OpenClaw 高级玩法：如何用 Ontology 给 AI 装上"长期记忆"

你有没有遇到过这种情况？

跟 AI 聊了一下午，告诉了它你的工作背景、项目需求、个人偏好。第二天打开，它问你：

"请问您是做什么工作的？"

……

你的 AI，是个金鱼。

每次对话都从零开始，之前说的全忘了。你以为它是你的"数字员工"，其实它是个"日抛助手"——用完就忘，忘了再问。

今天这篇文章，我要教你用一个叫 Ontology 的技能，给你的 OpenClaw 装上真正的"长期记忆"。装完之后，它不仅记得住你是谁，还能把你告诉它的所有信息结构化存储，随时调用。

一、AI 为什么会"失忆"？

先搞清楚问题出在哪。

目前所有 AI 大模型（包括 ChatGPT、Claude、DeepSeek）都有一个硬伤：上下文窗口有限。

你可以把它理解为 AI 的"短期记忆容量"。

AI 的记忆模型（没装技能之前）┌─────────────────────────────────────────────────┐│                                                  ││   📝 上下文窗口（短期记忆）                      ││   ┌──────────────────────────────────────────┐   ││   │  最近的对话内容                           │   ││   │  "用户刚才说了什么"                       │   ││   │  "当前任务是什么"                         │   ││   │                                          │   ││   │  ⚠️ 容量有限，旧内容会被挤出去            │   ││   └──────────────────────────────────────────┘   ││                                                  ││   🧠 长期记忆？                                  ││   ┌──────────────────────────────────────────┐   ││   │                                          │   ││   │          ❌ 不存在                        │   ││   │                                          │   ││   └──────────────────────────────────────────┘   ││                                                  │└─────────────────────────────────────────────────┘

对话越长，最早的内容就被"挤出去"了。新开一个对话？清零，全忘。

这就是为什么你的 AI 助手永远记不住你是谁。

二、Ontology 是什么？一句话解释

Ontology = 给 AI 装一个"知识图谱大脑"。

📊 数据：9.1万安装量 | 224 收藏 | SkillHub 热门榜第 7 名

它不是简单地把信息存成一个文本文件让 AI 去翻。它做的事情比这高级得多——它用类型化知识图谱来组织信息。

听起来很唬人？别慌，我用大白话解释。

普通记忆 vs Ontology 记忆

普通记忆（记事本式）          Ontology 记忆（知识图谱式）┌─────────────────────┐      ┌─────────────────────────────┐│ 张三是产品经理        │      │  [人物:张三]                 ││ 张三在做商城项目      │      │    ├── 职位: 产品经理         ││ 商城项目用React       │      │    ├── 所属项目 ──→ [商城项目] ││ 商城项目3月上线       │      │    └── 偏好: 简洁风格         ││ 张三喜欢简洁风格      │      │                              ││ ...                  │      │  [项目:商城项目]              ││                      │      │    ├── 技术栈: React           ││ ⚠️ 纯文本，无关联     │      │    ├── 截止日期: 3月          ││ ⚠️ 找信息靠全文搜索   │      │    ├── 负责人 ──→ [张三]      ││ ⚠️ 信息越多越混乱     │      │    └── 状态: 开发中           ││                      │      │                              │└─────────────────────┘      │  ✅ 有类型、有关联、可查询     │                              │  ✅ 信息越多越有价值           │                              └─────────────────────────────┘

关键区别：

• 普通记忆就像一本乱序的笔记本——信息都在，但找起来费劲

• Ontology 记忆像一张蛛网——每条信息都有类型、有属性、有和其他信息的关联关系

当你问 AI "张三负责的项目用什么技术栈"，普通记忆要翻遍所有笔记碰运气，Ontology 直接沿着关系链 张三 → 所属项目 → 商城项目 → 技术栈 → React 精准找到答案。

三、Ontology 能记住什么？

Ontology 内置了一套预定义的实体类型，覆盖了你日常工作中 90% 的信息分类需求：

而且这些类型之间可以自由关联。比如：

• 一个 Task 属于某个 Project

• 一个 Person 负责多个 Task

• 一个 Document 关联到某个 Project 和 Event

信息不再是孤岛，而是一张互相连接的网络。

四、手把手教你安装和使用

4.1 安装（30 秒）

对你的 OpenClaw 说：

"请从 SkillHub 安装 Ontology 技能"

