oG-Memory：基于 openGauss 的原生向量记忆引擎，为 Claude Code 与 OpenClaw 赋能长周期记忆能力

2026年，AI智能体正从“单任务响应”迈向“认知持续进化”。然而，原生记忆系统在语义连贯性、资源效率、跨会话衔接等方面仍存在明显短板。

oG-Memory，作为基于 openGauss 构建的原生向量记忆引擎，已成功适配 Claude Code 与 OpenClaw 框架，为智能体提供稳定、高效、低延迟的记忆存储与检索能力，助力复杂任务自动化落地。

AI Agent 的“记忆困境”
 

当前主流 AI Agent 框架（如 OpenClaw）虽具备强大执行能力，但其原生记忆系统存在三大核心痛点：

结论：没有“持久化”与“可检索”的记忆能力，Agentic AI 就无法实现“认知持续进化”。

oG-Memory 是什么？——基于 openGauss 的原生向量记忆引擎

oG-Memory 是一个基于 openGauss 向量数据库与全文索引能力的外部独立组件，通过接入 openGauss 实现向量索引与 BM25 全文索引能力，对外提供以下核心能力：

核心定位：
为AI Agent 框架，提供“长周期、高连贯性、低资源消耗、易扩展”的语义记忆能力底座。

oG-Memory 的核心技术能力

1. 内置向量类型与混合索引，无需额外扩展

• 内置 IVFFlat 与 HNSW 向量索引，支持高并发、低延迟向量检索；
• 无需安装额外扩展模块，开箱即用。

2. 向量 + 全文混合检索，重排提升召回质量

• 支持 向量相似度搜索（语义理解）与 BM25 全文检索（关键词匹配）的联合检索；
• 采用 RRF（Reciprocal Rank Fusion） 算法对结果进行重排序，避免单一检索模式的偏见，显著提升召回准确率。

3. Markdown 文档按标题结构分块，保留层级语义

• 支持将 Markdown 文档按标题层级（如 #, ##, ###）进行自动分块；
• 每个语义块独立建立向量索引，支持“精准定位 + 上下文补全”的双重检索模式；
• 保留原始文档结构信息，避免语义断裂。

4. 基于嵌入模型的语义搜索，实现“理解上下文”的记忆调用

• 支持接入主流嵌入模型（如 text2vec、bge、m3e 等），将用户输入与记忆内容统一映射到语义空间；
• 实现“语义级匹配”而非“关键词匹配”，真正理解用户意图，提升记忆调用准确性。

与 Claude Code & OpenClaw 的深度集成

oG-Memory 已成功适配 Claude Code 与 OpenClaw 框架，作为其可插拔的记忆后端，无缝集成于智能体工作流中。

与 OpenClaw 集成：补齐框架记忆短板

• 作为 OpenClaw 的 “记忆插件”，可增强其原生记忆系统；
• 支持在多轮任务中自动保留与调用历史记忆，实现“跨会话记忆连贯性”；
• 通过向量+全文混合检索，显著提升记忆调用准确率。

与 Claude Code 集成：构建 AI 工程师的记忆中枢

• 在多轮编程对话中，自动对代码注释、项目文档、接口说明等内容进行语义分块与索引；
• 支持“跨日项目重构”：开发者隔日继续开发，系统可自动调取历史记忆，确保代码风格与架构一致性。

部署方式与开源社区

部署方式

• 开源安装
• 支持基于 openGauss 的标准安装流程； 适用于 K8s、Docker、本地服务器等多种部署环境。 完整安装指引：

https://gitcode.com/opengauss/oG-Memory/tree/prototype-poc

立即加入社区：

• 项目开源仓库：https://gitcode.com/opengauss/oG-Memory/tree/prototype-poc

结语：让记忆，成为智能体的“第二大脑”
 

oG-Memory，是 openGauss 向量数据库能力的“语义记忆延伸层”，它不追求“万能”，而是专注于“持久、连贯、高效”的记忆能力构建。

它正以“国产化、高性能、低成本”为核心优势，为 Claude Code、OpenClaw 等主流 Agentic AI 框架，提供稳定、可靠、可扩展的记忆底座。