未名手记

OpenClaw 中的 Memory

让 openclaw 更懂你

13,053字
55–83 分钟

/

blog.t725.cn/?p=2123

Memory 是什么

在大语言模型(LLM)中，我们知道Agent中，一般有二类的记忆：

  • 瞬时记忆：会话中的临时数据（对话上下文、工具执行缓存），会话结束自动清空。 无需索引，直接通过 RAM 读写，完全离线可用。
  • 长期记忆：关键规则沉淀至 memory/MEMORY.md，以及在这个文件中引用的文件，比如：项目约束、设计规范等等。手动编辑即可生效，完全离线可用。

OpenClaw 中的记忆

分为二个层级，是基础的记忆关键字搜索(md文件存储，也会在SQLite里存储FTS索引)与可选且推荐的向量语义检索(SQLite数据库存储VS索引)。注意：md是源内容，而SQLite是对md文件构建的索引库。

  1. 基础的md记忆存储与上面类似，但做了扩充，比如：
层级存储载体核心作用加载/读写方式
长期记忆MEMORY.md存放持久化事实、个人偏好、长期设定、精简摘要信息会话启动时自动注入上下文；仅允许 Dreaming 深度处理阶段写入更新
工作层 / 每日笔记memory/YYYY-MM-DD.md记录详细当日笔记、观测内容、会话摘要、原始对话上下文自动加载今日+昨日文件；内容建立索引用于memory_search检索，不会每轮对话注入上下文
梦境日记（可选）DREAMS.md存储 Dreaming 模块产出：扫描摘要、日记条目、经过事实校验的回填数据仅用于人工复核查看
短期跟进记忆Follow-up、Commitments临时时效性信息（例：明日有面试），非永久记忆后台静默根据Agent+通信渠道做轮次推断；依靠Heartbeat机制触发到期提醒
短期Dreaming存储memory/.dreams/提供机器可读、结构化排序数据深度处理阶段依据该目录内容筛选可晋升至MEMORY.md的数据
导入记忆memory/imports/存放从 Codex / Claude Code 导入的Markdown文档文件建立检索索引，仅用于查询，不会合并写入MEMORY.md
  1. (向量)记忆索引存储在每个 Agent 独立的 SQLite 数据库中（OpenClaw 内置记忆引擎是默认的记忆后端，无需额外依赖即可使用；可改为其他存储方式），是基于上述 Markdown 文件自动构建的检索加速索引库，它并不存储原始记忆的完整内容，只存储用于快速匹配的分词片段、向量嵌入、文件位置等元数据。但在这一步是需要嵌入向量模型支持，才能完成语义检索（vector search）。
    • 完整数据流向：智能体写入 / 更新 Markdown 记忆文件 → 内置 memory-core 引擎自动同步构建 / 更新 SQLite 索引 → memory_search 工具查询 SQLite 索引定位相关片段 → memory_get 工具读取原始 Markdown 文件的对应行内容。
    • 在没有完成嵌入向量模型的配置+索引前，只能通过 FTS5 全文索引（BM25 评分）进行关键词搜索（也就是精确术语匹配）支持。
      1. 通过 FTS5 全文索引（BM25 评分）进行关键词搜索（精确术语匹配）
    • 在完成后，就会将纯关键词检索升级为混合检索模式，支持语义召回，即使查询语句与原文表述不一致也能匹配相关记忆。比如：
      1. 向量搜索/语义检索（vector search）/语义召回（Semantic Recall）：语义相似度的匹配，简单来说查询语句和原文表述不一致，依旧可以匹配到相关记忆。
      2. 混合搜索：关键词+语义召回两路并行加权合并，以获得最佳结果。
      3. CJK 支持：通过三元组分词支持中文、日文和韩文
      4. 使用 sqlite-vec 加速数据库内的向量查询（可选）。
最直观的表现就是：字面文字不一样、措辞不同、句式不同、同义改写、概括转述，依然能命中语义相近的记忆片段，这也是它和关键词精准匹配最大的区别。
- Query：上周部门周会定下的上线排期
- 原文记忆：本周一团队例会确定版本于本月 15 号灰度发布