或者手动安装：

npx clawhub@latest install @ontology

安装完成后，Ontology 会在你的工作目录下创建 memory/ontology/ 文件夹，所有数据都存在本地。

4.2 教 AI 记住你（第一次使用）

安装好之后，你需要做一件事：自我介绍。

是的，就像你面对新同事一样，跟 AI 做个自我介绍。但这一次，它会真的记住。

试试这样说：

"记住：我叫张三，是一名产品经理，目前负责公司的商城项目。商城项目使用 React + Node.js 技术栈，计划 3 月底上线。我的工作偏好是简洁的设计风格，不喜欢过度设计。"

Ontology 会自动把这段话解析成结构化数据：

自动创建的知识图谱┌─────────────────────────────────────────────────┐│                                                  ││  [Person: 张三] ──负责──→ [Project: 商城项目]    ││      │                        │                  ││      ├── 职位: 产品经理        ├── 技术栈: React  ││      └── 偏好: 简洁风格        ├── 技术栈: Node.js││                               ├── 上线日期: 3月底 ││                               └── 状态: 开发中    ││                                                  │└─────────────────────────────────────────────────┘

从此以后，不管你什么时候再打开 OpenClaw，它都知道你是谁。

4.3 日常使用：5 个高频场景

场景 1：让 AI 记住新信息

你说："记住，李四是我们的前端开发，他擅长 Vue 和 TypeScript。"

AI 做的事：创建 [Person: 李四] 实体，关联到商城项目，标记技能标签。

场景 2：查询已有信息

你说："我们商城项目团队有哪些人？"

AI 做的事：从知识图谱中查找所有与 [Project: 商城项目] 关联的 Person 实体，列出名单。

场景 3：关联信息

你说："把上周的需求评审会议纪要关联到商城项目。"

AI 做的事：创建 [Document: 需求评审纪要]，建立与 [Project: 商城项目] 和 [Event: 需求评审会] 的关联。

场景 4：基于记忆做决策

你说："帮我安排下周的工作计划。"

AI 做的事：综合查询你的所有 Task、Project 截止日期、历史偏好，生成个性化的工作计划——因为它真的了解你的情况。

场景 5：跨技能共享数据

你说："帮我给商城项目团队所有人发邮件，通知下周三下午开评审会。"

AI 做的事：从 Ontology 查到团队成员名单 → 调用 Gog 技能发 Gmail → 同时在 Google 日历创建事件。

这就是 Ontology 的杀手级能力——它不只是给自己用的记忆，而是所有技能的"共享数据库"。

五、进阶：3 层记忆体系，打造最强 AI 助手

Ontology 很强，但如果你想要终极记忆体验，我推荐搭建一套 3 层记忆体系：

AI 三层记忆体系┌─────────────────────────────────────────────────┐│                                                  ││  🔴 第一层：热记忆（当前会话）                    ││  ├── 技能：self-improving-agent                  ││  ├── 作用：记录当前会话的操作和纠正               ││  └── 特点：即时生效，当次会话内可用               ││                                                  ││  🟡 第二层：温记忆（结构化存储）                  ││  ├── 技能：Ontology                              ││  ├── 作用：知识图谱，实体和关系的持久化存储        ││  └── 特点：跨会话持久保存，支持精确查询            ││                                                  ││  🟢 第三层：冷记忆（全量归档）                    ││  ├── 技能：Elite Longterm Memory                 ││  ├── 作用：向量搜索 + Git 归档 + 云备份           ││  └── 特点：海量存储，语义搜索，永久保存            ││                                                  ││  三层联动 = AI 拥有接近人类的记忆系统              ││                                                  │└─────────────────────────────────────────────────┘

每一层的作用

安装命令（一口气全装）：

npx clawhub@latest install @self-improving-agentnpx clawhub@latest install @ontologynpx clawhub@latest install @elite-longterm-memory

或者直接对 AI 说：

"帮我从 SkillHub 安装 self-improving-agent、ontology 和 elite-longterm-memory 这三个技能。"

六、Elite Longterm Memory：冷记忆层详解

既然提到了三层体系，这里单独展开说说 Elite Longterm Memory，因为它的架构设计确实值得了解。

📊 数据：1.9万安装量 | 82 收藏

它把 AI 的记忆分成了 5 个存储层：

Elite Longterm Memory 架构┌─────────────────────────────────────────────────┐│                                                  ││  🔥 SESSION-STATE.md（热 RAM）                   ││  └── WAL 协议写入，当前任务上下文                 ││                                                  ││  🔍 LanceDB 向量库（温存储）                     ││  └── 语义搜索，找到"意思相近"的记忆               ││                                                  ││  📦 Git-Notes（冷存储）                          ││  └── 结构化决策记录，永久保存                     ││                                                  ││  📖 MEMORY.md + 日志（归档）                     ││  └── 人类可读的知识沉淀                          ││                                                  ││  ☁️ SuperMemory 云同步（可选）                    ││  └── 跨设备、跨平台记忆共享                      ││                                                  │└─────────────────────────────────────────────────┘

