AI长期记忆设计:从OpenClaw、Hermes到宠爱信号的深度解析

大模型的上下文窗口是有限的。

但如果你是重度用户，聊了一个月， 积攒的对话可能有几百万字。AI不可能把全部对话都塞进脑子里，它必须做选择——记住什么，忘记什么。

这就好比一个服务员每天要接待100个客人，但她只能背下10个人的偏好。问题是：该背哪10个？

更麻烦的是，记忆不是存储，还要再恰当的时间净赚找到。

存了但找不到，等于没存。找到但用错了场景，还不如不找。

所以，真正的AI记忆系统要解决三个问题：

• 分层存储：什么该记？什么该忘？

• 主动召回：在恰当的时机，把恰当的记忆推给AI

• 冲突解决：当新旧记忆矛盾时，该信哪个？

短期记忆像”便签墙”，记录最新对话；长期记忆像”档案柜”，按主题归档；核心记忆像”身份证”，只保留最关键的事实。

二、OpenClaw的记忆哲学：让记忆”文件化”

OpenClaw是一个开源的AI Agent框架，它的记忆设计非常有特点，是把把记忆当成文件记事本来管理。

什么意思呢？OpenClaw没有搞复杂的数据库，而是让AI把记忆直接写成Markdown文件，存在你的电脑里。就像一个兢兢业业的秘书，每天写工作笔记：

• MEMORY.md —— 长期记忆（核心事实、偏好、决策）

• memory/YYYY-MM-DD.md —— 每日笔记（当天对话摘要）

• DREAMS.md —— 梦境日记（自动整理的记忆回顾）

这种设计的聪明之处在于：简单、透明、可控。

你可以随时打开这些文件，看看AI到底记了什么。不喜欢？直接改。记忆满了？AI会自动压缩、合并、淘汰旧的条目。

OpenClaw的”主动记忆”（Active Memory）

OpenClaw有一个挺有意思的主动记忆插件（Active Memory Plugin）。

传统的记忆系统是被动的：用户问到了，AI才去搜。但OpenClaw在每次回复前，会先让一个”记忆子代理”快速扫描一遍用户的对话历史，主动把相关的记忆塞进系统提示词里。

打个比方：普通AI是你问”今天吃什么”，它才翻你的饮食记录。OpenClaw是，你还没问，它已经看到今天是周三，想起你”每周三不吃碳水”，直接在回复里推荐了沙拉。

这就是“主动”和”被动”的区别。

OpenClaw还支持混合搜索，同时用”语义搜索”（就是找意思相近的）和”关键词搜索”（找字面匹配的），确保既不错过”狗狗对鸡肉过敏”这种明确事实，也能召回”豆豆肠胃不好”这种隐性关联。

