别再无节制地烧 Token 了：OpenClaw 记忆插件 PowerMem 安装与配置指南

1. 为什么你的 OpenClaw 越用越贵如果你用 OpenClaw 超过两周大概率会有一种感觉刚开始挺省的怎么越到后面每轮对话越贵明明只是问一句「今天有什么任务」账单却像在跑一个长文档分析任务。问题不在你在 OpenClaw 默认的记忆机制。它把整份MEMORY.md每轮都塞进system_prompt只做加载、不做检索。也就是说你过去几个月积累的诊断规范、使用统计、零散笔记、定时任务配置全部会跟着你每一句话一起进上下文。你问的是钥匙在哪它把整个仓库搬了出来。这个成本是可以量化的。假设MEMORY.md已经涨到 50KB大约 15000 tokens这就是每轮的固定基线。你问「今天有没有要跑的定时任务」默认方案是 15000 tokens 的整份记忆 模型再调memory_search拉约 1500 tokens 的片段合计约 16500 tokens/轮其中跟定时任务真正相关的可能不到 200 tokens。PowerMem 记忆插件要解决的就是这件事。它把 OpenClaw 的记忆机制从「整份加载」换成「按需检索 智能抽取」会话开始前用你的第一条消息做语义检索只把 Top-K 条相关记忆注入上下文会话结束后把本轮对话交给 PowerMem由 LLM 抽取事实、去重合并后落库。装完之后同等任务下 Token 消耗可以降到默认方案的 18% 左右。这篇就带你从零走一遍装 PowerMem、配config.toml和settings.json骨架、验证记忆读写真的生效、再观察 Token 用量的变化。适合已经在用 OpenClaw、被 Token 账单教育过的同学也适合刚准备给 Agent 加长期记忆的人。2. 装 PowerMem 之前先把 TaoToken 准备好PowerMem 本身是个 Python 服务它需要两样外部能力一个 LLM 用来做记忆抽取一个 Embedding 模型用来做向量检索。这两个都要调 API所以你得先有一个稳定、能同时供 LLM 和 Embedding 使用的 Key。我这边一直用 TaoToken 来统一管理这类调用。它的好处是一个 Key 就能覆盖对话模型和向量模型不用在好几个平台之间来回切换配置.env的时候也少踩几个「这个 Key 到底能不能调 embedding」的坑。具体操作路径是这样先去官网注册并登录地址是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。登录之后进控制台在 API Keys 页面创建一个新 Key复制出来先存好后面写进.env用。创建 Key 的直达入口https://taotoken.net/console/api-keys?utm_sourcetaotoken_aicg_blog_endutm_campaignrewriteutm_contentapi_keys如果你还没想好模型怎么选可以先在模型对话页面里试一下确认某个模型能正常返回再把它写进配置https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_campaignrewriteutm_contentmodel_chat接口地址统一用 https://taotoken.net/api 注意这个地址后面不加任何 UTM 参数直接填进BASE_URL就行。文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_campaignrewriteutm_contentdoc 遇到参数不确定的时候翻一下比瞎试快。提示PowerMem 的 LLM 和 Embedding 可以指向同一个服务也可以分开。用 TaoToken 的话两者共用同一个 Key 和同一个BASE_URL配置量最小。3. 可复制的安装与配置骨架这一节是全文的核心跟着敲完就能跑起来。整体分四步装 Python 依赖、写 PowerMem 的.env、装 OpenClaw 插件、改openclaw.json。3.1 环境检查与 PowerMem 安装先确认 Python 版本PowerMem 要求 3.10 及以上python3 --version如果输出是 3.9 或更低先升级。可以用一条命令做硬性校验不通过会直接报错退出python3 -c import sys; assert sys.version_info (3, 10), 需要 Python 3.10 或更高; print(sys.version.split()[0], OK)确认 OpenClaw 本身可用openclaw --version然后建虚拟环境装 PowerMem。建议装在~/.openclaw/powermem下跟 OpenClaw 的配置放一起后面路径好写mkdir -p ~/.openclaw/powermem python3 -m venv ~/.openclaw/powermem/.venv source ~/.openclaw/powermem/.venv/bin/activate pip install powermem装完验证一下pmem --version能打印出版本号就说明 Python 侧没问题了。