MemSense — OpenClaw 真正可用的长期记忆插件

来源: https://github.com/OpenSenseNova/MemSense
日期: 2026-06-16
标签: #OpenClaw #记忆 #Memory #SenseNova #Plugin #开源

一句话版本

MemSense 是商汤/OpenSenseNova 为 OpenClaw 做的开源记忆插件——自带可视化仪表盘，不压缩你的对话内容，不依赖模型的记忆能力，用 Docker 几分钟就能让你的 AI 助理拥有"靠谱的长期记性"。

核心内容

它解决了什么问题？

如果你用过 OpenClaw 的原生 memory，大概率遇到过这些问题：

问题	表现
❌ 记忆越用越乱	内容膨胀后越来越不可信
❌ 换模型就不稳定	依赖模型的记忆能力，模型一换表现就变
❌ 关键对话没存进去	有时存有时不存，不可预测
❌ 黑盒不可控	不知道"为什么这条记忆被召回"

MemSense 的目标：让 OpenClaw 的记忆真正可靠、可控、可长期使用。

核心设计理念

1. 无信息损失 — 不做语义压缩

不像很多记忆系统那样用摘要替代原始 QA，MemSense 完整保留用户和助手的原始对话内容。这避免了摘要压缩带来的信息丢失。

2. Model-free — 不依赖于模型的记忆能力

MemSense 独立于底层 LLM 的记忆表现，切换模型（甚至不同 tokenizer/推理方式）也无需做任何适配。

3. Memory Dashboard

所有记忆可查看、可管理、可调试，不再是黑盒。清楚了"存了什么、为什么被召回"。

4. 自动化长期管理

基于规则的整理、去重、评分、归档、软删除，长期运行依然保持清晰结构。

5. 强一致存储保障

记忆写入过程稳定可控，不依赖模型输出或中间状态。

技术架构


用户 QA → ↗ MemSense Pipeline → embedding → PostgreSQL (pgvector) → Dashboard
              ↙ query → cross-attention recall → inject into prompt

Embedding: 本地 BGE (BAAI/bge-large-zh-v1.5) 或 OpenAI-compatible
存储: PostgreSQL 16+ with pgvector
Tag系统: 可复用宿主机 OpenClaw 当前模型做标签增强
部署: Docker 优先，也支持无 Docker（macOS/Linux）

安装流程


git clone https://github.com/OpenSenseNova/MemSense.git
cd MemSense

# Step 1: 启动服务（local 或 openai embedding）
bash scripts/bootstrap.sh local

# Step 2: 安装 OpenClaw 插件
bash scripts/install-openclaw-plugin.sh --force

# Step 3: 配置 slot 绑定
openclaw config set plugins.entries.memsense.enabled true
openclaw config set plugins.slots.memory memsense
openclaw config set plugins.entries.memsense.hooks.allowConversationAccess true
openclaw gateway restart

# Step 4: 验证
# 打开 http://127.0.0.1:8787/dashboard?token=demo

环境要求

依赖	版本	说明
Node.js	>= 20	本地开发和插件运行
PostgreSQL	>= 16 + pgvector	存储层
Python	>= 3.11	仅本地 BGE 模式需要
磁盘	~1 GB	BGE 模型缓存
OpenClaw	>= 2026.4	peer dependency
Docker	推荐	一键启动全部服务

在 OpenClaw 记忆插件生态中的定位

OpenClaw 记忆插件市场已相当活跃：

插件	定位	特点
MemSense	本地优先、全透明	无压缩、Dashboard、Model-free、开源
QMD	Hybrid search sidecar	替代原生 compaction
Mem0	自动事实提取	云服务 + 自托管
Cognee	知识图谱	图结构记忆
Supermemory	云端记忆	自动记住对话，构建用户画像
MemOS Cloud	云端多 agent	跨设备、多 agent 隔离
Memory LanceDB	开源向量存储	轻量级本地方案

MemSense 的差异化在于：

1. 完全不压缩对话 — 其他系统多少会做摘要/压缩，MemSense 保留原始 QA

2. Dashboard 可视化 — 调试友好

3. Model-free 设计 — 换模型零适配

4. 商汤背书 — 与 SenseNova-Skills 同属 OpenSenseNova 生态

分析

与我们项目的关联

直接相关。我们现在的系统使用 lossless-claw 做 compaction 管理，但本质上还是基于摘要的压缩机制。MemSense 的思路（保留原始 QA + Dashboard 可视化管理）与我们已有的 deep-research 和知识库组织理念一致。

值得关注的点：

1. Dashboard 概念 — 如果我们能做一个类似的可视化界面查看记忆状态，会很有价值

2. BGE 本地 embedding — 不依赖外部 API，适合隐私敏感场景

3. Tag 系统 — 用当前模型自动打标签，辅助检索

开源生态分析

OpenSenseNova 正在构建一套围绕 OpenClaw 的完整工具链：

SenseNova-Skills → 办公技能（图像、PPT、数据、搜索、研究）
MemSense → 长期记忆
SenseNova平台API → 底层模型
Agent Pack → 一键部署工具

这说明商汤在押注 OpenClaw 生态，策略上类似"华为做鸿蒙生态"——通过开源贡献获取开发者社区。

潜在局限

1. PostgreSQL 依赖 — 相比 lossless-claw 的 SQLite 更重

2. 需要 OpenClaw >= 2026.4 — 可能不兼容旧版本

3. Docker 路径在低配服务器上性能如何存疑（BGE 约 1GB）

4. Tag worker 依赖宿主机访问 OpenClaw API

评分

维度	评分	说明
创新性	⭐⭐⭐⭐	不压缩记忆是个独特的选择，Dashboard 设计实用
实用性	⭐⭐⭐⭐⭐	直接解决 OpenClaw 记忆痛点，安装流程完善
技术实现	⭐⭐⭐⭐	架构清晰，Docker/无Docker 双路径，BGE 本地化
文档质量	⭐⭐⭐⭐⭐	中英双语，759 行中文 README，超详细
与 Jay 的关联度	⭐⭐⭐⭐⭐	直接是我们的运行环境（OpenClaw），记忆是核心痛点

总体评分: 4.5/5