tingxueren.com

reading && thinking

在 OpenClaw 上自托管 Mem0（DashScope Embeddings + 本地 Qdrant）踩坑与完整配置

在 OpenClaw 上自托管 Mem0（DashScope Embeddings + 本地 Qdrant）踩坑与完整配置

2026/3/9 15:30:00

目标读者：

  • 已经在跑 OpenClaw（gateway 正常）
  • 不想上 QMD（太吃资源）
  • 想要“长期记忆 + 自动召回/自动写入”，并且向量库存本机（可控、可持久化）
  • embeddings/LLM 走 DashScope（Qwen/OpenAI-compatible），不依赖 OpenAI API Key

本文把整套过程拆成：架构 → 安装 → 配置 → Qdrant 部署 →（关键）DashScope 兼容处理 → 验证 → 常见问题。

0. 先说结论（架构图）

我们最终要的是下面这条链路：

OpenClaw + Mem0（DashScope + Qdrant）架构图

  1. Auto-capture（自动写入）
  • OpenClaw 每轮对话结束 → Mem0 用 LLM 抽取“值得记住的事实” → 调 embeddings 得到向量 → 写入本机 Qdrant
  1. Auto-recall（自动召回）
  • 下一次用户提问 → 先调 embeddings 把问题向量化 → 去本机 Qdrant 相似度检索 topK → 把命中记忆注入上下文 → 再让主模型回答

其中：

  • 向量库（vectors + payload）在本机：Qdrant
  • embeddings / LLM 走远程：DashScope（OpenAI-compatible endpoint）

1) 前置条件与约束

  • OS：Debian 12（VPS）
  • OpenClaw 已安装并能运行
  • 你已经有 DashScope API Key（保存在 OpenClaw 的 env.vars.DASHSCOPE_API_KEY）
  • 你接受“对话片段/抽取内容会外发到 DashScope”（但向量落在本机 Qdrant）

如果你想 embeddings 也完全本地化，可考虑 Ollama embedding 模型；但在小 VPS 上要评估资源。

2) 安装 Mem0 插件

openclaw plugins install @mem0/openclaw-mem0

安装完成后，它会提示你重启 gateway 以加载插件。

3) 配置 openclaw.json（Mem0 open-source + DashScope + Qdrant）

3.1 插件入口

在 ~/.openclaw/openclaw.json：

// plugins.entries
"openclaw-mem0": {
  "enabled": true,
  "config": {
    "mode": "open-source",
    "userId": "default",

    // 自动召回/自动写入（建议先分阶段开启，后面会给验证步骤）
    "autoRecall": true,
    "autoCapture": true,

    // 召回条数与阈值
    "topK": 5,
    "searchThreshold": 0.3,

    "oss": {
      "embedder": {
        "provider": "openai",
        "config": {
          "apiKey": "${DASHSCOPE_API_KEY}",
          "baseURL": "https://dashscope.aliyuncs.com/compatible-mode/v1",
          "url": "https://dashscope.aliyuncs.com/compatible-mode/v1",
          "model": "text-embedding-v3"
        }
      },

      "llm": {
        "provider": "openai",
        "config": {
          "apiKey": "${DASHSCOPE_API_KEY}",
          "baseURL": "https://dashscope.aliyuncs.com/compatible-mode/v1",
          "model": "qwen3-max"
        }
      },

      "vectorStore": {
        "provider": "qdrant",
        "config": {
          "host": "127.0.0.1",
          "port": 6333,
          "collectionName": "openclaw-mem0",
          "dimension": 1024
        }
      }
    }
  }
}

说明：

  • embedder.provider="openai" 是“走 OpenAI SDK 的 openai-compatible 用法”
  • DashScope embedding 模型建议用 text-embedding-v3（我们实测 OK）
  • Qdrant dimension 需要与 embedding 维度匹配。上面写 1024 是基于当时 text-embedding-v3 的返回（如果未来模型维度变化，需要同步调整）

4) 启动本机 Qdrant（Docker）

我们按 VPS 的约定目录部署：/home/mars/vps-infra/docker/。

4.1 目录结构

建议新建：

/home/mars/vps-infra/docker/qdrant-docker/
  ├── docker-compose.yml
  └── data/               # 自动生成/持久化数据

4.2 docker-compose.yml（仅监听 localhost）

services:
  qdrant:
    image: qdrant/qdrant:v1.13.0
    container_name: qdrant-docker
    restart: unless-stopped
    ports:
      - "127.0.0.1:6333:6333"  # REST
      - "127.0.0.1:6334:6334"  # gRPC
    volumes:
      - ./data:/qdrant/storage
    networks:
      - edge-net

networks:
  edge-net:
    external: true

为什么不对公网开放：向量库属于敏感数据面（即使没有原文，payload 也可能包含关键信息），默认只给本机服务用。

4.3 启动与健康检查

cd /home/mars/vps-infra/docker/qdrant-docker
docker compose up -d
curl -s http://127.0.0.1:6333/healthz
curl -s http://127.0.0.1:6333/ | jq '{title,version}'

期望：

  • healthz check passed
  • version 为 1.13.x（至少与 mem0 客户端兼容）

5) 关键踩坑：Mem0 OSS 的 OpenAIEmbedder 默认会打到 api.openai.com

5.1 现象

即使你在配置里写了 DashScope 的 baseURL，如果 Mem0 内部 embedder 没把 baseURL 传给 OpenAI SDK，它还是会默认请求：

