1. 长对话里 Memory Search 为什么突然“失忆”
OpenClaw 的 Memory Search 是一套把历史对话向量化、再按语义相似度召回的记忆检索机制，适合长期跑 Agent、跨天聊项目、需要 AI 记住偏好和决策的人。它解决的问题很具体：上下文窗口写满后旧消息被压缩成摘要，等你三天后再提“上次那个接口怎么配的”，没有向量检索的 AI 只能干瞪眼。而向量检索能不能稳定召回，取决于 embedding 向量模型配得对不对、检索参数调得顺不顺。
我自己的场景是这样的：一个跑在本地小主机上的 OpenClaw Agent，白天处理代码问答，晚上整理笔记，一周下来memory/目录攒了十几个日期文件。刚开始用默认配置，问它“上周说的那个超时参数是多少”，它经常答非所问，甚至返回空结果。排查后发现两个坑：一是 embedding 服务地址写成了localhost，但 Agent 跑在容器里，根本连不到宿主机的 Ollama；二是maxHistoryShare设得太高，历史消息压到 85% 才触发压缩，导致检索时向量库里的片段又碎又旧。
长对话优化的核心矛盾在于：压缩要狠，才能腾出 token 空间；但压缩太狠，原始语义被摘要抹平，向量检索就找不到细节。所以配置要分两层看——embedding 模型决定“能不能找到”，压缩和检索参数决定“找得准不准”。这篇就按这个思路，把 settings 里跟向量模型、检索通道相关的字段逐个拆开，给出可复制的配置片段，再走一遍验证请求，最后把几个高频报错对照着排掉。
需要先明确一点：Memory Search 的 embedding 请求走的是 OpenAI 兼容格式，所以任何提供/v1/embeddings端点的服务都能接。TaoToken 的统一 Key/API 通道正好符合这个格式，把baseUrl指过去、apiKey换成 TaoToken 的 Key，就能让 embedding 请求和对话请求共用一套凭证，省去本地维护多个服务地址的麻烦。下面从环境准备开始。
2. TaoToken 前置：统一 Key 与 API 通道准备
在改 settings 之前，先把 TaoToken 这边的凭证和端点确认好。这一步不复杂，但顺序别搞反——先拿到 Key，再改配置，否则 OpenClaw 启动时校验不过会直接报 401。
TaoToken 的 API 端点固定为https://taotoken.net/api，注意这里不带任何查询参数，配置里填的就是这个裸地址。Key 的获取在控制台的 API Keys 页面，登录后新建一个，复制出来形如sk-开头的一串。这个 Key 同时能用于对话模型和 embedding 模型，前提是你选的 embedding 模型在 TaoToken 的模型列表里可用。
模型 ID 这块要特别留意。OpenClaw 的memorySearch.model字段填的是模型标识，不是随便写个名字就行。如果你打算用云端 embedding，常见的选择是text-embedding-3-small这类 OpenAI 兼容模型；如果走本地 Ollama，就填nomic-embed-text:v1.5。两者的区别在于：云端模型不用本机常驻服务，但每次检索都要发网络请求；本地模型数据不出机器，但需要 Ollama 进程一直活着。
我建议先把三件套对齐再动手：
| 配置项 | 填写内容 | 说明 |
|---|---|---|
| Base URL | https://taotoken.net/api | 不带 UTM，不带尾部斜杠 |
| API Key | 控制台新建的sk-Key | 对话和 embedding 共用 |
| Model ID | text-embedding-3-small或本地模型名 | 必须与通道支持的模型一致 |
如果你还没建 Key，可以直接去 API Keys 页面 新建一个。建好后先别急着写进 OpenClaw，用一条 curl 验证通道是否通，能省掉后面很多来回。
curl https://taotoken.net/api/v1/embeddings \ -H "Authorization: Bearer sk-你的Key" \ -H "Content-Type: application/json" \ -d '{ "model": "text-embedding-3-small", "input": "测试 embedding 通道" }'返回里如果能看到data[0].embedding数组，说明通道没问题。如果返回 401，检查 Key 有没有复制全、有没有多余空格；如果返回 404，多半是模型 ID 写错了，去模型列表核对一下。这一步过了，再进 OpenClaw 的 settings 改配置，成功率会高很多。
另外提一句，TaoToken 的 接入文档 里有各语言 SDK 的示例，如果你后面想自己写脚本批量重建索引，可以参考里面的请求格式。现在先把 OpenClaw 跑通。
3. 可复制 settings 配置：向量模型与检索参数指向 TaoToken
OpenClaw 的主配置文件在~/.openclaw/openclaw.json，Memory Search 相关字段挂在agents.defaults.memorySearch下面。下面这份是我实测能跑通的片段，你可以直接复制后改 Key 和模型名。