3.2 写 PowerMem 的 .env在~/.openclaw/powermem下新建.env把 LLM 和 Embedding 都指向 TaoTokencd ~/.openclaw/powermem cat .env EOF TIMEZONEAsia/Shanghai LLM_PROVIDERopenai LLM_API_KEY你的_TaoToken_Key LLM_MODEL你选定的对话模型 OPENAI_LLM_BASE_URLhttps://taotoken.net/api EMBEDDING_PROVIDERopenai EMBEDDING_API_KEY你的_TaoToken_Key EMBEDDING_MODEL你选定的向量模型 EMBEDDING_DIMS1536 OPENAI_EMBEDDING_BASE_URLhttps://taotoken.net/api EOF这里有几个点必须说清楚不然很容易卡住。EMBEDDING_DIMS必须和向量模型的实际输出维度一致。填错了不会在启动时报错而是在检索时返回空结果或者报维度不匹配非常隐蔽。如果你不确定模型的维度先查文档确认再填。LLM_PROVIDER和EMBEDDING_PROVIDER都填openai是因为 TaoToken 提供的是 OpenAI 兼容接口走/v1/chat/completions和/v1/embeddings这套标准路径。只要服务兼容这个协议就能用openai作为 Provider 加自定义BASE_URL接入。启动 PowerMem 服务source ~/.openclaw/powermem/.venv/bin/activate powermem-server --host 0.0.0.0 --port 8000另开一个终端验证服务活着curl -s http://localhost:8000/api/v1/system/health返回 JSON 就对了。3.3 安装 memory-powermem 插件openclaw plugins install memory-powermem openclaw plugins list在列表里确认memory-powermem存在。3.4 配置 openclaw.json插件装完自带一份默认配置如果你的 PowerMem 就跑在本机 8000 端口理论上可以跳过。但为了让你清楚每个字段在干什么这里给一份完整的~/.openclaw/openclaw.json骨架{ plugins: { slots: { memory: memory-powermem }, entries: { memory-powermem: { enabled: true, config: { mode: http, baseUrl: http://localhost:8000, autoCapture: true, autoRecall: true, inferOnAdd: true, userId: openclaw-user, agentId: openclaw-agent } } } } }关键字段的含义slots.memory决定用哪个记忆实现填memory-powermem就是切到插件改回memory-core就回到默认零侵入可逆。mode选http表示通过 HTTP 连 PowerMem 服务如果你不想常驻一个服务进程可以改成cli让插件直接调本机的pmem可执行文件这时要额外配envFile和pmemPath。autoRecall控制会话前是否按首条消息注入相关记忆autoCapture控制会话后是否自动抽取写入。两个都默认true形成闭环。如果你只想手动用memory_store/memory_recall工具把这两个设成false即可。inferOnAdd决定写入时是否走 LLM 智能抽取。开着它存进去的是提炼过的事实单元关掉就是原样写入。userId和agentId用于多用户、多 Agent 隔离。同一个 PowerMem 实例可以服务多个 Agent靠这两个字段分命名空间。改完重启 gatewayopenclaw gateway restart4. 验证记忆读写真的生效配置写完不代表链路通了必须实测一遍。分三层验证插件健康、写入检索、Token 变化。4.1 插件健康检查openclaw ltm health无报错就说明插件和 PowerMem 服务已经连通。如果这里报连不上先回去确认curl http://localhost:8000/api/v1/system/health能不能返回 JSON。4.2 写入与检索测试openclaw ltm add 我的项目代号是 bluebird部署在测试环境 openclaw ltm search 项目代号如果检索能返回刚写入的那条内容说明完整链路 PowerMem → 插件 → OpenClaw 已经通了。