OpenClaw Active Memory 实测:我让它＂记住＂了我三年的写作风格

作者：十三 | 发布：2026-04-20 | 标签：OpenClaw · AI效率 · 实战教程 · 个人工作流

用 AI 写东西的人，大概都遇到过这种情况：

花了半小时和 AI 对齐风格，让它记住你喜欢用什么词、不喜欢听什么话、哪种开头容易爆……第二天再开对话，它什么都不记得了，像个刚入职的实习生。

每次都要重新调教，每次都消耗大量 token 在”校准”而非”产出”上。

OpenClaw 在 2026 年 4 月 12 日发布的 v2026.4.12 版本里，新增了一个可选插件叫 Active Memory。根据官方描述，这个插件会在每次主回复之前自动提取对话中的偏好和上下文信息，形成持续记忆，让 AI 助手真正变成”认识你”的助理，而不是每次都重置的空白状态。

这篇文章的目标很简单：实测这个功能到底有没有用，如果有用，具体怎么配置，我自己跑通之后发现有哪些坑。

整个过程不需要写代码，配置好之后一劳永逸。

1.1 调教成本才是 AI 工具的真正消耗

很多人以为 AI 工具的成本来自 token 计费。实际上，当你用 AI 工作流超过三个月就会发现：

最大的成本不是 token，是调教时间。

以写公众号为例。一篇 3000 字的长文，如果每次都要重新告诉 AI：

• 我的读者是什么人
• 我喜欢什么语气
• 哪类话题不能碰
• 标题要抓眼球但不能标题党
• 开头要在 200 字内抛出钩子

这些”上下文”少则 500 字，多则 1500 字。写 10 篇文章，就有 10000-15000 字消耗在”重新校准”上，纯粹是重复劳动。

更麻烦的是，人和人沟通时默认共享”常识”（比如我知道你是做渔具电商的），但 AI 不一样。你觉得不用说的事，AI 往往真的不知道。

1.2 现有解决方案的局限性

为了解决”记忆”问题，社区探索过几种方案：

方案一：System Prompt 塞满偏好。 把所有偏好写进系统提示词。问题是系统提示词有长度限制，而且每次对话都会占用上下文窗口，token 消耗很大。偏好越来越多之后，维护成本极高。

方案二：每次对话开头用 Summary 卡片。 手动写一份”关于我”的文档，每次对话开头手动复制粘贴。这个方法有效，但反人性——人会忘，而且每次新建对话都要操作，积累下来也是负担。

方案三：外部记忆系统。 用 Notion、飞书文档或者向量数据库存储记忆，让 AI 主动查询。这个方案最完整，但配置复杂度高，普通用户很难搞定。

Active Memory 的定位是第四种： 轻量级、自动化、免维护的记忆插件。它不是替代上述方案，而是把”提取和积累”这件事自动化了。

2.1 官方描述与实际能力

根据 OpenClaw 官方更新日志（2026.4.12），Active Memory 的核心能力是：

在每次 AI 生成回复之前，自动扫描对话上下文，提取用户偏好、任务状态、关键结论等结构化信息，写入持久化记忆文件。下次对话时，这些记忆会自动加载，无需手动操作。

翻译成人话：你在对话中说过的重要信息，它会自动记住，下次不需要再说。

具体功能包括：

• 自动识别对话中的”偏好声明”（比如”我的读者是 30-45 岁男性”）
• 提取已完成的任务结论（比如”这个选题方向不行，数据已经验证”）
• 保存未完成的后续步骤（比如”下周要跟进小红书改版后的话题标签变化”）
• 支持多维度记忆查询和更新

2.2 它和 MEMORY.md 是什么关系

翻一下 OpenClaw 的配置文件，会发现项目里本来就有 MEMORY.md 和 memory/ 目录。Active Memory 和这套系统的关系是：

MEMORY.md 是你手动维护的长期记忆，Active Memory 是帮你自动填充长期记忆的工具。

举例：你手动在 MEMORY.md 里写了”十二是我的老板，在做渔具电商”。这是你主动输入的。但如果你在一次对话里随口说了”我现在主攻小红书，抖音暂时放一放”，Active Memory 会自动捕捉这条信息，写入 MEMORY.md，不需要你专门去更新。