{ "agents": { "defaults": { "workspace": "/home/tht/.openclaw/workspace", "memorySearch": { "provider": "openai", "model": "text-embedding-3-small", "remote": { "apiKey": "sk-你的TaoTokenKey", "baseUrl": "https://taotoken.net/api" } }, "compaction": { "mode": "default", "reserveTokens": 4096, "keepRecentTokens": 2000, "maxHistoryShare": 0.7, "notifyUser": true, "identifierPolicy": "strict", "memoryFlush": { "enabled": true } }, "sessionMaintenance": { "mode": "enforce", "pruneAfter": "30d", "maxEntries": 500 }, "sessionReset": { "mode": "daily", "atHour": 4 }, "sessionIsolation": { "dmScope": "per-channel-peer" } } } }逐字段说一下为什么这么填。provider固定openai，因为 TaoToken 走的是 OpenAI 兼容协议，这个值决定 OpenClaw 用哪种请求体格式。model填text-embedding-3-small，这是通道支持的 embedding 模型，换成text-embedding-3-large也可以，但向量维度更高、检索更慢，长对话场景下 small 够用。remote.apiKey就是上一步拿到的 TaoToken Key，remote.baseUrl填https://taotoken.net/api，注意不要写成https://taotoken.net/api/v1，OpenClaw 内部会自己拼/v1/embeddings，多写一层会变成/v1/v1/embeddings直接 404。
压缩参数里，maxHistoryShare: 0.7是关键。它表示历史消息占到上下文窗口 70% 时触发压缩。设太低（比如 0.5）会导致频繁压缩，向量库里全是摘要碎片；设太高（比如 0.9）则压缩前检索窗口已经很挤，召回质量下降。0.7 是我试下来比较平衡的值。memoryFlush.enabled: true一定要开，它保证压缩前把原始对话写进memory/目录，万一检索不到还能翻原始文件。
如果你更想用本地 Ollama 跑 embedding，把memorySearch换成下面这段：
{ "memorySearch": { "provider": "openai", "model": "nomic-embed-text:v1.5", "remote": { "apiKey": "ollama", "baseUrl": "http://192.168.1.20:11434/v1" } } }这里apiKey填ollama是占位，Ollama 不校验真实 Key。baseUrl要填 Ollama 所在机器的实际 IP，别写localhost——如果你的 OpenClaw 跑在 Docker 或另一台机器上，localhost指向的是容器自己，连不到宿主机。这个坑我踩过，报错是connection refused，排查了半天才发现是地址问题。
改完配置后重启 Gateway：
openclaw gateway restart openclaw gateway statusstatus显示 running 之后，用openclaw config get agents.defaults.memorySearch确认配置项已加载。如果这里读出来还是旧值，说明配置文件路径不对，检查一下是不是改到了别的 agent 的配置。
4. 验证请求与成功结果：Memory Search 检索实测
配置加载只是第一步，真正要验证的是检索能不能召回。OpenClaw 提供了memory_search命令，可以直接在会话里调用，也可以走 CLI。
先造点历史数据。在会话里发几条带明确关键词的消息，比如“我的项目超时参数设成 30 秒”“数据库连接池大小是 20”，然后等压缩触发或手动执行/compact，让这些内容进入memory/目录。接着用检索命令查：
memory_search "超时参数"成功的话会返回类似这样的结构：
{ "results": [ { "content": "我的项目超时参数设成 30 秒", "score": 0.87, "source": "memory/2026-04-18.md" } ] }score是余弦相似度，0.8 以上说明召回质量不错。如果返回空数组，先别怀疑配置，按下面顺序查：embedding 通道是否通、memory/目录有没有文件、检索关键词是不是太偏。
也可以直接测 embedding 端点，确认 OpenClaw 发出的请求能到达 TaoToken：
curl https://taotoken.net/api/v1/embeddings \ -H "Authorization: Bearer sk-你的TaoTokenKey" \ -H "Content-Type: application/json" \ -d '{ "model": "text-embedding-3-small", "input": "OpenClaw Memory Search 验证" }'返回data[0].embedding长度 1536（small 模型的维度），就说明通道和模型都对。这一步和 OpenClaw 内部调用走的是同一个端点，能通就代表配置没问题。
