企业官网建设流程全解析

1. 为什么你的 Agent 总是“聊完就忘”

很多人做 AI Agent 的第一版，都是先让它会调工具：能查天气、能读文件、能发请求，demo 跑起来很惊艳。但用不了几天就会发现一个尴尬的问题——它每次会话都像第一次见你。昨天刚说过“我偏好 TypeScript”，今天它又给你生成一堆 JavaScript；上次任务卡在第三步，这次它还是从第一步重新问起。

这不是模型不够聪明，而是它没有一套真正的记忆系统。上下文窗口只是临时工作台，会话一断、上下文一压缩，信息就没了。模型参数更不是你的专属记忆。真正让 Agent 具备连续性的，是外部组织起来的、可检索、可整理、可治理的记忆模块。

我试过把历史对话全塞进长上下文，结果 token 成本飙升，检索质量反而下降。后来才明白：记忆不是“记得越多越好”，而是“记得对、找得到、分得清、控得住”。这篇就以 OpenClaw 接入向量数据库、做混合检索为场景，给你一套可复制的配置骨架，并用 TaoToken 统一 Key 打通模型调用通道，让 Agent 真正具备跨会话记忆。

2. 前置准备：TaoToken 统一 Key 与 OpenClaw 环境

在动手配记忆系统之前，先把模型调用通道理顺。OpenClaw 在压缩上下文前会跑一次 silent turn 做记忆写回，这个动作本身也要调模型；如果每次都要切换不同厂商的 Key，配置会非常乱。用 TaoToken 的好处是：一个 Key 走统一 API 通道，模型对话、coding-plan、向量 embedding 都能复用同一套鉴权。

你需要准备三样东西：

第一，TaoToken 的 API Key。登录官网后进入控制台，在 API Keys 页面创建一个新 Key，复制保存。注意 Key 只在创建时完整显示一次。

第二，OpenClaw 运行环境。建议 Node 18+，用官方安装方式拉起来，确认openclaw --version能正常输出。

第三，一个向量数据库。本文用本地 SQLite + FTS5 做关键词检索、embeddings 做向量检索的混合方案，这也是 OpenClaw memory search 的默认内置引擎思路，零额外服务依赖，适合先跑通再上生产。

相关入口我整理成一张表，方便你按需跳转：

注意：API 基址不要加 UTM 参数，否则部分 SDK 会把 query 拼进请求路径导致 404。

3. 可复制配置：config.toml 与 settings.json 骨架

OpenClaw 的记忆分层靠文件系统落地：MEMORY.md存长期事实与偏好，memory/YYYY-MM-DD.md存当天上下文，DREAMS.md存整理候选。检索层则靠 memory search 的 hybrid 模式。下面这份config.toml是记忆与检索的核心骨架，你可以直接改路径和 Key 后使用。

# ~/.openclaw/config.toml [model] provider = "taotoken" base_url = "https://taotoken.net/api" api_key = "sk-你的TaoTokenKey" chat_model = "claude-sonnet-4" embedding_model = "text-embedding-3-small" [memory] # 长期记忆与每日笔记的根目录 workspace = "/Users/you/.openclaw/workspace" long_term_file = "MEMORY.md" daily_dir = "memory" dream_file = "DREAMS.md" [memory.search] engine = "sqlite" mode = "hybrid" # 关键：向量 + 关键词混合 vector_weight = 0.6 # 语义相似度权重 keyword_weight = 0.4 # FTS5/BM25 精确命中权重 top_k = 8 trigram = true # 中文/日文/韩文分词支持 [memory.flush] # 上下文压缩前自动写回记忆 auto_flush = true silent_turn = true [memory.dreaming] enabled = true promote_threshold = 0.75 # 候选提升到长期记忆的分数门槛

对应的settings.json负责会话隔离与检索行为，尤其 DM isolation 是生产环境的安全边界：

{ "session": { "dm_isolation": true, "isolation_key": "channel+sender", "shared_session_default": false }, "memory": { "write_on_explicit": true, "dedup_window_days": 7, "decay_half_life_days": 30 }, "retrieval": { "rewrite_on_empty": true, "fallback_to_keyword": true, "max_context_tokens": 3000 } }