三、Hermes的记忆策略：双文件+外部大脑

Hermes是另一个知名的AI Agent项目，它的记忆设计更偏向”工程化”。

双文件系统

Hermes把记忆严格分成两类：

注意这个容量限制：Hermes故意把记忆容量压得很小，逼AI只保留最高价值的信息。就像给行李箱限重，你只能带最重要的东西。

当记忆满了怎么办？Hermes会让AI自己判断：哪些条目可以合并，哪些可以删除，哪些需要精简。这叫做记忆治理（Memory Curation）。

外部记忆提供者

除了内置的双文件系统，Hermes还支持外部记忆插件，包括：

• Honcho —— AI原生的跨会话记忆，带用户建模

• Memo —— 自动事实提取和跨会话用户画像

• Hindsight —— 事后反思，从失败中学习

• Holographic —— 知识图谱式的关联记忆

这些外部提供者就像给AI接上了”外置硬盘”，让记忆能力从”记事本”升级到”图书馆”。

会话搜索（Session Search）

Hermes还有一个实用的设计：所有对话都存进SQLite数据库，支持全文搜索。

即使某条信息不在AI的”主动记忆”里，你也可以直接问它：”上周我们是不是聊过疫苗的事？” AI会去数据库里搜，把相关内容找出来。

记忆是”常备”的，会话搜索是”按需”的。 两者互补，构成完整的记忆体系。

四、宠爱信号（PawSignal）：一个宠物AI小程序的记忆实战

宠爱信号（PawSignal）宠爱信号，自己实战研发的一款基于AI的养宠助手小程序。

为什么选宠物场景？因为近期在做宠物的项目，还有就是铲屎官养多只宠物，是AI帮宠物记录的好场景。

告诉AI”豆豆对鸡肉过敏”，这是医疗级信息，错了会有危险。

你问”明天该打疫苗了吗”，AI得翻查几个月前的疫苗记录。

你说”豆豆最近不爱吃原来的粮”，AI得结合体重、排便、活动量综合判断。

宠物的记忆，让AI帮助铲屎官来记。

宠爱信号的三层记忆架构

宠爱信号的记忆系统，借鉴了OpenClaw和Hermes的设计思想，但针对宠物场景做了深度改造：

宠爱信号的记忆系统分为三层：短期记忆（便签墙）、长期记忆（主题档案柜）、核心记忆（宠物身份证），三级记忆自动流转。

第一层：短期记忆（Short-Term Memory）

用户每次和AI聊天产生的有效信息，先进入短期记忆池。特点是：

• 有时效：默认30天过期

• 有上限：每轮对话最多记5条

• 有权重：健康相关信息权重更高

核心设计是短期记忆不是”存了就完”，而是”被使用才有价值”。

宠爱信号引入了recallCount（被召回次数-记录的记忆被用过） 信号追踪。也就是说，系统会记录：

• AI在回复时引用了这条记忆几次？

• 用户在记忆页面主动展开看过几次？

• 被查询命中了几次？

只有被反复使用的记忆，才值得升级。

第二层：长期记忆（Long-Term Memory）

短期记忆过期后，不是直接删除，而是由AI自动整理成主题摘要，归档到长期记忆。

宠爱信号把宠物相关记忆分成8个主题：

这样做的好处是：AI在回答问题时，可以按主题精准召回。比如用户问”最近吃饭怎么样”，AI优先召回主题的记忆，而不是把疫苗记录也翻出来。

第三层：核心记忆（Core Memory）

核心记忆是宠爱信号的”宠物身份证”，只保留最关键、最稳定的事实：

• 过敏史（鸡肉过敏、海鲜过敏）

• 慢性病（心脏病、糖尿病）

• 用药记录

• 核心饮食偏好

• 主人联系方式和偏好（这个比较特殊属于用户核心记忆）

  

  宠爱信号

核心记忆有严格的预算控制：

• 每只宠物最多20条核心记忆（ 可调）

• 总字数不超过1500字符

• 超出预算时，优先淘汰”召回次数最少”的记忆

为什么做预算？ 主要是控制成本，每轮对话在harness做了最大的token消耗量成本控制，核心记忆每次对话都会注入AI的上下文，太多了会挤占对话空间，导致AI感觉变笨。这里主要是为了验证成本控制而做的控制。

宠爱信号

五、记忆的生命周期：从”便签”到”身份证”

宠爱信号的记忆不是静态的，而是有一个完整的生命周期：

记忆从用户对话进入短期记忆，经过评分系统评估，自动升级到核心记忆，全程经过冲突检测和预算控制。

Step 1：写入短期记忆

用户说一句”豆豆昨天吐了两次”，AI识别出这是健康相关信息，写入短期记忆，标记weightLevel=3（高权重）—我把他比作记忆的重量，短期3、长期2、核心1；

Step 2：信号追踪

接下来的几天：

• AI在回复”豆豆怎么了”时引用了这条记忆 → recallCount +1

• 用户在记忆页面点开查看详情 → recallCount +1

• 用户搜索”呕吐”时这条记忆被命中 → recallCount +1

Step 3：自动评分

每晚定时任务（memoryUpgrade）会扫描所有短期记忆，计算升级评分：

评分 = 信号分×0.35 + 置信度×0.30 + 权重分×0.20 + 新鲜度×0.15




信号分：被AI引用、用户查看、查询命中的综合加权


置信度：AI对这条记忆真实性的判断


权重分：健康信息权重高，闲聊权重低


新鲜度：越新的记忆分数越高


Step 4：升级决策




评分


动作






≥ 0.75 且被引用≥2次


自动升级到核心记忆




0.50 ~ 0.75


保持观察，进入pending




< 0.50 且已存在>30天


降级归档到长期记忆




Step 5：冲突解决
如果新的记忆和已有核心记忆矛盾怎么办？
比如核心记忆写着”豆豆对鸡肉过敏”，但用户新说”豆豆最近吃鸡肉没问题”。
宠爱信号的处理策略是**”保守优先，自动闭环”**：


