OpenClaw构建AI知识库需三步：一、绑定Obsidian路径实现数据沉淀；二、建立LLM-Wiki目录结构并启用自动编译；三、配置本地GLM-4.7-Flash嵌入模型与飞书问答出口，固化RAG+图谱增强规则。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您希望利用OpenClaw构建一个可长期演进、具备语义理解能力的AI知识库，则需围绕数据沉淀、模型协同与自动化执行三个层面展开配置。以下是实现该目标的具体方法：
一、选择本地知识库底座并完成路径绑定
OpenClaw本身不直接存储原始文档，而是依赖外部结构化知识库作为数据源。Obsidian因其纯文本、Markdown原生支持及图谱可视化能力，成为最主流的本地底座选择。绑定路径后，OpenClaw可主动读取、解析并索引其中内容。
1、在非系统盘（如D:obsidian_vault）新建Obsidian仓库，初始化空白知识库。
2、启动Obsidian，进入设置 → 核心插件 → 启用“文件与链接”及“标签”插件。
3、打开OpenClaw终端，执行命令：openclaw memory set knowledge_base_path "D:\obsidian_vault"，完成绝对路径注册。
4、向OpenClaw发送指令：“请确认知识库路径是否已保存”，验证返回值是否匹配所设路径。
二、构建LLM-Wiki目录结构并启用自动编译
LLM-Wiki并非插件，而是一套强制性的目录规范，通过raw（只读原始区）与wiki（结构化产出区）分离，确保AI处理过程安全可控且可追溯。OpenClaw内置技能可一键生成该结构，并持续监听raw变更触发编译。
1、在Obsidian仓库根目录下手动创建llm-wiki文件夹。
2、在llm-wiki内分别新建raw和wiki两个子目录。
3、向OpenClaw发送指令：帮我初始化LLM-Wiki目录结构，确认其自动补全缺失文件及README说明。
4、发送指令：监听llm-wiki/raw目录，发现新文件时自动编译为wiki格式，启用后台监控服务。
三、配置嵌入模型与本地向量化服务
为实现中文语义精准召回，必须绕过通用云API，改用本地轻量模型完成嵌入（embedding）与检索。GLM-4.7-Flash是当前对中文技术文档支持最佳的开源嵌入模型，配合Ollama部署即可提供低延迟向量服务。
1、安装Docker Desktop后，执行：docker run -d --name glm-flash -p 11434:11434 ollama/glm:4.7-flash。
将 iPhone 的 Apple Health 数据同步到 OpenClaw。只需扫描一次二维码，无需手动配置。支持 Mac、Linux 和 VPS。
2、验证服务可用性：curl http://localhost:11434/api/generate -d'{ "model": "glm-4.7-flash", "prompt": "测试" }'，确认返回JSON响应。
3、编辑~/.openclaw/openclaw.json，在embedding字段中填入：{"provider": "custom", "model": "glm-4.7-flash", "api_base": "http://localhost:11434"}。
4、重启OpenClaw网关：openclaw gateway restart，使配置生效。
四、设定资料导入与问答行为规则
知识库效能取决于输入与输出的标准化程度。通过固化两条核心规则——“所有原始资料必须扔进raw”与“所有提问默认启用RAG+图谱增强”，可避免人工干预，形成稳定工作流。
1、将待入库的PDF、Markdown或网页导出文件统一拖入llm-wiki/raw目录。
2、向OpenClaw发送指令：请从llm-wiki/raw中提取所有技术术语并建立实体关系表，触发首次图谱构建。
3、在OpenClaw Memory中写入持久化指令：每次收到自然语言提问，优先检索wiki目录内容，辅以图谱关联节点扩展上下文。
4、测试提问：“我在2025年参与过哪些开源项目？”，观察是否返回wiki中已编译的结构化条目而非raw原文片段。
五、接入飞书知识问答实现跨端可问可答
本地知识库需对外提供免登录、可分享的问答接口，飞书知识问答是目前唯一支持零代码接入、免费额度充足、且与OpenClaw日志格式天然兼容的SaaS层出口。通过双向Webhook，可将飞书用户提问实时转发至OpenClaw执行，并将结果回传渲染。
1、访问ask.feishu.cn开通知识问答服务，创建名为“个人AI知识库”的新知识库。
2、在飞书知识库设置中，启用“自定义数据源”，选择“Webhook方式”，复制提供的回调URL。
3、在OpenClaw中执行：openclaw skill install feishu-webhook --url [粘贴URL]，完成通道绑定。
4、向飞书知识库上传一份测试文档，随后在飞书客户端直接提问，确认回复由OpenClaw本地模型生成并带来源标注。
