admin/my-project

0 Fork 0

Files

T

root-backup 3d2e638c6a 每日备份 2026-06-10 12:57:13

2026-06-10 12:57:14 +08:00

13 KiB

Raw Blame History

青龙记忆系统配置文档

创建时间: 2026-02-09 状态: ✅ 已验证有效适用: 青龙 (192.168.0.31)

1. 系统架构

┌─────────────────────────────────────────────────────────────────┐
│                        青龙 (192.168.0.31)                       │
├─────────────────────────────────────────────────────────────────┤
│                                                                 │
│  ┌─────────────┐     ┌─────────────────┐     ┌────────────────┐  │
│  │   Qdrant    │────▶│  simple_memory  │────▶│  OpenClaw      │  │
│  │  (向量库)   │     │    (记忆工具)   │     │   Gateway      │  │
│  │ localhost   │     │  /opt/mem0/     │     │  :18789        │  │
│  │   :6333    │     └─────────────────┘     └────────────────┘  │
│  └─────────────┘                                               │
│        ▲                                                       │
│        │                                                       │
│  ┌─────┴─────┐                                                 │
│  │  Ollama   │                                                 │
│  │ localhost │                                                 │
│  │  :11434   │                                                 │
│  └───────────┘                                                 │
│        ▲                                                       │
│        │ nomic-embed-text:latest (本地嵌入)                      │
└─────────────────────────────────────────────────────────────────┘
        │
        │ REST API
        ▼
┌─────────────────────────────────────────────────────────────────┐
│                   192.168.0.66 (代理服务器)                      │
├─────────────────────────────────────────────────────────────────┤
│                                                                 │
│  ┌─────────────┐                                               │
│  │   Ollama    │                                               │
│  │  :11434     │                                               │
│  │             │                                               │
│  │ qwen3:4b    │  ← LLM (语言模型)                            │
│  │ (2381MB)    │                                               │
│  └─────────────┘                                               │
└─────────────────────────────────────────────────────────────────┘

2. 组件配置

2.1 Qdrant 向量数据库

部署方式: Docker Compose

# docker-compose.yml (位于 /opt/memos/)
services:
  qdrant:
    image: qdrant/qdrant:v1.7.0
    ports:
      - "6333:6333"
      - "6334:6334"
    volumes:
      - qdrant_data:/qdrant/storage

volumes:
  qdrant_data:

启动命令:

cd /opt/memos
docker compose up -d

集合配置:

参数	值
集合名称	`mem0_memories`
向量维度	768
距离度量	Cosine (余弦相似度)
状态	green (健康)

验证命令:

# 检查服务状态
curl http://localhost:6333/collections

# 查看集合详情
curl http://localhost:6333/collections/mem0_memories

# 查看所有记忆
curl http://localhost:6333/collections/mem0_memories/points/scroll \
  -H "Content-Type: application/json" \
  -d '{"limit":10,"with_payload":true}'

2.2 本地 Ollama 嵌入模型

安装模型:

# 安装 nomic-embed-text (用于向量化)
ollama pull nomic-embed-text:latest

# 查看已安装模型
ollama list

模型信息:

模型	大小	用途	维度
nomic-embed-text:latest	261MB	文本向量化	768
mxbai-embed-large:latest	638MB	备用嵌入	1024

验证命令:

# 测试嵌入功能
curl http://localhost:11434/v1/embeddings \
  -H "Content-Type: application/json" \
  -d '{"model":"nomic-embed-text:latest","input":"测试文本"}'

预期输出:

{
  "data": [{
    "embedding": [0.123, 0.456, ...],  // 768 维向量
    "index": 0,
    "object": "embedding"
  }],
  "model": "nomic-embed-text:latest",
  "object": "list",
  "usage": {"prompt_tokens": 10, "total_tokens": 10}
}

2.3 远程 LLM (192.168.0.66)

部署服务器: 192.168.0.66

安装模型:

# 安装 qwen3:4b
ollama pull qwen3:4b

模型信息:

模型	大小	用途
qwen3:4b	2381MB	语言模型推理

验证命令:

# 测试 LLM
curl http://192.168.0.66:11434/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen3:4b",
    "messages": [{"role": "user", "content": "你好"}],
    "stream": false
  }'