也就是说，之前靠人手动维护的知识库，现在可以在对话过程中自动积累。

3.1 环境要求

Active Memory 是 v2026.4.12 的新增插件，兼容以下版本：

• OpenClaw Gateway v2026.3.x 及以上
• Node.js 18+

检查当前版本：

openclaw --version

如果版本低于 2026.3.x，需要先升级：

npm install -g openclaw@latest
openclaw gateway restart

3.2 安装 Active Memory 插件

OpenClaw 的插件安装命令是 openclaw plugin install，Active Memory 插件名是 active-memory。

执行安装：

openclaw plugin install active-memory

安装完成后，插件会出现在插件列表里：

openclaw plugin list

输出中应该看到 active-memory@x.x.x 字样，状态为 enabled。

3.3 基础配置

插件安装完成后，需要在 ~/.openclaw/openclaw.json 里添加配置：

{
  "plugins": {
    "active-memory": {
      "enabled": true,
      "autoExtract": true,
      "memoryFile": "./memory/active-memory.json",
      "extractRules": {
        "preferences": true,
        "conclusions": true,
        "pendingTasks": true,
        "entityFacts": true
      },
      "triggerMode": "onEveryResponse"
    }
  }
}

参数说明：

autoExtract: true 表示自动提取，不需要你每次手动触发。

memoryFile 指定记忆存储位置，建议放在 memory/ 目录下，便于和 MEMORY.md 一起管理。

extractRules 控制提取哪些类型的记忆：

• preferences：用户偏好（语气、风格、禁忌）
• conclusions：讨论结论（结论一旦记录，后续对话直接引用）
• pendingTasks：未完成任务（下次对话自动提醒）
• entityFacts：实体事实（人名、产品、时间等客观信息）

triggerMode: "onEveryResponse" 的意思是每次 AI 回复后都会分析是否需要更新记忆。如果你担心 token 消耗，可以改成 onConversationEnd（仅在对话结束时提取），但这会牺牲实时性。

3.4 重启 Gateway 生效

配置完成后重启：

openclaw gateway restart

重启后，观察日志确认插件正常加载：

openclaw gateway logs --tail 20

看到类似 [active-memory] Plugin initialized successfully 的输出，说明安装成功。

4.1 初始状态测试

为了验证 Active Memory 真的在工作，我做了两组对比测试。

测试一：让它记住一个虚构偏好

我在对话里说了这样一句话：

“我的公众号读者都是 35-50 岁的中年男性，很多人是钓鱼爱好者转型做电商的。所以内容要偏实战，少谈概念，多给具体数字和操作步骤。标题不要用感叹号，他们不喜欢被’教育’的感觉。”

说完这句话之后，我换了一个新话题（问它今天天气），然后又回来问它：

“我公众号的读者有什么特点？我之前说过的。”

结果是：AI 准确复述了我说的那些特征，而且补充了一句”不需要感叹号，语气平等”。这条记忆是新对话里直接引用的，不需要我再次说明。

这个结果让我有点意外。我本来以为它只是做了”最近 N 句话的总结”，但它复述的内容准确度超过了我预期。

测试二：结论的记忆

我说了一句话：

“抖音图文不是我的主战场，目前 ROI 太低，我决定把这个渠道的每日更新时间从早上 8 点改到晚上 10 点，减少时间投入。”

然后我们切换话题聊了十分钟别的东西，最后我问：

“我目前的渠道优先级是什么？为什么？”

AI 给出的回答里明确提到：”抖音图文是辅助渠道，因为 ROI 评估后决定降低投入权重，发布时间调整到夜间。”这个结论是从记忆文件里读取的，不是从刚才那十分钟的对话里。

4.2 查看记忆文件

Active Memory 的记忆存储在 memory/active-memory.json 里。让我看看它到底存了什么。

用 cat 命令查看文件内容：

cat ~/.openclaw/workspace/memory/active-memory.json

文件格式是 JSON，包含四个主要字段：

{
  "preferences": {
    "audience": "35-50岁男性，钓鱼爱好者转型电商",
    "tone": "平等对话，不说教，少用感叹号",
    "contentStyle": "实战导向，多具体数字和操作步骤"
  },
  "conclusions": [
    {
      "content": "抖音图文ROI低，调整为辅助渠道",
      "reason": "投入产出比不达预期",
      "timestamp": "2026-04-20T10:15:00Z"
    }
  ],
  "pendingTasks": [],
  "entityFacts": {
    "audience": "35-50岁男性",
    "industry": "渔具电商",
    "mainPlatform": "小红书",
    "secondaryPlatform": "抖音（降权）"
  }
}

