English is canonical.
本頁是獨立撰寫的繁體中文產品說明，方便中文讀者快速理解 openclaw-mem。若內容與英文文件有出入，請以 English home 與 README 為準。

會留底的代理人記憶

給 OPENCLAW OPERATOR 的本地優先記憶層

一條可以 grep、diff、回滾的本地帳本。

openclaw-mem 把代理人做過的事留下來，變成可搜尋、可引用、可回滾的操作記憶。它先以 sidecar 形式跑在 OpenClaw 旁邊，不急著取代你現有的記憶後端；等本地召回、引用收據與上下文打包真的證明價值，再考慮升級成選用的 Mem Engine。

JSONL + SQLite 五分鐘本地展示 Sidecar 優先 選用混合引擎

$ openclaw-mem search "privacy timezone style" --json
{"matches": [{"kind": "preference", "source": "synthetic-demo.jsonl"}]}

看五分鐘展示 選擇安裝模式 閱讀快速開始

它解決什麼問題

多數 agent memory demo 一開始都很神奇，直到第一個真正的營運問題出現：

• 代理人為什麼記得這件事？
• 這個事實從哪裡來？
• 我能不能檢查、匯出、回滾？
• 我能不能先做本地召回，而不是每次都把問題丟給遠端語意服務？

openclaw-mem 是為這個時刻設計的。它不是代管記憶雲，也不是另一個黑盒向量庫；它是一個 operator-grade 的記憶層，可以在本地執行、搜尋、比對、測試，並把上下文帶著引用收據交還給 agent。

核心迴路

記憶層應該展示它如何工作。openclaw-mem 的基本迴路刻意保持樸素：

openclaw-mem search "timezone privacy demo style" --json
openclaw-mem timeline --limit 5 --json
openclaw-mem pack "write the demo plan" --json

預期形狀像這樣：

{
  "query": "timezone privacy demo style",
  "matches": [
    {
      "id": "demo-preference-001",
      "kind": "preference",
      "summary": "Use Asia/Taipei for time references",
      "source": "synthetic-demo.jsonl"
    }
  ],
  "pack": {
    "token_budget": 900,
    "citations": ["demo-preference-001"]
  }
}

你得到的不是神秘的「記憶 blob」，而是一組可以追的紀錄：搜尋結果、時間軸、單筆內容，以及帶 citation 的 ContextPack。

你會得到什麼

1. 留下操作軌跡

把工具結果、決策、偏好、規格與操作痕跡捕捉成 append-only JSONL，再匯入 SQLite，形成可查證的本地記憶帳本。

2. 先找本地信號

用本地 FTS 搜尋、看 timeline、取回精確紀錄。先檢查自己已經擁有的上下文，再決定是否需要更重的語意召回。

3. 帶收據打包上下文

pack 產生精簡的 ContextPack，讓 agent 拿到有來源、有 citation、可追溯的上下文，而不是一團無法解釋的 prompt stuffing。

4. 值得時才升級

預設採用 sidecar-first。只有在 hybrid recall、範圍檢索與 policy controls 真的值得時，才把選用的 Mem Engine 推上 memory slot。

跟其他方案有什麼不同

如果你正在比較	openclaw-mem 的差異
代管記憶 API	預設本地優先，不強迫走 SaaS 中轉。
原始向量資料庫	儲存操作紀錄並產生可引用的上下文包，不只是 embeddings。
純文字 log	提供為 agent recall 設計的 search → timeline → get → pack 流程。
完整 agent runtime	先作為 OpenClaw 旁邊的 sidecar，不需要替換整個 runtime。
OpenClaw 原生 memory slot	不必第一天就佔 slot；可以先觀察、驗證，再升級。

如果你需要	openclaw-mem 給你
可檢查的記憶層	JSONL + SQLite + CLI audit records。
新鮮的本地召回	先快速 ingest 與本地搜尋，再考慮遠端語意。
更安全的 agent context	有 provenance 的精簡 context packs，而不是不透明 memory blobs。
回滾姿態	Sidecar-first adoption、明確的 engine promotion、可匯出的 artifacts。
Operator control	不強迫 SaaS、不強迫 slot ownership，也不預設永遠記住一切。

看見它，而不只是相信它

五分鐘 Inside-Out demo

用合成、隱私安全的資料展示：穩定偏好與限制如何變成帶 citation 的 context pack。

開啟 demo

Topology-aware recall

用 docs 與 topology surface 回答「這個功能實作在哪裡？」，而不污染 durable memory。

查看 topology demo

Reality check

文件明確分開 shipped、partial、experimental 與 roadmap，避免成熟度劇場。

查看目前狀態

採用順序

1. 先跑 demo：用 synthetic data 驗證 recall-and-pack contract。
2. 安裝 sidecar：在現有 OpenClaw memory slot 旁邊捕捉與 harvest observations。
3. 先用本地 recall：優先使用 search、timeline、get、pack，再考慮更重的系統。
4. 謹慎升級：只有在 hybrid recall 與 policy controls 值得時，才啟用選用 Mem Engine。

三種安裝模式

1. 單一 repo 的本地驗證

適合只想確認產品是否真的有用：clone repo、產生 sample JSONL、匯入 SQLite、跑本地搜尋，不需要改 OpenClaw 設定。

2. 既有 OpenClaw 安裝上的 sidecar

適合已經在跑 OpenClaw、想改善 capture freshness、observability 與 rollback posture 的 operator：保留目前 memory slot，啟用 capture plugin，排程 harvest，再用 openclaw-mem 做本地 recall、triage 與 receipts。

3. 升級到選用 Mem Engine

適合想讓 openclaw-mem 接管 memory slot 的進階用法：先通過 sidecar smoke test，再切到 openclaw-mem-engine，取得 hybrid recall、bounded automation 與 operator-tunable policies。回滾仍應保留為一行 slot change。

精確詞彙

• Sidecar：本地伴隨層，捕捉與搜尋記憶紀錄，但不擁有 OpenClaw 的現用 memory backend。
• Memory slot：OpenClaw 需要 memory 時會查詢的後端。sidecar 不需要取代它。
• Ingest / harvest：把捕捉到的 JSONL 匯入可搜尋的 SQLite。
• Audit record / receipt：描述發生了什麼、從哪裡來、如何引用的小型紀錄。
• ContextPack：為 agent 準備的精簡上下文包，包含相關記憶與 citations。

什麼時候不需要它

如果你的 agent 只有一段短對話，沒有長期操作軌跡、沒有稽核需求，也沒有需要反覆恢復的上下文，那模型自己的 context window 可能就夠了。openclaw-mem 是給「記憶已經變成操作基礎設施」的情境。

從這裡開始

• Inside-Out demo：最快驗證 recall-and-pack contract。
• Choose an install path：選 sidecar、engine 或 hybrid adoption。
• Quickstart：CLI-first 的本地 setup。
• Reality check & status：目前 maturity map。
• Deployment guide：production-oriented wiring。

倉庫與版本

• GitHub repository
• GitHub releases