夜雨聆风
拆完 Claude 46万行源码后,我终于搞懂 AI 是怎么＂记住＂你的
同样是把记忆”写在纸上”，Anthropic 和 OpenClaw 走了两条完全相反的路。
你有没有这种错觉——跟 AI 聊久了，它好像越来越”懂你”？
上周随口说的口味偏好，今天它还记得；三个月前提过一个项目细节，它居然能翻出来当参考。
Claude Code 的完整源码意外泄露了我一度真的以为 AI 有记忆。直到上个月，——46 万行代码被摊在阳光下，其中就包含了 Anthropic 设计”AI 记忆”的全部秘密。
我花了一周时间把这段代码读完，又顺手翻遍了 OpenClaw 的 memory-core 源码。
结果发现了特别有意思的分野：
同样是让 AI”记住”用户，两家走了两条完全不同的路。
反思派一个是 🧠 ：让 AI 自己当图书管理员，靠理解来判断什么该留。
算法派一个是 ⚙️ ：把每一次搜索都量化成数据，靠分数和阈值来做决策。
更关键的是，这不仅是”怎么写”记忆的分歧，还是”怎么读”记忆的分歧。
今天这篇，把底层代码拆给你看。
—
📊 先上一张总览图
不想看长文的，先收藏这张图，5 秒钟抓住核心差异：
Claude Code💜 ：LLM 自己写、自己整理，读的时候像查档案，只挑相关的翻。
OpenClaw🧡 ：工具自动追踪搜索行为，算法决定谁能进长期记忆，读的时候像背课文，全文注入 prompt。
好，下面我们一层层拆开。
—
01 先说结论：AI 没有记忆，全是工程外挂
破除一个迷思：
任何说”AI 有记忆”的，都是修辞。
大语言模型本质是”无状态”的。你每次发消息，它都是一次性处理完你给的所有上下文，然后产出回复。模型本身并不”保存”你们的聊天记录。
外挂系统所以所谓的”记忆”，全都是——有人在模型外面搭了一套书架，把对话里的重要信息挑出来，写成文本文件，等下次聊天时再塞回 prompt 里。
Claude Code 和 OpenClaw 在这一点上达成了罕见共识：
所有能被记住的东西，都必须显式地写在磁盘上。没有隐藏状态。
但接下来就是巨大的分歧：
谁来写？什么时候写？什么值得记住？读的时候又怎么读？
让 LLM 自己写、自己整理，读的时候按需加载。Claude Code 的答案：
让工具自动追踪、让算法来晋升，读的时候直接注入全文。OpenClaw 的答案：
—
02 Claude Code 路线：fork 子代理 + 四阶段反思
Anthropic 是怎么做的？
📝 记忆写进去：每轮对话后自动触发
Claude Code 有一个后台钩子叫 `extractMemories`。每当你一轮对话结束（模型给出最终回复、不再调用工具）时，它就会悄悄启动。
fork 出一个子代理注意，这里不是主代理自己去写，而是 。
这个子代理是主对话的”完美副本”，能共享父对话的 prompt cache，所以运行成本极低。但它的权限被严格阉割：
·只能读（`Read`、`Grep`、`Glob`）
·Bash 只能跑只读命令（`ls`、`cat`、`grep`）
·只能在 auto-memory 目录内部操作`Edit` / `Write`
如果这一轮主代理自己已经动手写了记忆，后台 fork 就自动跳过，不会重复劳动。这个”互斥”设计很聪明。
预注入 manifest 是另一个提速技巧。子代理启动前，系统会先把已有记忆文件扫描一遍，生成目录清单直接塞进 prompt，省掉一轮 `ls`。
🔄 记忆整理：autoDream，四阶段”反思”流程
写进去只是第一步。记忆多了会变乱，于是有了整理机制 `autoDream`。
触发条件有三道闸：
1.时间闸：距离上次整理超过 24 小时
2.会话闸：这段时间新增了至少 5 个会话
3.锁闸：当前没有别的进程在整理
一旦触发，同样 fork 子代理，prompt 变成完整的四阶段指令：
Phase 1 – Orient（定位）
先 `ls` 记忆目录，读 `MEMORY.md`，快速浏览已有 topic 文件，了解记忆的”地形”。
Phase 2 – Gather（收集信号）
读 daily logs，检索最近会话的 transcript。如果需要特定上下文，就用 `grep` 去 JSONL 记录里找。
Phase 3 – Consolidate（整合）
把新信息合并进现有 topic 文件，避免重复。把”昨天””上周”转成绝对日期。发现旧记忆被证伪了，直接删掉或修正。
Phase 4 – Prune and Index（修剪索引）
维护 `MEMORY.md`。删掉过时指针，把超过 200 字符的冗长索引拆回 topic 文件，添加新指针。