字面词汇重合度很低，但语义一致，语义召回可以命中，纯关键词搜索很难匹配。

嵌入向量模型与对话模型的区别

  • 嵌入向量模型在baseUrl后面接的 embeddings（/v1/embeddings）
    • 有向量维度概念，比如：512、768、1024
    • 注意：OpenClaw 只需要使用文本类型，嵌入向量模型也能支持文本与图片等。
  • 对话模型/大语言模型（LLM）在baseUrl后面接 /v1/chat/completions 和 /v1/responses 是不一样的
    • 有最大上下文（MAX_CONTEXT_TOKENS）概念，比如：Deepseep支持1M的上下文。

架构：存储层 / 读侧 / 写侧

  ┌─ 存储层（持久化）─────────────────────────────┐
  │  MEMORY.md            长期（仅 Deep 写入）    │
  │  memory/YYYY-MM-DD.md 每日笔记（工作层）      │
  │  memory/imports/      导入记忆               │
  │  memory/.dreams/      机器状态/短期证据       │
  │  DREAMS.md            人类可读日记（审核用）   │
  │  Follow-up Commitments 短期跟进（非持久）      │
  └─────────────────────────────────────────────┘
            ▲ 写入                      ▲ 读取
            │                           │
  ┌─ 写侧（整合）───────────┐ ┌─ 读侧（召回）──────────────────┐
  │  Dreaming              │ │  memory_search / memory_get  │
  │   Light→REM→Deep       │ │   （依赖 embedding + FTS 索引）│
  │   提升→MEMORY.md       │ │       ▲                       │
  │  fact-grounded backfill│ │  active-memory 插件           │
  └────────────────────────┘ │   （主回复前阻塞式召回注入）    │
                             └──────────────────────────────┘

关键关系：active-memory（读侧）和 Dreaming（写侧）都依赖底层的 memory_search 检索能力。而 memory_search 的语义部分靠 embedding（嵌入向量模型）。

而安装后，默认是没有开启（或者没有配置） embedding，见后面的 $ openclaw memory status 输出：

  1. Vector search 是停止，memory_search 只剩 FTS（关键词）。
  2. active-memory 受影响：即使你启用它，子智能体调 memory_search 也只能关键词召回，语义相关的记忆召不回来–注入质量打折。
  3. Dreaming 受影响：Deep 阶段的”相关性信号(0.30)”= 平均检索质量，”查询多样性(0.15)”= 不同查询触发召回–这两个信号都依赖检索系统，embedding 没配好，评分会失准。

有与没有 embedding 的区别

在配好 embedding + 重建索引（openclaw memory index –force）是让读侧（active-memory）和写侧（Dreaming）都能正常工作的前提。

  1. 启用向量路径 -> 混合搜索：语义+关键词加权合并，用词不同也能命中。这是 FTS 永远做不到的。
  2. 召回质量增强：MMR 去重 + temporalDecay 时间衰减，靠前的结果更相关更多样。
  3. active-memory（读侧）的前提：active-memory 子智能体调 memory_search 注入上下文，没向量路径召回质量打折。
  4. Dreaming（写侧）评分的基础：Deep 阶段相关性信号(0.30)=平均检索质量、查询多样性(0.15)，都依赖检索系统。
  5. 多模态：配 gemini 可索引图像/音频。
  6. 嵌入缓存减少重复计算。

