要启用OpenClawSkills长期记忆功能，需五步操作：一、在config.yaml中启用memory模块并设backend为chroma或sqlite；二、配置轻量嵌入模型路径与维度；三、定义含memory_read/write的技能模板；四、用/mem write等指令标注写入高价值记忆；五、通过link_to构建跨会话记忆链路。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
如果您希望在OpenClawSkills中启用并有效利用记忆功能以强化长期记忆能力，则需明确配置记忆模块、设定存储策略并匹配对应技能调用逻辑。以下是实现OpenClaw长期记忆增强技能玩法的具体操作步骤：
一、启用OpenClaw记忆模块
OpenClawSkills默认不激活长期记忆组件，必须手动开启核心记忆服务，使其能够持续记录、索引和检索用户交互数据。该模块依赖本地嵌入式数据库与向量缓存协同工作。
1、打开OpenClawSkills主目录下的config.yaml文件。
2、定位到memory:配置节，将enabled字段值由false改为true。
3、确认backend参数设置为chroma或sqlite，二者均支持持久化存储。
4、保存文件后，在终端执行openclaw --reload-memory命令重启记忆服务。
二、配置记忆嵌入模型
长期记忆效果高度依赖嵌入质量，需指定兼容的本地轻量级模型，确保语义向量化过程稳定且低延迟。模型须满足ONNX格式或支持llama.cpp量化部署。
1、下载已验证可用的嵌入模型，例如all-MiniLM-L6-v2-q8.onnx，存放至models/embeddings/子目录。
2、在config.yaml中修改embedding_model_path字段，指向该ONNX文件的绝对路径。
3、将embedding_dimension设为384，与all-MiniLM-L6-v2输出维度一致。
4、运行openclaw --validate-embeddings校验模型加载状态，返回OK即表示就绪。
三、定义记忆触发技能模板
OpenClawSkills通过技能模板（Skill Template）绑定记忆读写行为，每个模板需声明memory_read或memory_write指令，控制何时存入或提取长期记忆片段。
1、在skills/目录下新建文件recall_facts.stpl。
2、在文件首行添加元信息：trigger: "记住|回顾|上次提到"。
3、在行为块中插入：memory_read: {top_k: 3, filter: {tag: "fact"}}。
4、保存后执行openclaw --register-skill recall_facts.stpl完成注册。
四、标注并写入高价值记忆条目
并非所有交互内容都适合存入长期记忆，需人工或规则驱动标注关键条目，添加tag、ttl（存活时间）及priority属性，提升后续检索精度。
1、在对话中输入指令：/mem write "项目截止日期是2025-04-12" --tag=deadline --ttl=30d --priority=high。
2、系统返回写入ID，例如mem_7f3a9b21，该ID可用于后续精确引用。
3、对已有记忆条目补充上下文，执行：/mem update mem_7f3a9b21 --append "客户要求延期一次"。
4、验证写入结果：运行/mem list --tag=deadline --limit=1，确认条目出现在输出中。
五、构建跨会话记忆链路
单一记忆条目缺乏关联性，需通过link_to字段建立双向引用，形成记忆节点网络，支撑复杂推理与上下文延续。
1、创建首个记忆节点：/mem write "张工负责API对接" --tag=contact --id=mem_zhang。
2、创建关联节点：/mem write "API文档托管于Confluence页#api-v3" --tag=doc --link_to=mem_zhang。
3、发起链式查询：/mem search "张工" --follow-links --depth=2，返回含原始节点及关联文档的集合。
4、检查链接完整性：/mem inspect mem_zhang，确认linked_from字段包含mem_doc标识。