  • https://api.openai.com/v1/embeddings

然后你就会看到类似报错：

  • 401 Incorrect API key provided: sk-xxxx（因为你拿的是 DashScope key，不是 OpenAI key）

5.2 原因

Mem0 OSS 的 OpenAIEmbedder 初始化是：

new OpenAI({ apiKey: config.apiKey })

没有 baseURL。

5.3 修复（补 baseURL 支持）

注意：这是对第三方依赖的本地 patch。后续插件升级可能覆盖，需要重新 patch 或提 PR。

文件位置（在插件目录下）：

/home/mars/.openclaw/extensions/openclaw-mem0/node_modules/mem0ai/dist/oss/index.mjs

把：

this.openai = new OpenAI({ apiKey: config.apiKey });

改为：

// Support OpenAI-compatible endpoints (e.g. DashScope) via config.url
// OpenAI SDK expects `baseURL`.
this.openai = new OpenAI({ apiKey: config.apiKey, baseURL: config.url || config.baseURL });

然后在 openclaw.json 的 embedder config 里确保带上：

"url": "https://dashscope.aliyuncs.com/compatible-mode/v1"

6) 验证（必须做，确保可复现）

6.1 验证 DashScope embeddings 能用

KEY=$(jq -r '.env.vars.DASHSCOPE_API_KEY' ~/.openclaw/openclaw.json)
URL='https://dashscope.aliyuncs.com/compatible-mode/v1'

curl -sS "$URL/embeddings" \
  -H "Authorization: Bearer $KEY" \
  -H 'Content-Type: application/json' \
  -d '{"model":"text-embedding-v3","input":"ping"}' | head

期望：HTTP 200 + 返回 embedding 数组。

6.2 验证 mem0 插件状态

openclaw mem0 stats

期望：

  • Mode: open-source
  • Auto-recall / Auto-capture 与配置一致
  • Total memories 随写入增长

6.3 写入“种子记忆”（用于验证召回）

建议先写 5~20 条“稳定事实”，比如路径索引、流程约定、红线策略。

写入方式有两种：

  • 通过 OpenClaw 运行时的 memory_store 工具（推荐，走同一套链路）
  • 或通过 mem0 CLI（如果它提供 store 命令；不同版本可能不一样）

6.4 验证向量检索

openclaw mem0 search "clash 规则目录" --scope long-term

期望：能命中类似：

  • /home/mars/data/nginx/wwwroot/.../ios_rule_script/

7) 运维建议（避免记忆污染）

Mem0 最容易“越用越差”的原因通常不是召回算法，而是 写入策略过宽：把短期状态/日志/一次性排障细节写成了长期记忆。

7.1 强制记忆提炼：用 customInstructions 约束 auto-capture

openclaw-mem0 插件支持在配置里写 customInstructions，它会在 auto-capture（写入） 时传给 Mem0 作为抽取规则。

在 ~/.openclaw/openclaw.json：

"plugins": {
  "entries": {
    "openclaw-mem0": {
      "config": {
        "autoCapture": true,
        "customInstructions": "You are a long-term memory extractor... When unsure, store NOTHING. Output at most 5 memories per turn..."
      }
    }
  }
}

建议约束点（我们实测有效）：

  • 只允许写入三类：用户偏好 / 稳定环境事实 / 长期规则
  • 严禁写入：临时状态、监控数据、日志/stack trace、一次性排障步骤、猜测、原始代码片段
  • 不确定就不写
  • 每轮最多 5 条（宁可少记也不要污染）

7.2 用 marker 做对照验证（确保规则真的生效）

发一条明确的“临时状态”并带唯一标记：

TEMP_MARKER_20260309：刚才 CPU 95%，只是临时状态，不要记住

然后验证：

openclaw mem0 search "TEMP_MARKER_20260309" --scope long-term
openclaw mem0 stats

期望：marker 搜不到，且记忆总数不应因这条临时状态而增加。

7.3 召回失控的处理手段

  • 初期建议：

    • autoRecall=true
    • autoCapture=true（前提是 7.1 的提炼规则足够严格）
    • 定期用 openclaw mem0 search 抽查写入质量

  • 如果发现“召回过多/不相关”：

    1. 把 searchThreshold 调高（例如 0.45~0.6）
    2. 或者临时关掉 autoCapture
    3. 用 memory_forget 清理明显错误/过期的记忆

8) 常见问题（我们踩过的）

Mem0 + DashScope + Qdrant 排障流程图

8.1 Qdrant 版本不兼容

现象：日志里出现 client/server incompatible。

解决：升级 Qdrant 镜像到较新版本（例如 v1.13.0）。

8.2 openclaw-mem0 报 Cannot find module 'ollama'

原因：mem0 OSS 代码引用了 ollama，但依赖未安装。

解决：在插件目录补装（示例）：

cd /home/mars/.openclaw/extensions/openclaw-mem0
npm i ollama@0.6.3
systemctl --user restart openclaw-gateway.service

9) 最后：我怎么判断要不要用 Mem0？

一句话：

  • 跨会话偏好/约定/零散事实 → Mem0（更像“自动回忆”）
  • 环境事实/路径/配置/服务状态 → 文件/命令为准（Mem0 只做快速提示，执行前要验证）

参考链接

注：本文涉及的 mem0ai 本地 patch 属于“兼容 OpenAI-compatible baseURL”的工程化修正。后续插件升级可能覆盖，建议把 patch 步骤保留在运维笔记里以便重放。

标签：openclaw / mem0 / qdrant / dashscope / 记忆