让 Agent 真正具备本地知识检索、混合召回、自动索引、文档问答、持续记忆能力

• Elasticsearch 检索
• OCR / 合同系统
• 本地文档知识库
• 自动化工作流
• RAG Agent

OpenClaw + Ollama + Elasticsearch 本地知识库 Agent 实战

核心目标：
所有数据本地闭环，不走云端 API，OpenClaw 调度 Agent，Ollama 负责推理，Elasticsearch 负责混合检索与长期知识存储。(AI Agent Knowledge Base)

一、整体架构设计

推荐你直接采用这套生产架构：

User / Telegram / Web
        ↓
   OpenClaw Gateway
        ↓
   Agent Runtime
   ├── Tool Router
   ├── Memory Search
   ├── File Parser
   └── Workflow Skills
        ↓
   Ollama (Qwen2.5 / DeepSeek)
        ↓
Elasticsearch
   ├── BM25
   ├── Dense Vector
   ├── HNSW
   └── Metadata Filter
        ↓
MinIO / 本地文件

其中：

• OpenClaw = Agent 编排层
• Ollama = 本地 LLM
• Elasticsearch = 混合检索层
• MinIO = 原文档存储层

这正好和你现在的 ES + OCR 技术栈高度一致。

二、环境准备

1）启动 Elasticsearch

docker run -d \
  --name es \
  -p 9200:9200 \
  -e discovery.type=single-node \
  -e xpack.security.enabled=false \
  -e ES_JAVA_OPTS="-Xms2g -Xmx2g" \
  docker.elastic.co/elasticsearch/elasticsearch:8.15.0

2）启动 Ollama

ollama serve
ollama pull qwen2.5:7b
ollama pull nomic-embed-text

本地 embedding 强烈推荐 nomic-embed-text。社区在 OpenClaw hybrid RAG 中大量使用。(reddit.com)

3）启动 OpenClaw

openclaw onboard

新版已经支持自动发现本地 Ollama。(OpenClaw Alpha)

三、Elasticsearch 索引设计（核心）

这里是整个系统最关键的一层。

知识库索引 Mapping

PUT local_knowledge
{
  "mappings": {
    "properties": {
      "doc_id": { "type": "keyword" },
      "title": { "type": "text" },
      "content": { "type": "text" },
      "vector": {
        "type": "dense_vector",
        "dims": 768,
        "index": true,
        "similarity": "cosine",
        "index_options": {
          "type": "hnsw"
        }
      },
      "tags": { "type": "keyword" },
      "created_at": { "type": "date" }
    }
  }
}

非常适合：

• 合同文档
• OCR PDF
• 技术文档
• 项目知识库
• API 文档

四、Python 文档入库 Pipeline（重点）

下面给你生产级 Python 脚本。

1）文档切块

from pathlib import Path


def chunk_text(text, size=500, overlap=100):
    chunks = []
    start = 0
    while start < len(text):
        end = start + size
        chunks.append(text[start:end])
        start += size - overlap
    return chunks

2）调用 Ollama Embedding

import requests


def embed(text):
    resp = requests.post(
        "http://localhost:11434/api/embeddings",
        json={
            "model": "nomic-embed-text",
            "prompt": text
        }
    )
    return resp.json()["embedding"]

3）写入 Elasticsearch

from elasticsearch import Elasticsearch
from datetime import datetime
import uuid

es = Elasticsearch("http://localhost:9200")


def index_doc(title, content):
    chunks = chunk_text(content)

    for chunk in chunks:
        vector = embed(chunk)

        es.index(
            index="local_knowledge",
            document={
                "doc_id": str(uuid.uuid4()),
                "title": title,
                "content": chunk,
                "vector": vector,
                "tags": ["contract"],
                "created_at": datetime.now()
            }
        )

五、混合检索（BM25 + 向量）

这是效果最好的方案。

OpenClaw 社区也非常推荐 hybrid memorySearch。(reddit.com)

Python Hybrid Search

def hybrid_search(query, query_vector):
    return es.search(
        index="local_knowledge",
        query={
            "bool": {
                "should": [
                    {"match": {"content": query}},
                    {
                        "script_score": {
                            "query": {"match_all": {}},
                            "script": {
                                "source": "cosineSimilarity(params.q, 'vector') + 1.0",
                                "params": {"q": query_vector}
                            }
                        }
                    }
                ]
            }
        },
        size=5
    )

六、接入 OpenClaw Skill（核心实战）

你真正要的是让 Agent 自动调用 ES。

skill 目录结构

skills/
└── es-rag/
    ├── SKILL.md
    └── search.py

SKILL.md

# ES RAG Search

When users ask about:
- contract
- OCR files
- project docs
- Elasticsearch architecture
- deployment scripts

Always call search.py first.
Use retrieved context before answering.

Skill 是 OpenClaw 最核心扩展能力。(TechRadar)

search.py

import sys

query = sys.argv[1]
vec = embed(query)
result = hybrid_search(query, vec)

for hit in result["hits"]["hits"]:
    print(hit["_source"]["content"])

七、OpenClaw Agent 工作流优化（非常关键）

很多人只做了“能检索”，但 Agent 不一定主动用。

社区最佳实践是：

强制写入 AGENTS.md 规则，让 Agent 优先 memorySearch，再读文件 (reddit.com)

AGENTS.md

Before opening files directly:
1. Always use Elasticsearch hybrid retrieval
2. Prefer semantic recall
3. Merge top5 chunks
4. Then ask Ollama to summarize

这一条非常关键。

否则 Agent 容易：

• ls
• 遍历文件夹
• 逐个打开 markdown
• 浪费大量 token

八、适配你的 OCR / 合同系统（强烈推荐）

你当前业务非常适合：

PDF
 ↓
OCR
 ↓
结构化字段抽取
 ↓
Chunk
 ↓
Embedding
 ↓
Elasticsearch
 ↓
OpenClaw Agent

例如：

• 用户问：某合同违约条款是什么？
• Agent 自动检索 OCR 结果
• 返回原始 chunk + 总结结果
• 自动附带合同编号

九、性能优化（生产级）

1）混合权重推荐

直接用社区验证过的权重：

{
  "vectorWeight": 0.7,
  "textWeight": 0.3
}

(reddit.com)

2）MMR 去重

lambda = 0.7

避免多个 chunk 高度重复。

3）时间衰减

halfLifeDays = 30

适合你的合同、版权咨询、工单系统。

十、最适合你的最终生产架构

Nginx
 ↓
OpenClaw
 ↓
Ollama(Qwen2.5)
 ↓
Elasticsearch(HNSW)
 ↓
MinIO
 ↓
OCR / Contract / Copyright System

这套是你当前最匹配的 本地私有 Agent 知识库方案。