而不配，代价是只有 FTS5 的 BM25 关键词，语义召回全丢，active-memory/Dreaming 质量打折。

注意：基础记忆功能本身不依赖任何 API，是独立于 embedding 的。比如：

# 全局禁用向量检索（所有 Agent 生效）：关闭语义搜索功能，保留所有基础记忆能力
openclaw config set memorySearch.enabled false
openclaw gateway restart

再直接编辑 ~/.openclaw/workspace/MEMORY.md，添加：

## 用户偏好
- **编程语言**：**TypeScript 优先**，拒绝 CoffeeScript。
- **会议习惯**：**周一 10:00 团队周会**，需提前 5 分钟准备议程。

保存后，Agent 在下次会话中会自动加载此规则。无需重建索引，直接提问：

> “我周一的会议需要做什么准备？”  
> Agent 将基于 `MEMORY.md` 返回：**“需提前 5 分钟准备议程”**。

或强制读取记忆文件，在聊天中输入以下内容，将直接输出文件内容

/memory get MEMORY.md

以上，都证明基础记忆功能是独立于向量索引；所以，OpenClaw 的记忆功能 ≠ 仅向量检索。

启用记忆搜索

安装后默认只有FTS

$ openclaw memory status                       # 检查（记忆）索引状态和提供商
Memory Search (main)
Provider: openai (requested: openai)           # 默认是 openai公司的
Model: openai
Sources: memory
Indexed: 0/6 files · 0 chunks                  # 记忆文件存在但未索引，导致无法实际调用历史记忆
Dirty: yes
Store: ~/.openclaw/agents/main/agent/openclaw-agent.sqlite
Workspace: ~/.openclaw/workspace
Dreaming: off                                  # Dreaming（主动记忆）明确关闭
Index identity: index metadata is missing
Vector search: paused until memory is rebuilt  # 记忆检索功能因索引缺失而失效，下一行是Fix办法。
Fix: Run: openclaw memory status --index --agent main
By source:
  memory · 0/6 files · 0 chunks
Vector store: unknown
FTS: ready
Embedding cache: enabled (0 entries) 
Batch: disabled (failures 0/2)
Recall store: 0 entries · 0 promoted · 0 concept-tagged · 0 spaced
Recall path: plugin-state:memory-core/short-term-recall/62f101f94bc509c715646d26c64be8e50bf7b79c039cb840bb687a1743fc18bf
Dreaming artifacts: diary absent · 0 corpus files · ingestion state absent
Dream corpus: ~/.openclaw/workspace/memory/.dreams/session-corpus
Dream ingestion: ~/.openclaw/workspace/memory/.dreams/session-ingestion.json

$ openclaw memory status --index --agent main
[openclaw] Reason: No API key found for provider "openai". Auth store: /home/claw/.openclaw/agents/main/agent/openclaw-agent.sqlite (agentDir: /home/claw/.openclaw/agents/main/agent). Configure auth for this agent (openclaw agents add <id>) or copy only portable static auth profiles from the main agentDir. | missing-provider-auth

先使用嵌入模型开启向量检索

  1. 无论使用API，还是本地，都需要开启memorySearch总开关。
  2. 官方文档的配置是错误的，openclaw config set memory.search.provider "openai-compatible" 报错无search。可参考：https://openclaw.club/archives/OuFvbN01
  3. memorySearch废弃节点，已被agents.defaults.memorySearch取代，网上还有很多文档使用这个节点。
openclaw config set agents.defaults.memorySearch.enabled true

CLI

openclaw memory status [--deep]             # 检查索引状态和提供商
openclaw memory status --index --agent main # 在配置后，初始索引
openclaw memory search "query"              # 从命令行搜索
openclaw memory index --force               # 重建索引

最简单方法，用免费的向量模型：阿里云百炼(100W+90天)、火山（50W）

openclaw config set agents.defaults.memorySearch.provider "openai-compatible"
openclaw config set agents.defaults.memorySearch.model "qwen3.7-text-embedding"
openclaw config set agents.defaults.memorySearch.remote.baseUrl "https://ws-xxx.cn-beijing.maas.aliyuncs.com/compatible-mode/v1"
openclaw config set agents.defaults.memorySearch.remote.apiKey "sk-ws-xxx"

不需要重启，可直接启动索引了。

$ openclaw memory status --index --agent main

OpenClaw 2026.7.1-2 (0790d9f) — Hot reload for config, cold sweat for deploys.

Memory index complete.
Memory Search (main)
Provider: openai-compatible (requested: openai-compatible)     # 已有变化了
Model: qwen3.7-text-embedding                                  # 已有变化了
Sources: memory
Indexed: 5/5 files · 14 chunks                                 # 向量索引完成的数量
Dirty: no
Store: ~/.openclaw/agents/main/agent/openclaw-agent.sqlite   # 数据库包含 向量表（chunks_vec）和全文索引表（chunks_fts），实现混合检索
Workspace: ~/.openclaw/workspace/main
Dreaming: off                                                  # Dreaming（主动记忆）还是为关闭状态
Embeddings: ready                                              # **向量生成服务已就绪**
By source:
  memory · 5/5 files · 14 chunks
# 下面的 unknown 表示 没有外部向量数据库（如 Chroma、Qdrant 等），而是直接通过 SQLite 的本地扩展 sqlite-vec 实现向量存储。
Vector store: unknown
Vector dims: 1024                                              # 向量维度为 1024
#SQLite 向量扩展库 `sqlite-vec` 的本地路径。该库提供 **向量相似度搜索能力**（如余弦相似度），是混合检索的技术基础。
Vector path: /usr/local/nodejs/lib/node_modules/openclaw/node_modules/sqlite-vec-linux-x64/vec0.so
FTS: ready
Embedding cache: enabled (12 entries)                          # 嵌入缓存开启状态，且有索引数据
Batch: disabled (failures 0/2)                                 # 批量嵌入处理未启用（当前配置为单次请求），后面5行全是 Dreaming（主动记忆）
Recall store: 0 entries · 0 promoted · 0 concept-tagged · 0 spaced
Recall path: plugin-state:memory-core/short-term-recall/dcd62ab12ac732d083824caf84315ee87402bd3e63851aa780b7199d61bba404
Dreaming artifacts: diary absent · 0 corpus files · ingestion state absent
Dream corpus: ~/.openclaw/workspace/main/memory/.dreams/session-corpus
Dream ingestion: ~/.openclaw/workspace/main/memory/.dreams/session-ingestion.json

