我在 GitHub 上开源了一套 RAG 记忆系统

（https://github.com/sgsss998/RAG_Memory_System_Public）

折腾了大半个月，功能齐备：混合检索、权重系统、身份锚点、角色辨别、推理边界……代码写了小两千行，prompt 磨了几十版，自以为挺完善了。

然后我认真研究了 OpenClaw 的记忆模块源码。

看完之后，我沉默了。

我的方案：过度工程化。

每次用户问问题，代理网关先把问题截下来，送去海马体检索，捞几条相关记忆，然后塞进 prompt 里，再发给 LLM。为了让 LLM 正确使用这些记忆，我让 AI写了一堆规则：

【回答优先级 - 从高到低】1. 身份锚点中的固定信息 → 最高优先级，直接用2. 记忆切片中明确是"我"说的内容 → 直接用3. 基于以上两点的合理推理 → 可以用4. 完全没有依据的猜测 → 禁止！【角色辨别规则 - 重要！】- 记忆切片中的 ID、微信号、手机号通常是【聊天对象的】- 聊天记录文件名中的信息需判断是谁说的- 当身份锚点与检索结果冲突时，以身份锚点为准- 不确定是谁说的内容，不要当成自己的【语言风格】- 禁止"根据知识库"、"检索结果显示"等机械词汇- 用第一人称回答，就像在回忆自己的事【安全边界】- 禁止调用任何工具验证信息，直接基于已有信息回答

这还没完。为了让 LLM 回答得更"像我"，我还加了沟通协议：

沟通协议：1. 工作沟通倾向商务克制与确认式短句2. 给我高质量代码和直接结论，无需废话3. 崇尚"30秒原则"，提供颗粒度极细、可立刻执行的建议

但问题来了：这些规则，LLM 真的能完美遵守吗？

不可能。

规则越多，LLM 越困惑。它不知道哪条优先级更高，不知道什么时候该推理、什么时候该承认不确定。结果就是：回答要么过度谨慎、要么过度自信，很少有刚刚好的时候。

更要命的是——不管用户问什么，海马体都先检索一遍。

"帮我写个 hello world"——检索。"今天天气怎么样"——检索。"1+1 等于几"——检索。

浪费。纯粹的浪费。

再来看 Openclaw 的方案，我读出了两个字：信任。

它给 LLM 装了一个工具，叫 memory_search。工具描述就几行字：

"Mandatory recall step: semantically search MEMORY.md + memory/*.md(and optional session transcripts) before answering questions aboutprior work, decisions, dates, people, preferences, or todos;returns top snippets with path + lines."

然后 system prompt 里加一句话：

"Before answering anything about prior work, decisions, dates, people,preferences, or todos: run memory_search... then use memory_get topull only the needed lines. Iflow confidence aftersearch, say you checked."

没了。就这么多。

LLM 读到问题，自己判断要不要搜记忆。要搜就调工具，不要搜就直接回答。检索结果只拉需要的几行，不是整篇文档。

没有"回答优先级"的复杂规则，没有"角色辨别"的冗长说明，没有"沟通协议"的风格限制。OpenClaw 信任 LLM，让 LLM 自己决定怎么回答。

效果反而更好。

为什么？因为 LLM 不是规则的奴隶，它是一个会思考的智能体。你给它越少的束缚，它表现得越自然。你试图用规则穷尽所有情况，结果只会制造更多边界，让系统越来越臃肿。

核心的差异：控制 vs 信任

我的方案，本质上是不信任 LLM。因为我从没搭过 RAG，也知道它的复杂，所以生怕驾驭不住这个记忆体系，只能强行的给他设置各种各样的规则，让我以为这套系统能够在我的掌控之中一样：

我怕它乱说，所以加"回答优先级"、我怕它角色混淆，所以加"角色辨别规则"、我怕它说话不像我，所以加"沟通协议"、我怕它乱调工具自行线索和本地资料发生冲突，所以"物理缴械"把工具都禁了。

每一条规则，都是对 LLM 能力的不信任。结果就是：LLM 被绑得死死的，变成了一个只会照本宣科的复读机。

而OpenClaw 的方案，本质上是信任 LLM。

它相信 LLM 知道什么时候该搜索、什么时候该推理、什么时候该承认不确定。它不给 LLM 穿小鞋，不限制 LLM 的表达风格。它只给 LLM 一个工具、一个简单的使用说明，然后放手让它干。

所以，高下立判了：我要承认错误，汲取精华，把那些复杂的规则全部删掉，把"自动注入"改成"工具调用"，把"控制 LLM"改成"信任 LLM"。架构理念简单、纯粹、简洁——就像 OpenClaw 一样。

代码可以复杂，但理念必须简单。功能可以丰富，但心智模型必须清晰。

Less is more。少即是多。

附：两个方案的对比表

我那套"精心设计"的 RAG 系统，在 OpenClaw 面前，就像一个过度焦虑的父母，对孩子管得太多、太细，反而绑住了孩子的手脚。

OpenClaw 像一个开明的父母，给孩子一个工具、一个简单的说明，然后放手让它自己去探索。

不得不服，Openclaw，有点东西。