硬性天花板而且 Anthropic 给 `MEMORY.md` 设了：最多 200 行，不超过 25KB。超过就要拆、要删。
LLM 自己当图书管理员整个流程的核心是：。它不是按照死规则跑，而是靠”理解”来决定哪些信息值得合并、哪些文件该删。
📖 记忆读出来：按需加载，像查档案
选择性加载相关的 topic 文件因为 `MEMORY.md` 只是一个轻量目录，真正读取时会根据当前对话上下文，，而不是一次性全塞进去。
好处很明显：
·成本低：不会因为记忆变多而线性涨 token
·干扰少：不相关的旧记忆不会污染当前对话
·灵活度高：LLM 自己决定”这轮该翻哪本书”
风险也在于：如果 LLM 判断失误，可能会漏掉一个看似无关、实则关键的旧记忆。
📁 文件布局：MEMORY.md 是索引，不是正文
“` ~/.claude/projects/<项目名>/memory/ ├── MEMORY.md← 索引（硬限制：200 行 / 25KB） ├── logs/YYYY/MM/…← 日常日志 └──
`MEMORY.md` 是一个超轻量目录，每一行都是指针：
“`
·[Title](file.md) — one-line hook
“`
加载快，不做大文件注入。真正的内容分散在各个 topic 文件里。这样做只有一个目的：
—
03 OpenClaw 路线：工具追踪 + 算法晋升
现在看 OpenClaw 是怎么做的。
📝 记忆写进去：没有自动 fork，但有”搜索追踪”
OpenClaw 不会自动 fork 子代理帮你写记忆。它给你的只有两个工具：
·`memory_search`：语义搜索 MEMORY.md 和 memory/*.md（还支持 `corpus=wiki` 搜索知识库）
·`memory_get`：按路径和行号安全读取片段
主代理显式调用 Write/Edit写记忆主要靠memory flush，或者在上下文压缩前触发提醒——系统会插入一个静默提示，催促 agent 把还没写进文件的重要信息赶紧存下来。
每次调用 `memory_search`，系统都会自动做 short-term recall tracking。但 OpenClaw 有一个非常特殊的机制：
只要你搜索了记忆，被 surface 出来的结果就会被量化记录到一个 JSON 数据库里。记录内容包括：
·query 本身
·结果的路径、行号、snippet、分数
·被召回过多少次（recallCount）
·有多少不同 query 招出过它（queryHashes）
·分别在哪几天被招出过（recallDays）
·自动提取的概念标签（conceptTags）
忠实地记录你的记忆被怎样使用过OpenClaw 不评判你的记忆”好不好”，但它会。
🔄 记忆整理：Dreaming，三阶段晋升流水线
可选插件功能，默认关闭OpenClaw 的 dreaming 是。开启后，系统会注册一个 cron job（默认每天凌晨 3 点），触发”梦境清扫”。
最关键的区别：
OpenClaw 的 dreaming，不是靠 LLM 反思来整理，而是靠算法评分决定谁能进长期记忆。
它分为三个阶段：Light Sleep、REM Sleep、Deep Sleep。
Light Sleep
把 `memory/YYYY-MM-DD.md` 和会话 transcript chunk 拆成 snippet，写入短期召回数据库，并打上 light phase signal。
REM Sleep
基于 conceptTags 做主题统计，计算哪些概念反复出现；再按 confidence 公式筛选高价值 snippet，标记为”possible lasting truths”，打上 REM phase signal。
Deep Sleep
六维加权分真正的决策层。每个候选 snippet 会被打一个：
|
信号 |
权重 |
含义 |
|
Frequency |
0.24 |
总信号次数 |
|
Relevance |
0.30 |
平均 retrieval score |
|
Diversity |
0.15 |
独立 query / 覆盖天数 |
|
Recency |
0.15 |
半衰期衰减新鲜度（默认 14 天） |
|
Consolidation |
0.10 |
多天复发的强度 |
|
Conceptual |
0.06 |
概念标签丰富度 |
再加上 light/REM phase signal 的额外 boost（最高约 0.08）。
晋升门槛非常刚硬：
