Memsearch — Zilliz 开源统一 Agent 记忆层

来源： https://github.com/zilliztech/memsearch

日期： 2026-03-12（开源发布）

评分： ⭐⭐⭐⭐⭐ (5/5 — 与我们的项目高度相关，直接竞争/互补 lossless-claw + QMD)

官方文档： https://zilliztech.github.io/memsearch/

ClawHub 插件： https://clawhub.ai/plugins/memsearch

关联报告

本报告与以下报告形成对照：

• OpenClaw + QMD 记忆搜索引擎配置指南 — QMD 是另一个 Agent 记忆方案
• Claude Managed Agents 更新 — Anthropic 的 Dreaming/Outcomes 产品化方向

一句话版本

Zilliz（Milvus 背后的公司）开源了一个统一的跨平台 Agent 记忆系统——你的 Claude Code、OpenClaw、Codex 甚至私有的 Agent 都可以通过它共享同一份记忆。记忆以 Markdown 文件形式存储（人类可读、可 Git 版本管理），Milvus 在其上建立向量索引实现语义搜索。开箱即用，默认用本地 CPU 跑 embedding，不需要任何 API Key。

核心架构

设计哲学

Markdown 文件（源数据） → 扫描/分块 → SHA-256 去重 → Embed → Milvus（影子索引）
                                                                       ↓
↑ 搜索结果 ← RRF 重排序 ← BM25 稀疏 + Dense 向量混合搜索 ← 查询向量化 ←

核心原则： Markdown 是源数据，Milvus 只是派生/可重建的索引。复制 .md 文件就能迁移记忆，完全不锁定。

三层渐进式召回（Progressive Disclosure）

这是 memsearch 相比其他方案的独特优势——不是简单地把整篇文章塞进上下文，而是先搜摘要、再展开、最后才深入原文。

混合搜索

• Dense 向量 — 语义相似度（默认 ONNX bge-m3，也可用 OpenAI/Google 等）
• BM25 稀疏 — 关键词精确匹配
• RRF（Reciprocal Rank Fusion）— 在 Milvus 内部合并排序，k=60 默认
• 可选 Cross-encoder 重排序器

存储架构

三种模式使用同一套 API，无缝迁移。

OpenClaw Plugin（最相关）

安装： openclaw plugins install clawhub:memsearch

与内置 memory-core 的对比

注册的工具

• memory_search — 语义搜索
• memory_get — 获取具体内容
• memory_transcript — 获取原始对话记录

自动捕获机制

每个 Agent 对话结束时（agent_end hook），自动将本轮对话用 Haiku 摘要并追加到 {workspace}/.memsearch/memory/{date}.md。

冷启动

Agent 启动时（before_agent_start hook），自动注入最近的记忆作为上下文。

跨平台支持

所有平台写入相同的 Markdown 格式，collection name 从项目目录路径派生。一个平台上的对话，在所有平台上都可搜索。

技术细节

Embedding 提供商（8 种）

去重机制

SHA-256 内容哈希直接作为 Milvus 的主键。不需要额外的缓存层（没有 SQLite 侧库、没有 Redis、没有 .json 跟踪文件）。运行 memsearch index 重复执行在未变更的知识库上产生零 embedding API 调用。

分块策略

• 按标题分块：# → ###### 作为自然边界
• 大段按段落切分：超过 1500 字符时，在空白行处切分
• 重叠行：默认 2 行重叠保持上下文连续性
• 元数据：每个 chunk 携带 source 路径、heading、行号、SHA-256 hash

与 QMD 对比

实际应用场景

1. 跨 Agent 记忆共享 — Claude Code 修复了一个 bug，OpenClaw 的 researcher agent 下次启动时能回忆起这个上下文

2. 多 Agent 隔离 — 不同 Agent 的工作区有独立记忆目录和 Milvus collection

3. Audit 回溯 — 三层渐进式召回让你能从搜索结果追溯到原始对话 JSONL

4. 无 API Key 起步 — 默认 ONNX 模型本地运行，零外部依赖

5. 团队共享 — 连接同一个 Zilliz Cloud 集群，多个开发者的 Agent 共享项目记忆

与我们项目的关联

1. 直接竞争但也互补 — memsearch 的 OpenClaw 插件直接替换内置 memory-core，和我们的 QMD 方案定位重叠。但 memsearch 的跨平台能力和 Zilliz 的公司级维护是差异化优势。

2. 架构启发 — 他们的三层渐进式召回（Search → Expand → Transcript）正是我们 lossless-claw 的摘要 DAG + 扩展机制。这说明这个方向被独立验证了。

3. 值得关注 — 如果 Zilliz 持续投入，memsearch 可能成为 Agent 记忆层的标准方案。目前有 190+ PR/issue、8 个 open issues，社区活跃。

评分

综合：5/5 — 这是目前 Agent 记忆层领域最有"平台感"的开源方案，尤其跨平台记忆共享的设计非常有远见。