记忆与 MCP 🟡

记忆（Memory）让 AI 拥有跨会话的长期记忆。MCP（Model Context Protocol）让 AI 接入外部系统。本章讲解这两个强大机制的实现原理。

本章目标

读完本章你将能够：

• 理解 Memory 插件的工作原理（存储、检索、遗忘）
• 了解 OpenClaw 中 MCP 的三种集成方式（mcporter/embedded-pi/http）
• 理解 MCP 工具如何被注册为 Agent 可调用的工具

一、Memory 系统

Memory 是什么？

Memory（记忆）是一种 Capability 插件，为 Agent 提供两个工具：

• memory_create(content) — 将信息写入长期记忆
• memory_search(query) — 从长期记忆中检索相关信息

每次 Bootstrap 时，Memory 插件自动检索与当前对话相关的记忆，注入到 System Prompt 中。

Memory 流程

flowchart TB
    subgraph WRITE ["写入路径"]
        AI_WRITE["AI 决定调用 memory_create()\n'用户喜欢简洁的英文回复'"]
        STORE["写入 Memory Store\n（向量数据库 + SQLite）"]
    end

    subgraph READ ["读取路径（每次 Bootstrap）"]
        QUERY["memory_search(当前对话摘要)"]
        VECTOR["向量相似度搜索"]
        INJECT["相关记忆注入 System Prompt"]
    end

    AI_WRITE --> STORE
    QUERY --> VECTOR --> INJECT

Memory 存储实现

Memory 的存储层有两种实现：

1. 本地向量存储（memory-core 插件）

// 使用 SQLite + 向量扩展
// 每条记忆存储为：
type MemoryEntry = {
  id: string;           // UUID
  content: string;      // 记忆内容
  embedding: Float32Array; // 向量嵌入（通过 LLM API 生成）
  tags: string[];       // 标签（agentId、sessionKey 等）
  createdAt: Date;
  accessedAt: Date;
};

2. 外部记忆服务（memory-mcp 插件）

通过 MCP 协议连接外部记忆服务（如 mem0、自定义记忆服务器）：

# config.yaml
plugins:
  - id: memory-mcp
    mcp:
      command: npx
      args: ['-y', '@mem0/mcp-server']

二、MCP 集成

MCP（Model Context Protocol，模型上下文协议）是 Anthropic 发布的开放协议，允许 AI 模型通过标准化接口访问外部工具和数据源。

MCP 三种集成方式

OpenClaw 支持三种方式集成 MCP Server：

flowchart LR
    subgraph MODES["MCP 集成方式"]
        M1["方式 1：mcporter 插件\n（子进程 MCP Server）"]
        M2["方式 2：embedded-pi-mcp\n（内嵌 MCP，无需外部进程）"]
        M3["方式 3：http-mcp\n（远程 HTTP MCP Server）"]
    end
    AGENT["Agent 工具调用"]
    AGENT --> M1
    AGENT --> M2
    AGENT --> M3

方式 1：mcporter 插件（最常用）

通过 mcporter 插件启动子进程型 MCP Server：

# config.yaml
plugins:
  - id: mcporter
    mcpServers:
      filesystem:
        command: npx
        args: ['-y', '@modelcontextprotocol/server-filesystem', '/workspace']
        
      github:
        command: npx
        args: ['-y', '@modelcontextprotocol/server-github']
        env:
          GITHUB_TOKEN: "${env:GITHUB_TOKEN}"
          
      postgres:
        command: npx
        args: ['-y', '@modelcontextprotocol/server-postgres', 'postgresql://localhost/mydb']

方式 2：内嵌 MCP（embedded-pi-mcp.ts）

某些工具直接嵌入 OpenClaw 进程中，无需启动外部进程。例如 pi-lsp（LSP 语言服务器集成）：

// agents/embedded-pi-mcp.ts
// 直接在同一进程中运行的 MCP Server
  const server = new McpServer({ /* ... */ });
  // 注册内嵌工具
  server.tool('list_definitions', listDefinitionsHandler);
  return server;
}

方式 3：HTTP MCP（mcp-http.ts）

连接远程 HTTP MCP Server：

# config.yaml
plugins:
  - id: http-mcp
    servers:
      - name: my-api
        url: 'https://mcp.example.com/api'
        headers:
          Authorization: "Bearer ${env:MCP_TOKEN}"

MCP 工具注册

MCP Server 启动后，mcporter 插件：

1. 调用 tools/list 获取 MCP Server 的工具列表
2. 将每个 MCP 工具包装为 OpenClaw 工具格式（含 JSON Schema）
3. 通过 api.tools.register() 注册到工具系统
4. Agent 即可像调用普通工具一样调用 MCP 工具

三、MCP Bundle 模式

cli-runner.bundle-mcp.e2e.test.ts 揭示了一个特殊的 Bundle MCP 模式：

在 OpenClaw 中，整个 CLI Runner（Claude Code）本身可以作为一个 MCP Server 暴露给外部系统。这意味着可以用另一个 AI 应用（如自定义 Claude Desktop 配置）通过 MCP 协议调用 OpenClaw 的 Agent 能力。

关键源码索引

小结

1. Memory 插件提供跨会话记忆：memory_create 写入，memory_search 检索，Bootstrap 时自动注入相关记忆。
2. MCP 三种集成方式：子进程（mcporter）、内嵌（embedded-pi-mcp）、远程 HTTP，覆盖不同场景需求。
3. MCP 工具透明整合：MCP Server 的工具自动注册为 Agent 可调用工具，使用体验与内置工具一致。
4. Bundle MCP：OpenClaw 自身也可以作为 MCP Server 暴露，支持多层 AI 系统嵌套。

← 渠道集成模式 | → 安全模型