·`minScore >= 0.75`
·`minRecallCount >= 3`
·`minUniqueQueries >= 2`
·可选 `maxAgeDays` 限制
rehydration而且，在真正写入 `MEMORY.md` 前，系统会做一次 ：重新从源文件读取 snippet 对应的位置。如果原文已经被删改或找不到了，直接丢弃，防止把过时的东西晋升上去。
通过的候选会被 append 到 `MEMORY.md` 的 `## Promoted From Short-Term Memory` 区块，并标记 `promotedAt`。
🌙 Dream Diary：给人看的装饰品
每个 phase 结束后，如果配置了 subagent，OpenClaw 会调用子代理生成一段人类可读的”梦境日记”，写入 `DREAMS.md`。
不参与下一轮决策但这只是装饰文本——它。真正的决策权永远在 JSON store 和算法公式手里。
📖 记忆读出来：全文注入，像背课文
语义压缩OpenClaw 没有”按需加载”。每次对话开始时，系统会把 `MEMORY.md` 的完整内容直接注入到 system prompt 里。如果太长触发了长度限制，会通过尾部截断或处理，而不是像 Claude Code 那样只挑几本”相关的书”。
特点：
·确定性高：只要写进了 MEMORY.md，下次一定能被看到
·一致性强：不会出现”明明写过但 AI 忘了翻”
·成本上限明确：记忆膨胀会直接转化为 token 成本
📁 文件布局：MEMORY.md 是正文，直接注入
“`
完全相反`MEMORY.md` 的角色和 Claude Code 正文本身：它是，每次会话开头都会被全文塞进 prompt。
—
04 查档案 vs 背课文：两种读取策略
读到这里，两条路线的差异应该很清晰了：
Claude Code = 查档案式💜
`MEMORY.md` 是目录，AI 根据对话主题，只挑相关的 topic 文件读。
优点：成本低、干扰少 风险：可能漏读关键档案
OpenClaw = 背课文式🧡
`MEMORY.md` 是正文，每次对话直接全文注入 prompt。
优点：确定性高、不会漏读 风险：记忆膨胀 = token 成本上涨
你可以把它理解为：一个把记忆力省着用，一个把记忆力敞开了用。
—
05 谁更好？取决于你信任什么
没有标准答案。
Claude Code 更适合你，如果：
·记忆内容结构化程度高，需要频繁合并、去重、修枝
·你相信 LLM 的语义理解能力，愿意让它自己当图书管理员
·希望减少工程复杂度，不想维护 JSON store 和评分公式
·能接受后台 fork LLM 的潜在安全风险（虽然有沙箱）
OpenClaw 更适合你，如果：
·记忆内容非常庞杂，需要一套客观筛子防止 MEMORY.md 变垃圾堆
·你更信任可量化的规则，希望对”什么能进长期记忆”有完全可控的阈值
·需要可审计的决策链路，能向用户解释”为什么 AI 记住了这个”
·系统多 agent、多 workspace，需要跨会话统一调度
·对确定性有强需求，不希望整理过程引入不可预测的 LLM 行为
—
06 3 条可以直接拿走的行动建议
1️⃣ 设计记忆系统前先回答一个问题
你更信任 LLM 的整理能力，还是更信任可量化的评分规则？
想优雅、少维护 → 参考 Claude Code 路线。 想可控、可审计 → 参考 OpenClaw 路线。
2️⃣ 用 OpenClaw 发现 MEMORY.md 越来越冗长？打开 dreaming
把 `dreaming.enabled` 设为 `true`，让算法帮你做”梦境清扫”。高频高分 snippet 自动晋升，同时养成看 `DREAMS.md` 的习惯，观察机器在关注什么主题。
3️⃣ 参考 Claude Code 的 fork agent 模式，务必加沙箱
利用 shared cache 降低成本是必须的，但更要给后台子代理限定 `canUseTool` 沙箱。否则就是把文件系统权限交给了另一个 LLM，风险极高。
—
✍️ 写在最后
控制权和信任AI 记忆的战争，本质上是一场关于的战争。
你相信一个足够聪明的 LLM，能像一个贴心的私人助理一样，把所有文件整理得井井有条吗？
还是你相信只有冰冷的数字、明确的阈值和可追踪的日志，才能在大规模运行时不出乱子？
Claude Code 和 OpenClaw，分别站到了这两个答案的极端。但它们达成了一个底层共识：
再聪明的 AI，也得把记忆老老实实写在纸上。
因为只有这样，你才有机会知道它到底在想什么。