承接上文：Windows11基于WSL2首次运行Openclaw，并对接飞书应用，我已经在电脑上安装了OpenClaw，接下来解决Memory问题。走了很多弯路，下面主要讲我总结的正确的安装过程。
总结来说：针对Memory不生效的问题，又不想用OpenAI或Gemini，或者只想单纯的节省token，可以按照如下的方式，设置为local模式：

• 修改openclaw.json配置
• 安装CUDA和cuDNN
• 编译llama.cpp，使用cuda
• 安装node-llama-cpp
• 验证

背景：Memory不生效的问题

执行openclaw doctor命令，有如下提示

◇  Memory search 
Memory search is enabled but no embedding provider is configured. 
Semantic recall will not work without an embedding provider.               Fix (pick one):     
  - Set OPENAI_API_KEY or GEMINI_API_KEY in your environment
  - Add credentials: openclaw auth add --provider openai
  - For local embeddings: configure agents.defaults.memorySearch.provider and local model
    path
  - To disable: openclaw config set agents.defaults.memorySearch.enabled false
  Verify: openclaw memory status --deep

这是因为“长期记忆检索”（memory_search）的 provider 只支持 openai | gemini | local，其中 openai/gemini 都需要单独的 API Key（或 remote.apiKey）。
这一块网上的资料很少，且部分缺少上下文。我就决定自己来配置使用本地(local)模式的Memory。

OpenClaw的Memory配置

参考官网上的Memory介绍，我做了如下修改。
1、修改openclaw.json：如下，在~/.openclaw/openclaw.json中，增加/修改如下内容

  "agents": {
    "defaults": {
      "model": {
        "primary": "zai/glm-5"
      },
      "models": {
        "zai/glm-5": {
          "alias": "GLM"
        }
      },
      "workspace": "/home/band/.openclaw/workspace",
      "compaction": {
        "mode": "safeguard",
        "reserveTokensFloor": 20000,
        "memoryFlush": {
          "enabled": true,
          "softThresholdTokens": 4000,
          "systemPrompt": "Session nearing compaction. Store durable memories now.",
          "prompt": "Write any lasting notes to memory/YYYY-MM-DD.md; reply with NO_REPLY if nothing to store."
        }
      },
      "maxConcurrent": 4,
      "subagents": {
        "maxConcurrent": 8
      },
      "memorySearch": {
        "provider": "local",
        "local": {
          "modelPath": "hf:ggml-org/embeddinggemma-300M-GGUF/embeddinggemma-300M-Q8_0.gguf"
        },
        "fallback": "none",
        "sources": [
          "memory",
          "sessions"
        ],
        "experimental": {
          "sessionMemory": true
        },
        "store": {
          "vector": {
            "enabled": true,
            "extensionPath": "~/.npm-global/lib/node_modules/sqlite-vec/node_modules/sqlite-vec-linux-x64/vec0.so"
          }
        }
      }
    }
  }

注意：

• modelPath采用官方建议的模型，注意是模型名称，不是本地的目录，我就是在这卡了很久。
• extensionPath后文有讲到，修改为本地的目录

Ubuntu24.04安装CUDA和cuDNN

按照官网的教程安装，地址：https://developer.nvidia.com/cuda-downloads

mkdir /opt/nvidia
cd /opt/nvidia
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2404/x86_64/cuda-ubuntu2404.pinsudo mv cuda-ubuntu2404.pin /etc/apt/preferences.d/cuda-repository-pin-600wget https://developer.download.nvidia.com/compute/cuda/13.1.1/local_installers/cuda-repo-ubuntu2404-13-1-local_13.1.1-590.48.01-1_amd64.debsudo dpkg -i cuda-repo-ubuntu2404-13-1-local_13.1.1-590.48.01-1_amd64.debsudo cp /var/cuda-repo-ubuntu2404-13-1-local/cuda-*-keyring.gpg /usr/share/keyrings/sudo apt-get updatesudo apt-get -y install cuda-toolkit-13-1

安装后，还需要设置环境变量

echo 'export PATH=/usr/local/cuda-13.1/bin${PATH:+:${PATH}}' | sudo tee -a /etc/profile.d/cuda.sh
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-13.1/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}' | sudo tee -a /etc/profile.d/cuda.sh
source /etc/profile.d/cuda.sh

验证：nvcc --version，提示如下表明已经cuda toolkit安装成功。

安装cuDNN

wget https://developer.download.nvidia.com/compute/cudnn/9.19.0/local_installers/cudnn-local-repo-ubuntu2404-9.19.0_1.0-1_amd64.deb
sudo dpkg -i cudnn-local-repo-ubuntu2404-9.19.0_1.0-1_amd64.deb
sudo cp /var/cudnn-local-repo-ubuntu2404-9.19.0/cudnn-*-keyring.gpg /usr/share/keyrings/
sudo apt-get update
sudo apt-get -y install cudnn

使用如下命令查看安装的目录

# 注意大小写
dpkg -L libcudnn9-cuda-13
dpkg -l |grep cudnn

验证，与前文类似，先安装Anaconda，再安装pytorch，所有工作完成后。执行如下命令：python test_cuda.py

编译llama.cpp

node-llama-cpp 会尝试构建 CUDA / Vulkan / CPU 三种版本，最终 fallback 到 CPU 版成功。为了避免用CPU版本，我先安装调试好CUDA。我估计这一步可以采用官网的指引，Install llama.cpp using brew, nix or winget。
https://github.com/ggml-org/llama.cpp/blob/master/docs/build.md

git clone https://github.com/ggml-org/llama.cpp.git
# 前提，要设置好环境变量，DLLAMA_OPENSSL是必要的，后面会有提示
cd llama.cpp
cmake -B build -DGGML_CUDA=ON -DLLAMA_OPENSSL=ON
cmake --build build --config Release