3. 记忆系统工具

3.1 工具位置

/opt/mem0/
├── simple_memory.py      # 主工具 (推荐使用)
├── qinglong_memory.py    # 备用工具
├── config.yaml           # mem0ai 配置 (暂未使用)
└── test_*.py             # 测试脚本

3.2 simple_memory.py 功能

添加记忆:

python3 /opt/mem0/simple_memory.py add "这是青龙的测试记忆"

搜索记忆:

python3 /opt/mem0/simple_memory.py search "青龙"

基于记忆对话:

python3 /opt/mem0/simple_memory.py chat "青龙会做什么？"

3.3 完整源代码

#!/usr/bin/env python3
"""
青龙记忆系统 - 稳定版
- Embedder: 本地 nomic-embed-text:latest
- LLM: 192.168.0.66 qwen3:4b
- 向量库: Qdrant localhost:6333
"""

import sys
import json
import requests
import hashlib
import numpy as np

OLLAMA_LOCAL = 'http://localhost:11434'
OLLAMA_66 = 'http://192.168.0.66:11434'
QDRANT = 'http://localhost:6333'
COLLECTION = 'mem0_memories'

def get_embedding(text):
    """获取向量 (本地 nomic)"""
    resp = requests.post(
        f'{OLLAMA_LOCAL}/v1/embeddings',
        json={'model': 'nomic-embed-text:latest', 'input': text}
    )
    return resp.json()['data'][0]['embedding']

def cosine_sim(a, b):
    """计算余弦相似度"""
    return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))

def add_memory(content, user_id='qinglong'):
    """添加记忆"""
    vector = get_embedding(content)
    point_id = int(hashlib.md5(content.encode()).hexdigest()[:8], 16)
    
    requests.put(
        f'{QDRANT}/collections/{COLLECTION}/points',
        json={
            'points': [{
                'id': point_id,
                'vector': vector,
                'payload': {'content': content, 'user_id': user_id}
            }]
        }
    )
    print(f'ADDED: {point_id}')

def search_memory(query, limit=5):
    """搜索记忆"""
    query_vec = get_embedding(query)
    
    resp = requests.post(
        f'{QDRANT}/collections/{COLLECTION}/points/scroll',
        json={'limit': 100, 'with_vector': True}
    )
    
    results = []
    for p in resp.json()['result']['points']:
        if p.get('vector') and p.get('payload'):
            score = cosine_sim(query_vec, p['vector'])
            results.append((p['payload']['content'], score))
    
    results.sort(key=lambda x: x[1], reverse=True)
    
    for content, score in results[:limit]:
        print(f'- {content} (score: {score:.3f})')

def chat_with_memory(prompt):
    """基于记忆的对话"""
    query_vec = get_embedding(prompt)
    
    resp = requests.post(
        f'{QDRANT}/collections/{COLLECTION}/points/scroll',
        json={'limit': 100, 'with_vector': True}
    )
    
    memories = []
    for p in resp.json()['result']['points']:
        if p.get('vector') and p.get('payload'):
            score = cosine_sim(query_vec, p['vector'])
            if score > 0.7:
                memories.append((p['payload']['content'], score))
    
    memories.sort(key=lambda x: x[1], reverse=True)
    context = '\n'.join([m[0] for m in memories[:3]])
    
    # 调用 qwen3:4b
    resp = requests.post(
        f'{OLLAMA_66}/v1/chat/completions',
        json={
            'model': 'qwen3:4b',
            'messages': [{'role': 'user', 'content': f'相关记忆:\n{context}\n\n用户: {prompt}'}],
            'stream': False
        }
    )
    return resp.json()['choices'][0]['message']['content']

if __name__ == '__main__':
    cmd = sys.argv[1] if len(sys.argv) > 1 else 'search'
    
    if cmd == 'add':
        content = sys.argv[2] if len(sys.argv) > 2 else ''
        if content:
            add_memory(content)
        else:
            print('Usage: python3 simple_memory.py add "内容"')
    
    elif cmd == 'search':
        query = sys.argv[2] if len(sys.argv) > 2 else ''
        if query:
            search_memory(query)
        else:
            print('Usage: python3 simple_memory.py search "关键词"')
    
    elif cmd == 'chat':
        prompt = ' '.join(sys.argv[2:]) if len(sys.argv) > 2 else ''
        if prompt:
            print(chat_with_memory(prompt))
        else:
            print('Usage: python3 simple_memory.py chat "用户问题"')