最关键的设计是 WAL（Write-Ahead Log）协议：AI 在回复你之前，先把关键信息写入磁盘。这意味着就算程序崩溃、断电、意外关闭，记忆也不会丢失。

另一个亮点是 Mem0 自动提取，可以把对话中 80% 的冗余信息自动压缩，只保留核心知识点，大幅降低 Token 消耗。

七、Ontology 的数据存在哪？安全吗？

这可能是很多人最关心的问题。

答案：全部存在你的本地。

Ontology 默认使用 memory/ontology/graph.jsonl 文件，采用 append-only（只追加不修改）的格式存储。

数据安全说明┌─────────────────────────────────────────────────┐│                                                  ││  📁 存储位置                                     ││  └── 本地文件：memory/ontology/graph.jsonl       ││                                                  ││  🔒 安全特性                                     ││  ├── 数据不上传到任何云端                         ││  ├── append-only 格式防止误删                     ││  ├── 所有写入前都有类型约束校验                   ││  └── 可选迁移到 SQLite（复杂图谱推荐）            ││                                                  ││  💾 备份建议                                     ││  ├── 定期备份 memory/ 文件夹                     ││  └── 可配合 Git 进行版本控制                     ││                                                  │└─────────────────────────────────────────────────┘

所以，你存的个人信息、项目数据、工作偏好，全在你自己的电脑上，不会被发送到任何服务器。

如果你的知识图谱变得很复杂（比如存了上千个实体和关系），可以把存储迁移到 SQLite 数据库，查询速度会更快。

八、常见问题 & 避坑指南

Q1：装了 Ontology 之后 AI 会自动记住所有对话吗？

不会。 Ontology 需要你主动触发记忆操作。你需要说"记住这个"或者"把这个信息存下来"，AI 才会写入知识图谱。它不会偷偷记录你的所有对话。

Q2：Ontology 和 self-improving-agent 有什么区别？

简单说：一个记"怎么做"，一个记"是什么"。两个都装，互补。

Q3：数据太多了怎么办？

两个建议：

1. 定期清理：让 AI 帮你检查过期的 Task 和 Event，标记为已完成或删除

2. 迁移 SQLite：数据量超过 500 个实体时，建议迁移到 SQLite，查询性能会好得多

Q4：我换了电脑怎么办？

直接把 memory/ 文件夹拷贝到新电脑的对应位置就行。如果你装了 Elite Longterm Memory，还可以开启云同步，自动跨设备同步。

九、一个真实的使用场景

让我用一个完整的例子，展示 Ontology 的威力。

假设你是一个自由职业者，同时服务 3 个客户：

第 1 天：教 AI 认识你的客户

"记住：A 公司的对接人是王总，他们需要做一个电商小程序，预算 5 万，6 月交付。B 公司对接人是刘经理，他们要改版官网，用 WordPress，预算 3 万，4 月交付。C 公司对接人是赵总，他们要做数据看板，用 Python+Dash，预算 2 万，5 月交付。"

第 15 天：让 AI 帮你排优先级

"帮我看看哪个项目最紧急？"

AI 从 Ontology 中查到三个项目的截止日期，自动排序：

1. B 公司官网改版（4 月交付）—— 最紧急

2. C 公司数据看板（5 月交付）

3. A 公司电商小程序（6 月交付）

第 30 天：跨客户信息查询

"我所有项目的总预算是多少？用 Python 的项目有哪些？"

AI 瞬间算出：总预算 10 万。用 Python 的项目：C 公司数据看板。

没有 Ontology，你得自己翻聊天记录、翻笔记、翻表格。有了 Ontology，一句话搞定。

十、总结

今天讲的内容有点多，最后帮你理一下：

最低配置：只装 Ontology，就能解决 80% 的记忆问题。

推荐配置：三个都装，打造完整的 AI 记忆体系。

记住那句话：AI 不笨，它只是健忘。给它一个好记性，它就能变成真正的你的人。