验证llama.cpp是否已经安装好

验证方案1：

访问： https://huggingface.co/Qwen/Qwen3-0.6B-GGUF/tree/main ，点击Use this model，选择llama.cpp，出现下面的窗口

因为我是再WSL种运行，就选择cli方案：

# Run inference directly in the terminal:
./build/bin/llama-cli -hf Qwen/Qwen3-0.6B-GGUF:Q8_0

如果出现下面的错误，加上-DLLAMA_OPENSSL=ON参数，重新编译llama.cpp。

解决之后又有新的报错。暂时先到这里，没有继续验证，TODO

验证方案2：下载并运行Llama-2 7B模型

# 安装并初始化git-lfs（GIt Large File Storage）
$ sudo apt install git-lfs
$ git lfs install

这个方案我没有做完。

安装node-llama-cpp

npm install -g node-llama-cpp
# 此处官网文档和网上的资料都给了我误导
node-llama-cpp --version
# 3.16.1

验证Memory

openclaw gateway restart
openclaw memory status --deep

正在下载模型到~/.node-llama-cpp/models，说明已经起作用了。

sqlite-vec unavailable

在openclaw doctor或openclaw memory status --deep，还有个错误。

[memory] sqlite-vec unavailable: /home/band/sqlite-vec.so: cannot open shared object file: No such file or directory

循着网上的信息，找到正主：https://github.com/asg017/sqlite-vec，安装教程在：https://alexgarcia.xyz/sqlite-vec/installation.html，编译教程：https://alexgarcia.xyz/sqlite-vec/compiling.html

# 缺少什么安装什么
sudo apt-get update 
sudo apt-get install unzip
sudo apt install -y libsqlite3-dev
git clone https://github.com/asg017/sqlite-vec 
cd sqlite-vec 
./scripts/vendor.sh 
make loadable

按照官网的编译教程还是有误，就没继续。

我用了一个取巧的办法，

# 先安装，安装的目录在~/.npm-global/lib/node_modules/sqlite-vec/node_modules/sqlite-vec-linux-x64/vec0.so。
# 如果不知道在哪，可以先用whereis node-llama-cpp/pnpm，找到~/.npm-global/bin/，lib在同一个目录
npm install -g sqlite-vec

修改如下配置，重启gateway，再执行openclaw memory status --deep，问题修复

"extensionPath": "~/.npm-global/lib/node_modules/sqlite-vec/node_modules/sqlite-vec-linux-x64/vec0.so"

踩过的坑

安装node-llama-cpp的一些提示

openclaw的文档提示如下：

### [本地嵌入自动下载]

- 默认本地嵌入模型：`hf:ggml-org/embeddinggemma-300M-GGUF/embeddinggemma-300M-Q8_0.gguf`（约 0.6 GB）。
- 当 `memorySearch.provider = "local"` 时，`node-llama-cpp` 解析 `modelPath`；如果 GGUF 缺失，它会自动下载到缓存（或 `local.modelCacheDir`，如果已设置），然后加载它。下载在重试时会续传。
- 原生构建要求：运行 `pnpm approve-builds`，选择 `node-llama-cpp`，然后运行 `pnpm rebuild node-llama-cpp`。
- 回退：如果本地设置失败且 `memorySearch.fallback = "openai"`，我们自动切换到远程嵌入（`openai/text-embedding-3-small`，除非被覆盖）并记录原因。

运行openclaw doctor，提示如下

Memory search provider is set to "local" but no local model file was found. 

  Fix (pick one): 
  - Install node-llama-cpp and set a local model path in config
  - Switch to a remote provider: openclaw config set agents.defaults.memorySearch.provider
    openai
  Verify: openclaw memory status --deep

看起来必须要安装node-llama-cpp。于是继续搜寻资料。

cd ~/.openclaw/extensions
npm install node-llama-cpp
# 此时node-llama-cpp安装到~/.openclaw/extensions/node_modules，没有起作用。
pnpm approve-builds
# 提示没有需要编译的:There are no packages awaiting approval
npx --no node-llama-cpp inspect gpu
# 提示报错

安装node-llama-cpp的前置条件

OpenClaw 依赖 node-llama-cpp，网上说要原生编译安装。需要从源码编译 llama.cpp（大型 C++ AI 库）。所以要先编译llama.cpp，还依赖CUDA和cuDNN。所以正确的安装顺序是：

• 安装CUDA
• 安装cuDNN
• 编译llama.cpp
• 原生编译安装node-llama-cpp

# https://github.com/withcatai/node-llama-cpp.git
sudo apt-get update
sudo apt-get install build-essential cmake git libstdc++6 libgomp1

npx node-llama-cpp source download
npx node-llama-cpp source build

当我尝试执行npx node-llama-cpp source download，一直报错。
此时我再尝试执行npx --no node-llama-cpp inspect gpu，能正确执行，但是报错如下。让我很意外，怀疑是因为我把llama.cpp已经编译成功的缘故。

Vulkan: Vulkan is detected, but using it failed
To resolve errors related to Vulkan, see the Vulkan guide: https://node-llama-cpp.withcat.ai/guide/vulkan

Using node-llama-cpp With Vulkan

这个问题是在处理node-llama-cpp时遇到的，目前看没有影响，后面也没处理。

关键词：openclaw, Memory_search, node-llama-cpp, 本地模式，cuda等