在 Slack 線程裡。召回默認在 VPC 內 SQLite，適合敏感行業。
真實生產環境的運行數據
一眼對照：Memok 把記憶圖放在助理旁的本機 SQLite；常見託管向量庫多半多一次網路跳躍與獨立計費。
| 特性 | Memok | Pinecone/Weaviate |
|---|---|---|
部署成本 | 免費 (SQLite) | $25-200/月 |
召回方式 | 詞關聯 + 權重 | 純向量相似度 |
可解釋性 | 知道為什麼召回 | 黑盒 |
冷啟動 | 立即工作 | 需要大量數據 |
隱私安全 | 數據本地存儲 | 上傳雲端 |
不像向量庫只找「相似」的，memok 能跨主題聯想。提到「React」可能召回「hooks」「打包」「SSR」—語境相關但語義不必完全相同。
夢境函數每晚自動清理 20-30% 低價值記憶。用過的記憶權重+1，越用越準。3天后有效記憶比例從 60% 提升到 85%+。
無需調 embedding 模型、無需設維度、無需建索引。安裝即用，一條命令即可完成安裝，記憶立即開始積累。
本頁數字來自長期內部自用實例，用於數量級判斷，不能替代您在自有硬件、隱私模型與提示詞分佈上的壓測。我們正在準備可復現實驗包（數據集 + 腳本），方便第三方自行對比 Memok 與向量基線，而不必僅憑文案採信。
| 場景 | 配置 | 召回 p50（本地 SQLite） |
|---|---|---|
| 開發筆記本 | 8–16GB 內存、SSD、單用戶 | 典型候選拉取 <50ms |
| 小型 VPC | 2 vCPU，與 OpenClaw 同區部署 | 同量級，主要受磁盤與圖規模影響 |
| 工作站 | 32GB、NVMe、多插件宿主 | 更大圖仍有 headroom；仍無遠程向量一跳 |
「不是最完美的向量搜索，但是最像人腦的記憶系統——有遺忘、有聯想、有強化，而且零成本、零運維。」
模仿人腦的記憶機制：編碼 → 存儲 → 召回 → 鞏固
OpenClaw 每輪對話結束後，自動調用 memok 提取核心句子（core_idea）和關鍵詞（core_words）。
// 自動觸發，無需干預
對話 → 提取核心 → 存入 SQLite數據分層存儲：words（原始詞）、normal_words（歸一化概念）、sentences（句子）、links（關聯）。
sentences: 1,176 條
normal_words: 1,548 個概念
sentence_to_normal_link: 110,956 條關聯每輪對話前，隨機採樣 20% 詞彙 + 查詢詞彙，召回關聯句子，注入系統上下文。
// 自動注入的候選記憶
（memok）以下為每輪自動附帶的候選記憶...
- [id=123] memok v2 Pipeline 比 v1 快 8 分鐘
- [id=456] 夢境函數設計：句子+詞語兩層清理AI 若使用了某條記憶，調用 memok_report_used_memory_ids 上報，該記憶權重 +1，更容易被召回。
// AI 自動上報
memok_report_used_memory_ids([123, 456])
→ 句子 123、456 的 weight + 1每日凌晨自動運行：duration 衰減、低權重句子清理、孤兒詞刪除、記憶合併。
# 每日 03:00 自動執行
predream-decay: 全表 duration -1
dreaming-pipeline: 抽詞 → 故事 → 合併 → 清理輕量、本地、可擴展
單文件數據庫，無需部署。支持 1000+ 用戶規模。
原生插件 API，無縫集成對話流程。
支持 DeepSeek、Moonshot、OpenAI 等任何兼容 API。
進程內定時器，無需系統 crontab。
以 GitHub 為樞紐：memok-ai 承載記憶管線；memok-ai-openclaw 承載 OpenClaw 插件。Issues 修缺陷、Discussions（memok-ai）聊設計、Star 傳遞需求信號。模板與集成指南優先在倉庫內迭代。
將 memok 安裝為 OpenClaw 插件：境內推薦從 Gitee 插件鏡像拉取一鍵腳本或手動克隆；亦可使用 GitHub 源（memok-ai-openclaw）。安裝即馬上體驗，無需漫長配置。記憶管線核心代碼仍在 memok-ai。
首次安裝可能耗時較長。安裝過程會拉取並安裝 OpenClaw 及其依賴（npm 包等），在一般網絡下可能需要數分鐘——並非卡死，請耐心等待依賴安裝完成。
# Linux / macOS（Gitee 鏡像）
bash <(curl -fsSL https://gitee.com/wik20/memok-ai-openclaw/raw/main/scripts/install-cn-linux-macos.sh)
# Windows PowerShell（Gitee 鏡像）
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 和夢境時間
openclaw gateway restart視頻教程與在線沙箱在路線圖中——當前最快路徑仍是安裝 + GitHub 文檔。正式指南擴展前，可先查閱下方 FAQ。
安裝與召回的錄屏教程在規劃中，請關注倉庫與 Discussions 的首發通知。
即將推出只讀沙箱以便在生產安裝前先體驗召回——尚無公開 URL，已列入路線圖。
路線圖商業合作諮詢——請在 GitHub Discussions 說明部署與合規訴求。在明確提供企業 SLA 之前，此處不構成對商業條款的承諾。
確認 OpenClaw 是否調用了插件鉤子、SQLite 路徑權限是否正確，並在一輪對話中打開日誌。已知網關邊界情況見 GitHub Issues。
可以，這是默認路徑。Memok 從抽取詞與圖權重構建關聯，僅需您已為 OpenClaw 配置的 LLM 端點。
對 SQLite 文件與配置目錄做快照，與任何有狀態服務一樣：大版本升級前先備份。
在 Discussions 附上流程草圖；我們優先支持能自然映射到「句子 + 關聯」模型的集成。
開源、本地優先；優先級隨維護精力與用戶反饋變化——請關注倉庫提交與 Issues，並在 Discussions 用具體場景參與討論。
Memok 不能替代您的法務評估。我們提供的是更小、可審計的面：本地 SQLite、顯式候選召回、無強制第三方向量上傳。靜態加密隨磁盤/卷策略；傳輸安全沿用您已為 OpenClaw 與 LLM 配置的 TLS。