这一步是整个安装里最关键的验证点过了就基本稳了。你也可以在 PowerMem 的 Dashboard 里用 Web 界面看http://localhost:8000/dashboard/ 。能浏览、筛选、统计所有记忆看到系统记住了什么、什么时候记的、被检索过几次。记忆不再是黑盒。4.3 观察 Token 用量变化验证省 Token 最直接的办法是找一个你常问的问题分别在切换前后各跑一次对比输入 Token 数。切换前默认 memory-core问一句「今天有没有要跑的定时任务」看日志里的输入 Token大概率在 15000 以上因为整份MEMORY.md都进去了。切换后memory-powermem同样的问题autoRecall会用这句话做语义检索只返回跟定时任务和今天相关的精炼记忆输入 Token 通常能压到几百到一千出头。我实测下来在MEMORY.md积累到 50KB 左右的情况下单轮记忆相关的输入 Token 从约 16500 降到约 650降幅超过 90%。按每天 50 轮、输入单价 2 美元/1M tokens 粗算一个月光记忆部分就能省下几十美元。Agent 越多、MEMORY.md越长、调用越频繁这个差距越明显。注意第一次切换后autoCapture需要几轮对话才会把新事实逐步落库所以刚切完的那一两轮检索结果可能偏少属于正常现象多聊几轮就稳定了。5. 本篇常见错误排查装的过程中最容易卡在下面几个地方对照着查。openclaw ltm health连不上。九成是 PowerMem 服务没起来。先curl http://localhost:8000/api/v1/system/health没返回 JSON 就回去重启powermem-server。如果服务在别的机器或端口检查openclaw.json里的baseUrl是否写对。插件不在列表里。执行openclaw plugins list看不到memory-powermem说明安装没成功。重新跑openclaw plugins install memory-powermem或者用openclaw plugins doctor看加载和配置有没有报错。记忆写进去了但检索不到。这是最隐蔽的一类。先查.env里的 Embedding 配置API Key 对不对、模型名对不对、EMBEDDING_DIMS跟模型实际维度是否一致。维度填错不会在启动时报错只在检索时静默失败。另外确认EMBEDDING_BASE_URL指向的是 https://taotoken.net/api 路径别多写或少写。启动时报 Provider 相关错误。检查LLM_PROVIDER和EMBEDDING_PROVIDER是否都填了openai以及对应的OPENAI_LLM_BASE_URL、OPENAI_EMBEDDING_BASE_URL是否都指向了正确地址。两个 Provider 的 BASE_URL 是分开的别只配了一个。想切回默认记忆。把openclaw.json里slots.memory改回memory-core重启 gateway 即可。原来的MEMORY.md和memory/*.md完全不受影响插件不修改也不删除这些文件。多 Agent 共用实例时记忆串了。检查每个 Agent 的userId和agentId是否配了不同的值。相同值就会共享同一个命名空间看起来像记忆串了。排查顺序建议固定成服务健康 → 插件列表 → 插件健康 → 写入检索 → Embedding 配置。按这个顺序走基本不会绕远路。6. 接下来怎么用得更顺装完之后日常使用其实不用改任何习惯你还是照常跟 OpenClaw 对话插件在背后接管记忆读写。真正值得花时间的是把配置调成适合你工作流的形态。如果你主要做长期编码或者跑 Agent 任务建议把autoRecall和autoCapture都保持开启让记忆自动积累和召回你几乎不用管。如果你更想手动控制记忆的进出把两个 auto 关掉改用memory_store、memory_recall、memory_forget三个工具显式操作适合对记忆内容有合规要求的场景。模型和 Key 的管理上我建议统一走 TaoToken一个 Key 覆盖 LLM 和 Embedding配置简单换模型时只改.env里的模型名不用动其他地方。长期跑编码和 Agent 任务的话可以看一下 Coding Plan额度规划上更省心https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_campaignrewriteutm_contentcoding_plan接入过程中如果遇到报错优先翻接入文档大部分参数问题那里都有说明https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_campaignrewriteutm_contentdoc最后提醒一句EMBEDDING_DIMS这个值装的时候多花两分钟确认能省掉后面半小时的排查。这是我在整个流程里见过最多人栽跟头的地方。