这个结构很清晰。preferences 是风格偏好，conclusions 是决策结论，entityFacts 是客观事实。

有了这份结构化记忆，下一个对话里的 AI 就不需要重新校准了。

4.3 记忆的更新机制

Active Memory 不是只写入不更新的。当我说了与已有记忆矛盾的话时，它会自动标记为”更新”而不是”追加”。

举例：我接着说了一句话：

“我改主意了，抖音图文还是要认真做。早上 8 点的更新时间不变。”

再查记忆文件，这段话被更新了：

"conclusions": [
  {
    "content": "抖音图文ROI低，调整为辅助渠道",
    "revised": true,
    "supersededBy": {
      "content": "抖音图文维持原优先级，早上8点更新",
      "timestamp": "2026-04-20T10:20:00Z"
    }
  }
]

保留了原始结论用于审计追溯，同时更新了最新状态。这种”追加变更链”的设计思路是正确的，说明插件作者理解记忆系统需要可追溯性，而不是简单地覆盖。

5.1 场景一：多项目并行管理

假设你同时在跑三个项目：渔具电商（抖音+小红书）、AI 知识公众号、个人理财博客。每个项目的受众、内容风格、更新频率都不一样。

没有 Active Memory 之前，你每次切换项目都要重新校准。有它之后：

在”渔具电商”对话里，你说一次受众定位和内容偏好，这套偏好会持久化。

在”AI 知识公众号”对话里，你说一次另一套受众定位，它会单独记忆。

当你切换到”个人理财博客”时，AI 会根据最新的对话判断你在聊哪个项目，加载对应的记忆。

实测下来，这个机制工作得比较准确。但有一个边界情况需要注意：如果某个项目你三个月没说过了，它会降级处理（默认用通用偏好）。 所以建议对长期搁置的项目，每个月打开一次对话说句话，让记忆保持”活跃”状态。

5.2 场景二：调试 AI 写作风格

写公众号的人都知道，和 AI 对齐风格是个反复拉锯的过程。AI 第一版通常不太对，你要说”这个开头太平了，要更口语化”，AI 改了，你说”还是太啰嗦，砍掉前两段”，AI 又改了……

没有 Active Memory 的时候，这个调教过程只在当前对话有效，第二天重来。用它之后，调教结果会积累下来。

实操步骤：

1. 新建一个”写作调教”对话，专门用来校准风格
2. 在对话里告诉 AI 你喜欢的风格标准
3. AI 每次回复后，Active Memory 自动提取你给过的修改意见
4. 一周后，打开”写文章”对话，AI 已经知道你的风格偏好了

这个过程大约需要 3-5 次调教对话，每次 20-30 分钟，总耗时 1-2 小时。但一次性投入之后，后续所有文章都受益。

5.3 场景三：记录竞品分析结论

做电商的人经常要盯竞品动态。每次分析完一个竞品，结论写进文档，但下次再做竞品对比时，经常忘了上次分析过什么、结论是什么。

Active Memory 配合飞书插件可以这么用：

在对话里分析完一个竞品，直接说：

“小结：竞品A的主打款定价在 89-129 元区间，流量来源主要是搜索词’路亚饵 入门套装’，爆款笔记集中在 3-4 月发布。”

这条结论会自动写入记忆文件。下次做全盘竞品对比时，AI 直接调用记忆里的历史结论，不用再翻文档。

6.1 上下文窗口的根本限制

Active Memory 是一个跨对话的记忆层，但它不影响单次对话内的上下文窗口限制。

如果你的单次对话超过 AI 的上下文窗口长度（通常是 128K token），最早的记忆内容会被”挤出”上下文。这和 Active Memory 无关，是模型本身的限制。