不自动覆盖旧事实——医疗信息宁可信旧，不能信新


进入观察池——新记忆标记为candidate，系统继续收集证据


多源验证——如果不同时间、不同场景下多次出现新说法，再考虑升级


用户确认——高风险变更会推送给用户确认




宠爱信号

六、OpenClaw vs Hermes vs 宠爱信号：三种记忆哲学的对比
OpenClaw偏向”文件化+主动召回”
Hermes偏向”双文件+外部扩展”，
宠爱信号偏向”分层评分+预算控制”。
三种设计没有绝对的好坏，只有场景适配。


OpenClaw适合需要透明可控的开发者；


Hermes适合追求简洁稳定的通用场景；


宠爱信号则针对宠物这个垂直领域，做了深度的业务适配，因为宠物的记忆，是”健康管理+长周期+强关联”的。



七、给你的可复用要点：设计AI记忆系统的7条原则
设计一个带记忆功能的AI产品，以下7条原则可以直接拿走：
1. 记忆必须分层
不要所有信息都往一个篮子里扔。短期、长期、核心，各层有各自的容量、时效和用途。
2. 信号比存储更重要
存了100条但从来没用过，不如存10条经常被召回的。追踪记忆被使用的情况，是判断记忆价值的核心指标。
3. 主动召回 > 被动搜索
等用户问了再去找记忆，体验是断裂的。好的记忆系统应该在对话开始前，就把相关记忆推给AI。
4. 容量必须做预算
AI的上下文窗口是有限的。核心记忆要像行李箱限重一样，逼自己只带最重要的东西。
5. 冲突处理要保守
新旧记忆矛盾时，默认信旧的。新记忆进入观察池，积累足够证据后再升级。医疗、金融等高风险领域尤其如此。
6. 让用户可见、可控
记忆不是黑箱。用户应该能看到AI记了什么，能删、能改、能锁定重要的条目。
7. 垂直场景需要深度适配
通用记忆框架只能解决60%的问题。真正好用的记忆系统，必须理解业务——比如宠物场景要区分”用户偏好”和”宠物事实”，要识别高风险信息（体重、用药、过敏）。

八、写在最后：记忆是AI的人格
个人观点：记忆系统的设计，本质上是在定义AI的人格
一个记忆模糊的AI，就像一个贵人多忘事的朋友，聊得再开心，下次见面还是陌生人。
一个记忆精准但僵化的AI，就像一个死板的秘书，只会背条文，不懂变通。
真正好的AI记忆，应该像一位相处多年的老朋友：


你不用说全称，他知道你叫”豆豆”的是哪只狗


你不用说背景，他记得”豆豆上次肠胃炎是三个月前”


你不用说偏好，他知道你”喜欢先问社区经验，再问医生”


这种懂你的感觉，不是模型参数带来的，是记忆系统带来的。

🐾 关于宠爱信号（PawSignal）
这篇文章里提到的宠爱信号（PawSignal），是我们团队正在做的一款AI养宠助手小程序。
AI不应该只是”回答问题的工具”，而应该是”记得你宠物点点滴滴的伙伴”，这是能帮我们争取做事的前提。
在宠爱信号里：
✅ AI会记住你家宠物的过敏史、用药记录、疫苗时间
✅ 你问”最近该注意什么”，AI会综合体重、饮食、行为给出建议
✅ 多宠家庭也能精准区分，不会把大狗的粮推荐给小狗
✅ AI还能帮铲屎官创建日程、查询日程……
还有更多好玩的……
如果你也养宠物，欢迎体验，给我们提建议。
宠爱信号