OpenClaw 接入 DeepAI API 中转站：memory-lancedb 自定义 Embedding Provider 怎么配置

OpenClaw 这类 Agent 工具的“记忆”能力，通常离不开 Embedding 和向量检索。聊天模型负责推理，Embedding 模型负责把历史片段、用户偏好、任务线索变成可检索向量。如果你通过 DeepAI API 中转站 统一接入 OpenAI-compatible 模型，记忆插件是否支持自定义 baseUrl、模型名和向量维度，就会直接影响 auto-recall / auto-capture 能不能稳定工作。

GitHub Issue 背景：memory-lancedb 曾经锁死官方 OpenAI Embeddings

这个问题来自 OpenClaw Issue #8118。Issue 描述中提到，memory-lancedb 插件当时只支持 text-embedding-3-small 和 text-embedding-3-large，配置 schema 里把模型名写成了固定枚举；初始化 OpenAI 客户端时也只传 apiKey，没有开放 baseUrl。

model: {
  type: "string",
  enum: ["text-embedding-3-small", "text-embedding-3-large"]
}

this.client = new OpenAI({ apiKey }) // no baseUrl

这会让用户陷入两难：核心 memory 系统已经能配置 OpenAI-compatible Embedding Provider，但 memory-lancedb 插件提供的自动召回和自动捕获功能，却仍然被官方 OpenAI Embedding 接口绑定。

已解决线索：#17874 增加 custom endpoint 和 dimensions 支持

Issue 后续由维护者关闭，并说明已通过合并的 #17874 实现：为 memory-lancedb 增加自定义 OpenAI-compatible endpoint 和 dimensions 支持。也就是说，最新实现已经朝着“Embedding Provider 与聊天 Provider 一样可配置”的方向修复。

对 DeepAI API 中转站用户来说，这个修复非常关键：Embedding 请求可以走 https://api.deepai.wang/v1/embeddings，模型名不再只能是官方枚举，也可以使用中转站后台开放的自定义 Embedding 模型。

推荐配置思路：Base URL、模型名、维度三件事分开确认

接入 OpenAI-compatible Embedding Provider 时，建议把配置拆成三层：

• Base URL：统一写到 https://api.deepai.wang/v1，让客户端自己拼接 /embeddings。
• Embedding 模型名：使用 DeepAI API 中转站后台实际支持的 model id，不要混用展示名。
• dimensions：如果模型支持自定义维度，确保 LanceDB 表结构、历史向量和新请求维度一致。

一个概念化配置可以类似这样：

{
  "memorySearch": {
    "provider": "openai",
    "remote": {
      "baseUrl": "https://api.deepai.wang/v1",
      "apiKey": "YOUR_DEEPAI_API_KEY"
    },
    "model": "your-embedding-model",
    "dimensions": 1024
  }
}

实际字段名称要以你当前 OpenClaw 版本和插件文档为准；核心原则是：Embedding 不是聊天模型的附属配置，它需要独立验证。

DeepAI API 中转站场景下怎么排查

1. 先确认 OpenClaw 聊天模型是否能通过 DeepAI API 中转站正常请求，这只验证 chat 链路。
2. 再单独测试 Embedding 接口，确认 /v1/embeddings 返回 data[].embedding。
3. 检查 OpenClaw / memory-lancedb 配置里是否能填写 baseUrl 和自定义模型名。
4. 如果报模型不在枚举中，说明还在使用旧插件或旧配置 schema。
5. 如果写入 LanceDB 失败，重点检查 embedding 向量维度是否和表中历史数据一致。

常见坑位

• 聊天可用但记忆不可用：Chat Completions 和 Embeddings 是两条接口链路，必须分别测试。
• Base URL 写太深：不要把 Base URL 写成 /v1/embeddings，否则客户端可能重复拼接路径。
• 模型名被枚举限制：旧版本只允许官方模型名时，需要升级到包含自定义 Provider 修复的版本。
• 维度不一致：同一个 LanceDB 表里混入不同维度的向量，检索和写入都可能失败。
• 误用聊天模型做 embedding：Embedding 请求必须路由到 Embedding 模型，不要用普通对话模型 ID。

为什么这对 Agent 记忆很重要

Agent 记忆的质量很大程度取决于向量检索质量。Embedding 模型、向量维度、分段策略和向量库写入都会影响召回。如果 memory-lancedb 只能使用固定官方模型，站长就很难基于成本、隐私、地域和模型效果做优化。接入 DeepAI API 中转站后，可以统一管理 Embedding 模型、Key、日志和额度，把记忆链路纳入同一套可观测体系。

更重要的是，DeepAI 中转站后台日志可以告诉你：Embedding 请求是否真的发出、用了哪个模型、返回维度是多少、耗时和状态码如何。这些信息比单纯看 OpenClaw 前端“记忆没有召回”更容易定位问题。

上线前验证清单

1. 用一个短文本手动调用 DeepAI Embeddings 接口，确认返回向量数组。
2. 记录 embedding 维度，并确认 LanceDB 表使用相同维度。
3. 让 OpenClaw 写入一条记忆，检查中转站日志中是否出现 Embedding 请求。
4. 用相关问题触发 auto-recall，确认检索结果能返回到 Agent 上下文。
5. 更换模型或 dimensions 前，规划是否需要重建向量库。

参考资料

• OpenClaw Issue #8118：memory-lancedb support custom embedding providers
• OpenClaw 请求丢失历史 messages 排查
• OpenClaw stream_options include_usage 与 token 统计排查
• DeepAI API 中转站教程导航

总结

OpenClaw 接入 DeepAI API 中转站时，聊天链路成功不代表 memory-lancedb 记忆链路也成功。遇到自定义 Embedding Provider 不可用、模型名被限制或 LanceDB 写入失败时，重点检查插件版本是否支持 baseUrl、自定义模型名和 dimensions。把 Embedding 请求也纳入 DeepAI API 中转站的统一日志和路由管理，才能让 Agent 的长期记忆、自动召回和向量检索真正稳定起来。