再验证一下长对话场景。连续发十几条消息把上下文撑到 70% 以上，观察日志里有没有压缩记录：
tail -f /tmp/openclaw/openclaw-$(date +%Y-%m-%d).log | grep -i "compact\|memory"看到compaction triggered和memory flush completed就说明压缩和落盘都正常。压缩完再执行一次memory_search，如果还能召回压缩前的内容，说明向量索引没丢。这一步是长对话优化的关键验证点——很多人配置完只测了短对话，一上长对话就发现召回失效，问题往往出在压缩时没落盘或索引没重建。
如果换了 embedding 模型，记得清空旧向量重新索引，否则新旧向量维度不一致会直接报错。清空方式一般是删掉向量存储目录，具体路径看你的 workspace 配置，通常在~/.openclaw/workspace/下面。
5. 本篇常见错排查：401、local proxy failed 与空结果
配置过程中最容易撞上的几个报错，我按实际遇到的频率排一下，每个都给对照的排查路径。
401 Unauthorized。这个最直接，Key 不对或没带上。检查remote.apiKey是不是完整的sk-串，有没有被 JSON 转义弄丢字符。还有一种情况是 Key 复制时带了尾部空格，肉眼看不出来，用openclaw config get agents.defaults.memorySearch.remote.apiKey | cat -A看一下行尾有没有$之外的符号。如果是 TaoToken 的 Key，确认它在控制台里是启用状态，没被禁用或删除。
local proxy failed / connection refused。这个报错基本都出在baseUrl上。如果你填的是http://localhost:11434/v1但 OpenClaw 跑在容器里，容器内的 localhost 不是宿主机。解决办法是把localhost换成宿主机在容器网络里的 IP，或者用host.docker.internal（macOS/Windows 的 Docker Desktop 支持）。如果是远程 Ollama，确认防火墙放行了 11434 端口，用telnet 192.168.1.20 11434测一下连通性。
reading choices 相关报错。这个通常出现在响应体解析阶段，说明请求发出去了但返回格式不对。常见原因是baseUrl多写了/v1，导致实际请求打到https://taotoken.net/api/v1/v1/embeddings，服务端返回 404 页面而不是 JSON，OpenClaw 解析choices字段时就炸了。把baseUrl改回https://taotoken.net/api即可。另一个可能是模型 ID 写错，服务端返回错误对象，同样解析失败。
OAuth 相关报错。如果你之前配过需要 OAuth 的通道，残留的 token 刷新逻辑可能干扰 embedding 请求。检查配置文件里有没有旧的oauth字段，有的话删掉。OpenClaw 的 embedding 走的是静态 Key，不需要 OAuth 流程。
检索返回空结果但通道正常。按这个顺序查：memory/目录下有没有.md文件，没有的话说明压缩没触发或memoryFlush没开；有文件但检索不到，检查关键词是不是跟原文差太远，embedding 是语义匹配不是关键词匹配，但太偏的表述也会掉分；换了模型没重建索引，旧向量维度对不上，检索直接跳过。
CC Switch / Cline MCP / Codex auth.json 场景。如果你是在这些工具里配 OpenClaw 的 embedding 通道，三件套要写全：Base URL 填https://taotoken.net/api，Key 填 TaoToken 的sk-串，Model ID 填text-embedding-3-small。少任何一个都会在启动时报配置不完整。Codex 的auth.json里对应字段是api_base和api_key，别填错键名。
排障时养成看日志的习惯，/tmp/openclaw/openclaw-日期.log里会打印完整的请求 URL 和响应状态码，比猜快得多。
6. 语义一致 CTA：把通道固定下来再调参数
配置跑通之后，建议先把 embedding 通道固定成 TaoToken 这一套，再去微调maxHistoryShare和pruneAfter。原因是通道一变，向量空间就变了，之前调好的检索阈值全部作废。我自己的做法是：先用text-embedding-3-small跑一周，观察日志里的召回 score 分布，如果普遍在 0.75 以下，再把maxHistoryShare从 0.7 降到 0.65，让压缩更早触发、保留更多完整片段。
如果你后面要长期跑编码类 Agent，或者想让 Memory Search 跟对话模型共用一套配额，可以看下 Coding Plan，把 embedding 和对话请求都归到同一个通道下管理。想先单独验证模型召回效果，用 模型对话 页面发几条测试消息，确认通道稳定后再写进 OpenClaw 配置。
最后留一个实用习惯：每次改完memorySearch相关字段，先跑一遍memory_search "最近一次配置变更"，能召回就说明索引没坏。这个动作花不了十秒，但能帮你避开“改了配置忘了重建索引”这个最常见的坑。