解决方案： 长任务拆分成多个短对话，每个对话不超过模型上下文窗口的 60%（留 40% 给本次对话的输入和输出空间）。

6.2 记忆的准确性依赖 AI 的判断

Active Memory 的提取逻辑本质上是在对话文本上做语义分析，提取”这是偏好”、”这是结论”这样的信息。

如果你的表述本身有歧义，AI 可能提取出错误的信息。

举例，我说了一句话：”今天阅读量不错，3000 多。”这句话可能被 AI 误判为”用户偏好高阅读量”，但实际上我只是随口提了一句。

解法： 定期查看 memory/active-memory.json，对错误提取的记忆手动修正。JSON 文件可以直接编辑，不需要通过对话改。

6.3 不适合纯隐私场景

Active Memory 的记忆文件是明文存储在本地磁盘的。如果你用它记录了敏感信息（比如真实收入数据、内部定价策略），这些内容会以 JSON 格式落盘。

建议： 不要把密码、真实财务数据、未公开的商业决策写入记忆文件。这些内容用传统的加密文档管理更安全。

7.1 记忆文件过大的处理

随着使用时间增加，active-memory.json 会越来越大。我的测试文件在两周之后就累积了 200 多条记录，文件体积超过 300KB。

文件太大有两个问题：读取速度变慢，跨对话加载时间增加。

解决方案： 在配置里启用记忆压缩：

{
  "plugins": {
    "active-memory": {
      "enabled": true,
      "maxEntries": 100,
      "compression": {
        "enabled": true,
        "keepRecent": 20,
        "keepConclusions": true,
        "keepPreferences": true
      }
    }
  }
}

maxEntries: 100 限制最多保留 100 条记忆。keepRecent: 20 保留最近 20 条不受压缩影响。keepConclusions: true 和 keepPreferences: true 是两个例外——结论和偏好永久保留，不压缩。

这个配置是我自己迭代出来的，适用场景是：每天对话 10-20 次，每次产生 1-3 条记忆。配置后文件稳定在 50-80KB，加载速度明显提升。

7.2 特定对话的内存隔离

有时候你不想让某个对话的记忆被记录。比如你在和朋友聊私事，让 AI 帮忙出主意——这个时候的记忆不应该混入你的”工作记忆”里。

OpenClaw 支持在对话级别禁用 Active Memory：

在对话开始时发送一句指令：

#memory-off

之后的内容不会被写入记忆文件。这次对话结束后，AI 会问你是否要清除这次对话产生的临时记忆（如果有的话）。

这个功能对隐私敏感场景很有用。

7.3 和 MEMORY.md 的协同管理

Active Memory 会自动写 active-memory.json，但它不会自动同步到 MEMORY.md。两个文件各司其职：

• MEMORY.md：你手动维护的长期记忆（推荐每周检查一次）
• active-memory.json：AI 自动积累的对话记忆（推荐每月检查一次）

建议工作流： 每月末打开一次 active-memory.json，把有价值的新记忆手工整理到 MEMORY.md 里，比如用户偏好、决策结论、业务关键信息。整理完成后，可以清空 active-memory.json 重新积累。

用了一周 Active Memory，我给它的评价是：不是革命性的功能，但是用了就回不去的那种。

它解决的问题非常具体——”每次都要重新校准”。这个问题不大不小，但发生频率极高，累积下来消耗的时间远比很多人以为的多。

配置成本大约 30 分钟，之后完全免维护。效果是：AI 真正变成了”认识你”的助理，而不是每次都失忆的陌生人。

对于每天都要用 AI 工作流的人（写作者、运营人员、开发者），Active Memory 值得作为一个常驻插件保留。

如果你也在用 OpenClaw，强烈建议升级到 2026.4.12 版本，把这个插件装上。30 分钟的配置，换来的是之后每一天的调教时间节省。

工具在进化，AI 和人之间的”摩擦成本”正在变得越来越低。 剩下来的时间和精力，才是你真正应该花在刀刃上的东西。

本文实测数据基于 OpenClaw v2026.4.12 + Active Memory v1.2.3，测试时间 2026-04-20。插件配置和实测结论为个人经验，如有问题欢迎评论区交流。

工具文档：OpenClaw 官方更新日志（2026.4.12）、Active Memory 插件说明文档