（907期）OpenClaw Universal Memory – Postgres 向量记忆中枢 · 多源数据一键归一

Postgres 向量记忆中枢 · 多源数据一键归一 Postgres + pgvector 通用记忆层，支持连接器式增量同步与 RAG 就绪的向量检索，适用于多源数据归一化场景。 使用说明 核心用法 OpenClaw Universal Memory 是一个连接器无关的记忆层解决方案，基于 Postgres 与 pgvector 扩展构建。它提供标准化的实体/分块 Schema，支持通过游标实现增量同步历史追踪，并可直接用于构建 RAG（检索增强生成）应用。 主要功能模块： Schema 初始化：一键创建标准化表结构（um_* 前缀） 数据摄入：支持 JSON/NDJSON 文件导入，或调用内置连接器（Google、Gmail、Slack 等） 增量同步：每个连接器/账户维护独立游标，支持断点续传 向量检索：基于 pgvector 的语义搜索能力 事件追踪：完整的摄入历史审计日志 健康检查：内置 doctor 命令诊断环境配置 典型工作流： 配置 DSN 并初始化 Schema 验证连接器认证状态 执行增量数据摄入（支持 --limit 限流） 通过语义查询检索记忆片段 显著优点 架构解耦：连接器与存储层分离，便于接入任意数据源 标准化数据模型：统一的 externalid、entitytype、bodytext、rawjson 等字段，降低多源异构数据处理复杂度 生产级特性：增量游标、摄入限流、事件审计、健康检查等运维友好设计 RAG 原生支持：pgvector 向量存储与相似度检索开箱即用 扩展性强：提供连接器模板与详细贡献指南，社区驱动演进 潜在局限 基础设施依赖：必须自备 Postgres + pgvector 实例，增加了部署门槛 Python 运行时限制：当前仅提供 Python 实现，需要 psycopg>=3.2 依赖 AI 生成代码风险：项目明确标注"大部分为 AI 生成代码"，需人工审核后方可生产使用 连接器生态初期：内置连接器有限，自定义连接器需要遵循特定契约开发 无内置加密：依赖 Postgres 传输层安全（TLS）及 OS 级密钥管理 适合人群 需要统一多源数据（邮件、IM、项目管理工具）的个人知识库构建者 开发 RAG 应用的工程师，希望避免重复造轮子 有一定 DevOps 能力、能自建 Postgres 实例的技术团队 注重数据主权、倾向本地化部署而非 SaaS 的用户 常规风险 | 风险类别 | 说明 ||---------|------|| 凭证泄露 | 需通过环境变量或 OS 密钥库注入 DSN，禁止命令行传明文密码 || 权限过大 | 应配置最小权限数据库账户（仅限 um_* 表的 CRUD） || 数据合规 | 用户需自行确保对处理数据拥有合法权限，遵守隐私与留存法规 || 供应链风险 | 连接器代码需人工审查，不可盲目信任第三方贡献 || 无运营 SLA | Apache 2.0 协议，无商业支持承诺 | 技术栈 PostgreSQL 14+ with pgvector extension Python 3.9+ with psycopg[binary]>=3.2 可选：内置连接器需对应 OAuth 凭证（Google Workspace、Slack 等） 原始说明 Generic Postgres and pgvector memory layer for connector-agnostic data ingestion, incremental sync, and searchable chunk storage with cursor history.