再开启 MMR + 时间衰减，验证混合搜索

  • https://docs.openclaw.ai/zh-CN/concepts/memory-search
  • https://openclaw.club/archives/OuFvbN01
  1. 时间衰减：旧笔记的排名权重会逐渐降低，使近期信息优先显示。采用默认的 30 天半衰期时，上个月的笔记得分为其原始权重的 50%。
    • MEMORY.md 和 memory/ 下其他未注明日期的文件属于长期有效内容，永不衰减；
    • 只有带日期的 memory/YYYY-MM-DD.md 文件会衰减。
  2. MMR（多样性）：减少重复结果。如果五条笔记都提到相同的路由器配置，MMR 会确保排名靠前的结果涵盖不同主题，而不是重复相同内容。
# 这二个需要主动配置，才生效。
openclaw config set agents.defaults.memorySearch.query.hybrid.temporalDecay.enabled true
openclaw config set agents.defaults.memorySearch.query.hybrid.mmr.enabled true
  1. 混合搜索：只要向量检索功能就绪（Vector: ready），混合搜索即自动生效，无需额外显式启用 hybrid.enabled。
    • 系统 默认采用 70% 向量 + 30% 关键词 的加权融合策略
    • 向量检索可用（Vector: ready），系统会自动执行混合搜索；若向量检索失败，则优雅降级为纯关键词检索（仍保留“混合”逻辑，但权重调整为 0% 向量 + 100% 关键词）
    • 验证方法：openclaw memory search "查询词" --json，返回结果中是否同时包含 vectorScore（非零）和 textScore（非零）字段——两者均存在即证明混合搜索生效。
$ openclaw memory search "OK" --json
{
  "results": [
    {
      "path": "memory/2026-07-20-1636.md",
      "startLine": 1,
      "endLine": 13,
      "score": 0.5087063045057383,
      "vectorScore": 0.4867861866950989,
      "textScore": 0.5598532460638971,
      "snippet": "xxxx",
      "source": "memory"
    }
  ]
}

后开启梦境系统（Dreaming）

  1. Dreaming 是 memory-core 中的后台记忆整合系统。它将强烈的短期信号转化为持久记忆，同时确保整个过程可解释、可审查。
  2. Dreaming 配置在 plugins.entries.memory-core.config.dreaming 下，默认是关闭。
  3. Dreaming 作为定时扫描运行，会自动摄取并整理会话中的内容，在内部经过 Light -> REM -> Deep 三个阶段
    • 个人和敏感内容会在摄取前进行脱敏处理。
    • memory/*.md 每日笔记从一开始就在 memory_search 索引范围内，Dreaming 只是对其做整理、打分和晋升筛选，并不会改变它们本身的可检索性。同时形成反馈闭环：每次 memory_search 命中每日笔记中的内容，都会生成召回信号，写入短期召回记录，作为 Dreaming 后续评分晋升（写入到 MEMORY.md）的依据之一
    • Dreaming 的核心价值是筛选高价值内容沉淀到长期记忆层，让 memory_search 的召回结果更精炼、信噪比更高，而非扩展检索范围。
    • Dreaming 自动生成的反思、日记类内容本身，不会被当作记忆晋升，也不纳入记忆检索范围。
    • 会形成以下产物：
产物类型是否参与 memory_search说明
晋升至 MEMORY.md 的会话片段是正式长期记忆，支持关键词 + 语义混合检索。前提：使用加权评分和阈值门控对候选项进行排序（minScore、minRecallCount、minUniqueQueries 必须全部通过）
memory/.dreams/ 下的中间状态否机器用的排序信号、暂存候选，仅内部使用
DREAMS.md 梦境日记否叙事性报告，供人工审阅，不作为正式记忆
memory/dreaming/ 阶段报告否审计日志，用于回溯整理过程

