能力标签

⚙️

Agent工作流

开源AI内存

基于 Python · 无代码搭建完整 AI 自动化流程

英文名：openclaw-mem

⭐ 28 Stars 🍴 4 Forks 💻 Python 📄 MIT 🏷 AI 7.5分

7.5AI 综合评分

ai-agentsai-memorycontext-engineeringllm

⬇ 下载源码 ZIP ⚙️ 配置说明

✦ AI Skill Hub 推荐

开源AI内存是 AI Skill Hub 本期精选Agent工作流之一。综合评分 7.5 分，整体质量较高。我们推荐使用将其纳入你的 AI 工具库，帮助提升工作效率。

📚 深度解析

开源AI内存是一套完整的 AI Agent 自动化工作流方案。随着 AI 能力的不断提升，基于 Agent 的自动化工作流正在成为提升个人和团队效率的核心方式。区别于传统的 RPA 自动化（模拟鼠标键盘操作），AI Agent 工作流通过理解任务意图、动态规划执行路径，能够处理更复杂的非结构化任务。

开源AI内存工作流的设计遵循"最小配置，最大复用"原则：核心逻辑已经封装好，用户只需配置自己的 API Key 和业务参数即可快速上手。工作流内置错误处理和重试机制，在网络波动或 API 限速等情况下仍能稳定运行，适合作为生产环境的自动化基础设施。

在实际部署时，建议先在测试环境中运行 3-5 次，验证各个环节的输出结果符合预期，再部署到生产环境。AI Skill Hub 评分 7.5 分，是同类 Agent 工作流中的精选推荐。

📋 工具概览

本地优先的AI内存管理，实现可审计的AI工作流

开源AI内存是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。

GitHub Stars

⭐ 28

开发语言

Python

支持平台

Windows / macOS / Linux

维护状态

轻量级项目，按需更新

开源协议

MIT

AI 综合评分

7.5 分

工具类型

Agent工作流

Forks

📖 中文文档

以下内容由 AI Skill Hub 根据项目信息自动整理，如需查看完整原始文档请访问底部「原始来源」。

本地优先的AI内存管理，实现可审计的AI工作流

📌 核心特色

可视化 Agent 工作流编排，无需编写复杂代码
支持多步骤自动化任务链，实现全流程无人值守
与外部 API、数据库和第三方服务无缝集成
内置错误处理与自动重试机制，保障稳定运行
提供可复用的自动化模板，快速在同类场景部署

🎯 主要使用场景

自动化日常重复性工作，将精力集中于创造性任务
构建数据采集 → 处理 → 输出的完整自动化管线
实现跨平台、跨系统的数据流转和业务协同

以下安装命令基于项目开发语言和类型自动生成，实际以官方 README 为准。

安装命令

# 方式一：pip 安装（推荐）
pip install openclaw-mem

# 方式二：虚拟环境安装（推荐生产环境）
python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate
pip install openclaw-mem

# 方式三：从源码安装（获取最新功能）
git clone https://github.com/phenomenoner/openclaw-mem
cd openclaw-mem
pip install -e .

# 验证安装
python -c "import openclaw_mem; print('安装成功')"

📋 安装步骤说明

访问 GitHub 仓库获取工作流文件
在对应平台（Dify / Flowise / Make 等）中找到「导入工作流」功能
上传工作流文件
按照提示配置必要的环境变量和 API Key
运行测试确认流程正常后投入使用

以下用法示例由 AI Skill Hub 整理，涵盖最常见的使用场景。

常用命令 / 代码示例

# 命令行使用
openclaw-mem --help

# 基本用法
openclaw-mem input_file -o output_file

# Python 代码中调用
import openclaw_mem

# 示例
result = openclaw_mem.process("input")
print(result)

以下配置示例基于典型使用场景生成，具体参数请参照官方文档调整。

配置示例

# openclaw-mem 配置文件示例（config.yml）
app:
  name: "openclaw-mem"
  debug: false
  log_level: "INFO"

# 运行时指定配置文件
openclaw-mem --config config.yml

# 或通过环境变量配置
export OPENCLAW_MEM_API_KEY="your-key"
export OPENCLAW_MEM_OUTPUT_DIR="./output"

📑 README 深度解析真实文档完整度 45/100 含工作流图查看 GitHub 原文 →

以下内容由系统直接从 GitHub README 解析整理，保留代码块、表格与列表结构。

openclaw-mem

The AI agent memory layer you can audit. Local-first memory governance for AI agents — every context item cited, every exclusion explained, every mutation reversible.

Most AI agent memory systems compete on recall — remember more, retrieve better. openclaw-mem competes on a different axis: governance. It captures agent activity as durable local records (SQLite + JSONL, no external database), then assembles bounded ContextPack bundles where every included memory carries a citation, every excluded memory carries a written reason, and every memory mutation ships with a rollback receipt.

Built sidecar-first for OpenClaw, usable with Claude, Codex, Gemini, and generic agent harnesses.

Not bigger memory — safer, explainable context.

---

Core features

Capability	What you get
Trust-aware packing	Quarantined/untrusted records are excluded by policy, with written reasons in the receipt — a defense-in-depth layer against memory poisoning
Citations everywhere	Every packed item traces back to its source record; citation coverage is measured
Trace receipts	Include/exclude decisions are structured JSON, not vibes — auditable after the fact
Rollback	Memory and skill mutations go through plan → checkpoint → apply → receipt → rollback
Hybrid recall	SQLite FTS + vector search, with scopes and auditable policies
Temporal facts	"What is currently true about X" — source-linked assertions, timelines, conflict/staleness lint
Graph query plane	`graph query` for upstream/downstream/lineage over a SQLite-derived graph
Local-first	JSONL + SQLite. No cloud service, no external vector DB required, data stays on your machine

Advanced opt-in labs (graph routing, GBrain sidecar, governed continuity, Dream Lite, Self Curator engine) stay out of the first evaluation path: Core vs Advanced Labs.

Quickstart paths

Time	Path	Where
5 min	pip CLI + synthetic proof	[Evaluator path](docs/evaluator-path.md)
30 min	Sidecar install, real capture, first governed pack	[Install modes](docs/install-modes.md)
Afternoon	OpenClaw plugin / mem-engine promotion, MCP/Channel A/hooks integration for Codex/Claude/Gemini	[MCP integration](docs/mcp-integration.md), [Channel A](docs/channel-a-file-contract.md), [Lifecycle hooks](docs/lifecycle-hooks.md)

How it compares

Honest framing: if you want maximum recall benchmarks, the projects below are excellent — and openclaw-mem is not trying to beat them at that game. It governs what enters your context window.

	Recall-focused memory layers<br/>(mem0, supermemory, mempalace, claude-mem, memory-lancedb-pro…)	`openclaw-mem`
Primary question	"Did the agent remember the right thing?"	"Should this memory be trusted — and can you prove why it's in the prompt?"
Inclusion logic	Similarity / relevance scores (opaque)	Explicit receipts with include & exclude reasons
Untrusted content	Retrieves whenever it matches	Quarantined by trust policy; exclusion documented
Mistake recovery	Delete and hope	Checkpointed mutations with rollback receipts
Storage default	Vector DB, often cloud	SQLite + JSONL, local-first
Best at	Recall quality, token savings	Auditability, safety, explainability

They are complementary: openclaw-mem already pushes bounded metadata to LanceDB via its writeback loop, and the long-term direction is governance-as-a-layer over whatever recall engine you prefer.