夜雨聆风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：
| 实体类型 | 说明 | 举例 |
|---|---|---|
| Person | 人物信息 | 你自己、同事、客户、合作伙伴 |
| Project | 项目信息 | 项目名称、技术栈、截止日期、状态 |
| Task | 任务/待办 | 具体任务、优先级、负责人、进度 |
| Event | 事件/会议 | 会议安排、里程碑、重要日期 |
| Document | 文档 | 需求文档、设计稿、参考资料 |
| Goal | 目标 | 季度目标、KPI、长期规划 |
| Resource | 资源 | API 地址、服务器信息、账号密码 |
| Account | 账户 | 各平台账号、权限信息 |
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
| 层级 | 技能 | 类比 | 安装量 |
|---|---|---|---|
| 热记忆 | self-improving-agent | 工作记忆：你正在做的事 | 8.1万 |
| 温记忆 | Ontology | 知识库：你知道的事 | 9.1万 |
| 冷记忆 | Elite Longterm Memory | 档案馆：你所有的历史 | 1.9万 |
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？
| self-improving-agent | Ontology | |
|---|---|---|
| 记忆类型 | 操作经验和错误纠正 | 结构化知识和关系 |
| 触发方式 | 自动记录 | 主动存储 |
| 适合记录 | "怎么做"的经验 | "是什么"的知识 |
| 关系查询 | 不支持 | 支持图遍历 |
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：
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
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：
B 公司官网改版（4 月交付）—— 最紧急
C 公司数据看板（5 月交付）
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：
| 要解决的问题 | 该装什么 | 一句话说明 |
|---|---|---|
| AI 每次都失忆 | Ontology | 知识图谱式长期记忆 |
| AI 不会吸取教训 | self-improving-agent | 从错误中自动学习 |
| 需要海量记忆存储 | Elite Longterm Memory | 多层持久化记忆体系 |
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。