开启配置

openclaw config set plugins.entries.memory-core.config.dreaming.enabled true
# 每6小时扫描运行一次
openclaw config set plugins.entries.memory-core.config.dreaming.frequency "0 */6 * * *"

# 指定使用Model，在不可用时，Dream Diary 会使用会话默认LLM模型重试一次。
#openclaw config set plugins.entries.memory-core.subagent.allowModelOverride true
#openclaw config set plugins.entries.memory-core.subagent.allowedModels '["provider/model",""]'
#openclaw config set plugins.entries.memory-core.config.dreaming.model "provider/model"

重启后生效，openclaw config get plugins.entries.memory-core 示例

{
	subagent: {
	  allowModelOverride: true,
	  allowedModels: ["anthropic/claude-sonnet-4-6"],
	},
	config: {
	  dreaming: {
		enabled: true,
		frequency: "0 3 * * *",
		model: "anthropic/claude-sonnet-4-6",
	  },
	},
}

会话中命令

/dreaming status
/dreaming on
/dreaming off
/dreaming help

CLI

# 提升预览/应用：除非通过 CLI 标志覆盖，否则手动 memory promote 默认使用 Deep 阶段阈值。
openclaw memory promote
openclaw memory promote --apply
openclaw memory promote --limit 5
openclaw memory status --deep

# 解释特定候选项为何会或不会被提升：
openclaw memory promote-explain "router vlan"
openclaw memory promote-explain "router vlan" --json

# REM harness 预览：在不写入任何内容的情况下预览 REM 反思、候选事实和深度提升输出
openclaw memory rem-harness
openclaw memory rem-harness --json

其他

本地 GGUF 嵌入

等我的免费额度使用完了，再来折腾吧。

提供商 ID底层依赖模型格式核心特点
local@openclaw/llama-cpp-provider 插件GGUF进程内运行，无需额外启动服务，纯本地无网络依赖
ollama本地 Ollama 服务Ollama 模型格式部署简单，模型生态丰富，通过 HTTP API 调用
lmstudio本地 LM Studio 服务GGUF 等通用格式偏向桌面端可视化管理，服务器场景使用较少

记忆搜索的参数：其他配置示例

一般使用默认就好，如有更高要求可参考：

  agents.defaults."memorySearch": {
    // 使用 API 做批量索引（Batch Indexing）：默认是单次请求
    "remote": {
      "batch": {
        "enabled": true,
        "concurrency": 2,                 // 并发批量任务数
        "wait": true,                     // 等待批量完成
        "pollIntervalMs": 1000,           // 轮询间隔
        "timeoutMinutes": 30              // 超时时间
      }
    },
	
	// 混合搜索 + MMR + 时间衰减
    "query": {
      "hybrid": {
        "enabled": true,                  // 启用混合搜索，不需要主动开启
        "vectorWeight": 0.7,              // 可选参数（默认 0.7）向量权重（0-1）
        "textWeight": 0.3,                // 可选参数（默认 0.3）文本权重（0-1）
        "candidateMultiplier": 4          // 候选池倍数
	    ,"mmr": {
          "enabled": true,                // 启用 MMR
          "lambda": 0.7                   // 可选参数（默认 0.7）0=最大多样性，1=最大相关性
        },
        "temporalDecay": {
          "enabled": true,                // 启用 时间衰减
          "halfLifeDays": 30              // 可选参数（默认 30）30 天后分数减半
        }
      }
    },
	
	// 嵌入缓存：默认开启
    "cache": {
      "enabled": true,
      "maxEntries": 50000                 // 最多缓存 5 万个嵌入
    },
	
	// 索引会话记录，让 memory_search 可以检索之前的对话
    "experimental": {
      "sessionMemory": true
    },
    "sources": ["memory", "sessions"],    // 在源中加入会话，默认只有memory
    "sync": {
      "sessions": {
        "deltaBytes": 100000,             // 100KB 触发重新索引
        "deltaMessages": 50               // 50 条消息触发重新索引
      }
    },
	
