OpenClaw的长期记忆机制是如何实现的

我们在使用 OpenClaw 的过程中，经常会强调说：你要记住这个信息。比如在生图时，封面的风格是偏手绘质感，颜色要克制一点，不要太鲜艳。那下次生图的时候它就会按照这个要求来，即使过了好久，它仍然能记得。

今天我们就来聊聊他是怎么记住的？也就是 OpenClaw 的长期记忆机制是怎么运作的？

他是基于一套可见的文件系统来做存储，而且全部用 Markdown 格式。核心包括三类：

第一类是常驻记忆，也就是 MEMORY 文件。

这里存的是长期稳定的信息，比如你的使用偏好、已经做过的重要决策、以及未来还会反复用到的事实。可以把它理解成一份长期档案。

第二类是每日记忆，存放在 memory/ 目录下，用日期命名，比如 2026-04-30.md。

这里记录的是当天发生的事情、任务过程，以及阶段性的上下文。它不一定都是永久重要的，但能还原某一天发生了什么。

第三类是梦境记忆，也就是 DREAMS 文件。

这个是 dreaming 过程的审查日志，记录系统做了什么决策、为什么提升到常驻记忆里，供人类事后检查，不会被塞入到上下文里。这里先不详细介绍，等讲召回的时候像详细说下OpenClaw是如何做梦的。

这里还需要强调一下，说的都是 长期记忆体系，而不是对话过程中的短期上下文。

那这些记忆，是在什么时候、以什么方式被写进这些文件里的？

不同类型的记忆，写入的时机是不一样。

先看常驻记忆（MEMORY），它有两条主要路径：

一条是自动提升。

即在 Dreaming 阶段，系统会根据被召回的记忆来提升，这里先不详细说，后面记忆召回的时候再说下。

另一条是手动写入。

用户可以直接要求“记住这件事”，或者 AI 在判断某些信息明显具有长期价值时，也可以主动写入。

再看每日记忆。

它的写入时机通常发生在对话即将被压缩的时候。系统会从当前对话中挑选出有保留价值的内容，整理后写入当天的记忆文件。这样即使上下文被截断，重要信息也不会丢失。

至于 DREAMS 文件，等会再说。

到这里，其实只是完成了一件事：把记忆写进文件。

但光有文件还不够。

因为当文件越来越多、内容越来越长时，AI 不可能每次都把所有内容读一遍。

那它是怎么在这些文件里，快速找到相关记忆的？

OpenClaw 的做法是：在文件之外，再建一层本地数据库索引。

它会监听每日记忆文件夹，如新增、修改、删除，一旦有变化，就会把文件内容同步写入本地的 SQLite 数据库。同时会维护三张表：

* chunks：存原始文本切片，包括文件路径、行号、内容等

* chunks_fts：全文搜索索引，用于关键词检索（基于分词和倒排索引）

* chunks_vec：向量表（通过 sqlite-vec），用于语义搜索

简单来说，就是把 Markdown 文件拆成一小段一小段，然后同时建立：

* 一套“按关键词查”的索引

* 一套“按语意查”的索引（前提是配置向量模型）

这样，文件本身是可读的，数据库是可查的。

那接下来问题就变成：当你真的提出一个问题时，它是怎么从这些索引里，把相关记忆找出来并用上的？

这里主要靠两个工具，memory_search 和 memory_get。可以先把它理解成，一个负责找线索，一个负责读原文。

先看 memory_search，它做的事情并不是简单的关键词匹配，而是一个混合检索。它会同时跑两条路径，一条按语义找，一条按关键词找，然后把结果合在一起排序。这样既能找到表达完全一致的内容，也能找到意思相近但说法不同的记录。

语义搜索这一层，是把用户的问题转成向量，在本地的向量库里做相似度匹配。它解决的是说法不一样但意思接近的情况，比如你问编码风格，原文写的是实现核心逻辑优先，这种意思相近的就能被找出来。

关键词搜索这一层，则是基于全文索引，专门处理那些必须精确匹配的内容。比如错误信息、配置字段，这些都需要一字不差地命中。对于中文或日文这种没有空格的语言，它还会自动做分词处理，保证检索效果。

这两条路径是并行执行的，最后会按照一定权重合并结果。简单理解就是，一部分看意思像不像，一部分看词对不对。另外还会做去重，避免返回重复内容，以及时间衰减，新的记忆权重会更高。

如果没有配置向量模型，语义搜索这一层会暂时关闭，系统会自动退回到纯关键词搜索。虽然理解能力会下降，但至少还能保证能查到明确写过的内容。

还有一个比较关键的细节是，也就是前面说的做梦，每一次检索的结果都会被记录下来，放到记忆召回的json文件中，并记录召回次数和相似度。记录下的内容是在 Dreaming 阶段，用来判断哪些短期记忆值得提升为长期记忆。最终会被写入到常驻记忆中，另外为什么要被写入的内容也会存储到 DREAMS 文件。

再看 memory_get，它的职责就简单很多，就是把原文读出来。memory_search 返回的只是一个摘要加上定位信息，比如文件路径和行号。如果模型判定需要更详细或者更原始信息的时候，就由 memory_get 回到具体的 Markdown 文件里，把对应位置的内容读出来。

整个记忆搜索流程就是先搜索相关片段，再定位具体位置，最后如果需要就读取原文。

最后，整篇用一句话总结就是 OpenClaw 的长期记忆会被写进文件，被索引成数据库，被工具按需调用。