4. OpenClaw 集成

4.1 配置文件位置

/root/.openclaw/openclaw.json

4.2 关键配置

{
  "models": {
    "providers": {
      "minimax": { ... },
      "deepseek": { ... },
      "ollama": {
        "baseUrl": "http://localhost:11434/v1",
        "apiKey": "ollama-local",
        "models": [
          {
            "id": "nomic-embed-text:latest",
            "name": "Nomic Embed"
          }
        ]
      }
    }
  },
  "agents": {
    "defaults": {
      "model": {
        "primary": "minimax/minimax-m2.1"
      },
      "memorySearch": {
        "provider": "openai",
        "remote": {
          "baseUrl": "http://localhost:11434/v1",
          "apiKey": "sk-local-ollama-fake-key"
        },
        "model": "nomic-embed-text:latest"
      }
    }
  }
}

4.3 工具集成 (可选)

将 simple_memory.py 添加为 OpenClaw 工具:

{
  "tools": {
    "custom": {
      "memory_add": {
        "command": "python3 /opt/mem0/simple_memory.py add",
        "args": ["content"]
      },
      "memory_search": {
        "command": "python3 /opt/mem0/simple_memory.py search", 
        "args": ["query"]
      }
    }
  }
}

5. 问题排查

5.1 常见问题

问题	原因	解决方案
向量维度不匹配	集合创建时维度错误	删除集合，重新创建 768 维
搜索无结果	没有设置 `with_vector`	添加 `with_vector: true`
Qdrant 无法连接	Docker 容器未运行	`docker ps` 检查，`docker start`
Ollama 连接超时	服务未启动	`ollama serve` 启动服务
payload 为空	存储时未包含 payload	确认 upsert 请求包含 payload

5.2 调试命令

# 1. 检查 Qdrant 服务
curl http://localhost:6333/health

# 2. 检查集合
curl http://localhost:6333/collections/mem0_memories

# 3. 查看所有记忆 (带向量)
curl http://localhost:6333/collections/mem0_memories/points/scroll \
  -H "Content-Type: application/json" \
  -d '{"limit":10,"with_vector":true}'

# 4. 测试嵌入
curl http://localhost:11434/v1/embeddings \
  -H "Content-Type: application/json" \
  -d '{"model":"nomic-embed-text:latest","input":"测试"}'

# 5. 检查 Docker 状态
docker ps | grep qdrant

5.3 重置集合

# 删除旧集合
curl -X DELETE http://localhost:6333/collections/mem0_memories

# 重建集合 (768维)
curl -X PUT http://localhost:6333/collections/mem0_memories \
  -H "Content-Type: application/json" \
  -d '{"vectors":{"size":768,"distance":"Cosine"}}'

6. 性能指标

6.1 当前状态

指标	值
记忆数量	3 条
向量维度	768
搜索相似度	0.6 - 0.9+
Qdrant 状态	green

6.2 资源占用

组件	内存	CPU
Qdrant	~100MB	低
Ollama (嵌入)	~300MB	低
192.168.0.66 qwen3:4b	~2.4GB	中

7. 未来优化

将 simple_memory.py 集成到 OpenClaw 工具
添加记忆自动过期机制
实现多用户记忆隔离
优化搜索算法 (使用 HNSW 索引)
添加记忆可视化界面

8. 参考资料

Qdrant 文档: https://qdrant.tech/documentation/
Ollama 文档: https://github.com/ollama/ollama
OpenAI 兼容 API: https://github.com/ollama/ollama/blob/main/docs/openai.md

文档版本: v1.0 (2026-02-09) 作者: 2号机 (守护者)

13 KiB Raw Blame History

青龙记忆系统配置文档

1. 系统架构

2. 组件配置

2.1 Qdrant 向量数据库

2.2 本地 Ollama 嵌入模型

2.3 远程 LLM (192.168.0.66)

3. 记忆系统工具

3.1 工具位置

3.2 simple_memory.py 功能

3.3 完整源代码

4. OpenClaw 集成

4.1 配置文件位置

4.2 关键配置

4.3 工具集成 (可选)

5. 问题排查

5.1 常见问题

5.2 调试命令

5.3 重置集合

6. 性能指标

6.1 当前状态

6.2 资源占用

7. 未来优化

8. 参考资料

13 KiB

Raw Blame History