配置里几个参数值得单独说。mode = "hybrid"是混合检索的开关，纯向量在找错误码、配置键、函数名时经常翻车，加上 FTS5 关键词通道后精确命中率明显提升。vector_weight和keyword_weight加起来建议等于 1，具体比例按你的语料调：偏知识问答就向量高一点，偏代码/配置检索就关键词高一点。dm_isolation一定要开，否则多个用户私聊同一个 Agent 时，A 的上下文可能被 B 看到。

4. 验证一次混合检索请求

配置写完后，先别急着接业务，用一条命令验证记忆写入和混合检索是否真的通了。OpenClaw 提供 memory 子命令，也可以直接调 API。

第一步，写入一条长期偏好：

openclaw memory write \ --file MEMORY.md \ --content "用户偏好 TypeScript，回答代码示例默认用 TS"

第二步，写入一条带精确标识的每日笔记，故意放一个错误码，用来测关键词通道：

openclaw memory write \ --file memory/2025-06-01.md \ --content "任务失败：调用支付接口返回 ERR_PAY_4021，需先校验签名再重试"

第三步，发起一次混合检索，查询词同时包含语义意图和精确标识：

openclaw memory search \ --query "支付失败怎么处理 ERR_PAY_4021" \ --mode hybrid \ --top-k 5

预期返回结果里，memory/2025-06-01.md那条应该排在前列，因为它同时命中了语义（支付失败处理）和关键词（ERR_PAY_4021）。如果你把mode改成vector再跑一次，会发现纯向量对ERR_PAY_4021这种精确串的召回明显变弱，这就是混合检索的价值。

也可以用 curl 直接验证 TaoToken 通道是否正常：

curl https://taotoken.net/api/v1/chat/completions \ -H "Authorization: Bearer sk-你的TaoTokenKey" \ -H "Content-Type: application/json" \ -d '{ "model": "claude-sonnet-4", "messages": [{"role": "user", "content": "用一句话说明混合检索为什么比纯向量更适合 Agent 记忆"}] }'

返回 200 且 content 正常，说明模型通道没问题；再跑 memory search 有结果，说明记忆链路通了。两步都过，你的 Agent 就具备了跨会话记忆的基础能力。

5. 本篇常见错排查

配置过程中最容易踩的坑，我按出现频率排一下。

检索结果为空或只有向量结果。先检查trigram = true是否生效，中文语料没开 trigram 时 FTS5 分词会切得很碎。再确认 SQLite 版本支持 FTS5，用sqlite3 --version看，低于 3.9 需要升级。

记忆写不进去。多半是workspace路径不存在或没写权限。OpenClaw 不会自动创建多级目录，先mkdir -p把memory/建好。另外write_on_explicit = true时，只有显式说“记住”才会写长期记忆，普通对话不会自动进MEMORY.md，这是设计如此，不是 bug。

压缩后关键信息丢失。确认auto_flush = true且silent_turn = true。如果关掉了 silent turn，压缩前就不会触发记忆写回，长会话里重要事实会在摘要时被丢掉。

多用户串线。检查dm_isolation是否为 true，isolation_key是否为channel+sender。默认共享 session 在单人使用时没问题，一旦有第二个人能给 Agent 发消息就必须隔离。

TaoToken 请求 401 或 404。401 是 Key 错了或没带Bearer前缀；404 常见于 base_url 后面多拼了/v1又重复，正确基址是https://taotoken.net/api，SDK 会自动补路径。如果排障卡住，直接去接入文档对照请求示例最快。

6. 把记忆做成基础设施，而不是外挂

跑通上面这套之后，你会发现 Agent 的行为开始变得“连贯”：它记得你的偏好，记得上次任务卡在哪，记得某个错误码该怎么处理。这不是玄学，而是分层存储 + 混合检索 + 显式写回 + 可治理隔离共同作用的结果。

接下来可以做的进阶动作：把DREAMS.md的整理结果定期 review，只把高置信候选提升到MEMORY.md；给检索加时间衰减，让过期事实自动降权；用 TaoToken 的 coding-plan 通道跑长期编码类 Agent，把记忆检索和代码生成放在同一条 Key 通道里，减少配置切换成本。

记忆系统的价值，不在于它记得多，而在于它记得对、找得到、分得清、控得住。把这四件事做扎实，你的 Agent 才算真正从“会调用工具”走向“持续工作”。