	// 索引工作区外的文档
    "extraPaths": [
      "../team-docs",                     // 相对路径
      "/srv/shared-notes"                 // 绝对路径
    ]
  }
  }

主动记忆（Active Memory）：一把双刃剑

  • plugins.entries.active-memory.config.queryMode 不一定能解决问题，除非配置为full；但配置 full 无意义/燥声高，且 token 消耗大。
    • 主动注入上下文是优点，也是缺点，Dreaming 不能主动注入。
    • 跨会话保持对话连贯性是优点，也是缺点。
  • 梦境系统（Dreaming），虽然会整理会话内容，但要求高（只有晋升到 MEMORY.md，再才会参与 memory_search）
    • Dreaming 的前提有向量模型，而active-memory不需要使用向量模型

主动记忆（Active Memory）的核心作用是让AI智能体从“被动响应”升级为“主动预判”——它无需用户显式指令，即可在每次对话前自动检索并注入最相关的背景信息，使AI表现得像真正理解上下文的人类助手。与<u>传统记忆系统依赖用户主动触发检索</u>不同，主动记忆通过前置式上下文注入机制，彻底解决了AI“健忘”和“上下文漂移”问题，实现跨会话的连续性协作。

主动记忆是一项对话增强功能，而不是平台级 推理功能，只能在以下两个途径运行：

  • Control UI / Web 聊天持久会话
  • 同一持久聊天路径上的其他交互式渠道会话

适合会话是持久且面向用户的（跨会话保持对话连贯性），它不适合自动化、内部工作进程、单次 API 任务，或任何隐藏式 个性化会令人意外的场景。

每次主 Agent 回复前额外运行一次子 Agent，每次对话都会多消耗 token。

openclaw plugins info active-memory                  # 默认是关闭
openclaw plugins enable|disable active-memory        # 只是把插件启用了，要重启生效
openclaw config get plugins.entries.active-memory    # 查看配置

开启的配置：只要运行二命令可以了

# 限定Agent为 main，支持多个。
openclaw config set plugins.entries.active-memory.config.agents '["main"]'
# 限定为私信会话(默认值)，有效值：direct、group、channel，进一步控制范围添加 config.allowedChatIds 和 config.deniedChatIds 指定。
#openclaw config set plugins.entries.active-memory.config.allowedChatTypes: '["direct"]'

# 限定对话内容范围，有效值：（内容越多token消耗越多，config.timeoutMs值要越大）
# message 仅发送最新的用户消息。config.timeoutMs，可从 3000-5000 ms 左右开始。
# recent  最新的用户消息加上一小段近期对话尾部。可从 15000 ms 左右开始。
# full    完整对话会发送给阻塞式子智能体。从约 15000 ms 或更高值开始。
openclaw config set plugins.entries.active-memory.config.queryMode "recent"
# 在返回记忆时的积极程度或严格程度，有效值参考 https://docs.openclaw.ai/zh-CN/concepts/active-memory#%E6%8F%90%E7%A4%BA%E8%AF%8D%E9%A3%8E%E6%A0%BC
#openclaw config set plugins.entries.active-memory.config.promptStyle "balanced"

# 超时范围 250-120000 ms；默认 15000
#openclaw config set plugins.entries.active-memory.config.timeoutMs 15000
# 主动记忆摘要的最大字符数（范围 40-1000；默认 220）
#openclaw config set plugins.entries.active-memory.config.maxSummaryChars 220
# 调优时输出主动记忆日志
#openclaw config set plugins.entries.active-memory.config.logging true

会话开关
–global代表所有会话（全局形式会写入 plugins.entries.active-memory.config.enabled，注意不是plugins.entries.active-memory.enabled）

/active-memory status [--global]
/active-memory off [--global]
/active-memory on [--global]
#openclaw config set plugins.entries.active-memory.config.enabled false # 全局会话关闭主动记

验证

/verbose on
/trace on

发表回复

更多文章与分类

Access Axure Cloud Axure RP Bash Bat CentOS crontab Excel FTP Git JMeter macOS MariaDB Markdown MS Office 2010 从入门到精通 Nginx Obsidian OpenClaw Oracle Outlook PAC PHP Postman PowerPoint PowerShell Project Rclone RDMS RustDesk SoapUI SQL SSH SVN Tomcat Ubuntu Visio VMware WebDav Win-ACME Windows Word WordPress WPS Office XPath 正则表达式