OpenClaw Memory 深度解析:AI是如何记住一切的?

你有没有遇到过这种情况？

昨天跟AI聊了一个需求，今天再问，它完全忘了你是谁。

我不是说的那种"车轱辘话来回说"的忘，是真的把你辛辛苦苦解释了几十分钟的背景忘得一干二净。

就很离谱。

今天聊聊OpenClaw的Memory机制，看看它是怎么让AI"记住"一切的。

先说架构

要理解Memory，得先搞清它在整个系统中的位置。

根据官方文档，OpenClaw的核心概念包括这几个部分：

• • Agent Loop: 执行循环
• • Session: 会话管理
• • Memory: 长期记忆
• • Compaction: 会话压缩
• • Context Engine: 上下文引擎

它们的关系是这样的：

用户消息 → Session → Context Engine → Agent Loop → 生成回复 → Memory 存储
                              ↓
                         Compaction

Session是容器，Context Engine管上下文，Memory管长期存储，Compaction负责压缩。

每个模块各司其职，缺一不可。

核心问题：上下文窗口

在讲Memory之前，得先搞清楚一个问题：为什么需要Memory？

答案是：上下文窗口有限。

官方文档是这么说的：

"Every model has a context window (max tokens it can see). Long-running chats accumulate messages and tool results; once the window is tight, OpenClaw compacts older history to stay within limits."

每个模型都有上下文窗口限制。聊久了之后，消息越来越多，token快用完了怎么办？

这就是Compaction要解决的问题。

Compaction：会话压缩机制

官方文档定义：

"Compaction summarizes older conversation into a compact summary entry and keeps recent messages intact."

翻译过来就是：把旧的对话压缩成摘要，保留最近的对话。

举个例子：

你跟AI聊了100轮，大约50000token。压缩后，可能变成：

• • 摘要：2000token（包含关键信息）
• • 最近10轮对话：8000token

总token从50000降到10000，够模型处理了，但关键信息还在。

压缩的具体流程

官方文档提到，Compaction会：

1. 1. 提取关键信息：从历史对话中提取事实、决策、代码片段
2. 2. 生成摘要：用LLM把长对话压缩成短摘要
3. 3. 替换原始内容：用摘要替代原始对话

// 伪代码示例
class Compaction {
  async compact(session: Session): Promise<Summary> {
    // 1. 提取关键事实
    const facts = await this.extractFacts(session.messages);
    
    // 2. 提取决策
    const decisions = await this.extractDecisions(session.messages);
    
    // 3. 提取代码
    const code = await this.extractCode(session.messages);
    
    // 4. 生成摘要
    return {
      facts,
      decisions,
      code,
      timestamp: Date.now()
    };
  }
}

自动压缩 vs 手动压缩

官方文档说：

"Auto-compaction (default on)"

默认是自动压缩。当会话接近上下文窗口限制时，OpenClaw会自动触发压缩。

你也可以手动触发：

/compact Focus on decisions and open questions

这就是为什么AI能记住一切的原因：不是不忘记，而是忘记之前先压缩保存。

Memory：长期记忆存储

官方文档定义：

"Memory system lets the AI remember important information across sessions."

Memory是长期记忆的存储层。每次对话结束后，关键信息会自动写入MEMORY.md。

Memory 和 Compaction 的关系

官方文档提到：

"Before compaction, OpenClaw can run a silent memory flush turn to store durable notes to disk."

翻译：在压缩之前，OpenClaw会先执行一次静默的内存刷新，把持久化笔记存到磁盘。

这就是Memory和Compaction的配合：

• • Compaction：管理当前会话的上下文窗口
• • Memory：跨会话的长期记忆

Memory 文件位置

~/.openclaw/workspace-media/MEMORY.md

本质就是一个Markdown文件，你可以直接编辑。

# 项目配置
- 技术栈: Vue3 + TypeScript
- 部署: Vercel

# 关键决策
- 采用Composition API
- 状态管理用Pinia

Session：会话隔离

官方文档说：

"Gateway is the single source of truth for sessions, routing, and channel connections."

每个用户、每个群聊、每个项目，都有独立的Session。Session之间是隔离的。

这意味着：

• • A项目和B项目的对话不会互相影响
• • 切换项目时，AI自动知道当前在哪个项目

Context Engine：上下文引擎

官方文档定义：

"Context Engine is responsible for managing the context window, balancing performance and memory."

Context Engine负责管理上下文窗口，在性能和记忆之间取得平衡。

它做的事情：

1. 1. 窗口管理：把历史对话压缩成摘要
2. 2. 优先级排序：重要的记住，不重要的扔掉
3. 3. 动态调整：根据任务类型调整上下文长度

可配置的压缩模型

官方文档提到一个很实用的配置：

{
  "agents": {
    "defaults": {
      "compaction": {
        "model": "openrouter/anthropic/claude-sonnet-4-5"
      }
    }
  }
}

你可以通过配置指定用哪个模型来做压缩摘要。

官方文档说：

"This is useful when your primary model is a local or small model and you want compaction summaries produced by a more capable model."

如果你的主模型是个小模型，可以用更强的模型来做摘要，提升质量。

对比：Compaction vs Pruning

官方文档专门区分了这两个概念：

"Compaction: summarizes and persists in JSONL."
"Session pruning: trims old tool results only, in-memory, per request."

简单理解：

• • Compaction：长期记忆，持久化
• • Pruning：短期清理，不持久化

实际应用场景

说了这么多原理，来几个实际场景：

场景1：多项目并行

我同时做3个项目，AI自动知道当前在哪个项目、用的什么技术栈。切换时不用重复解释。

场景2：技术栈记忆

告诉AI一次：

这个项目用Vue3 + Pinia + TypeScript

之后聊代码规范、组件设计，AI自动按这个背景来。

场景3：代码复用

之前写过的工具函数，后来需要用。直接问AI就能找回来。

配置选项

官方文档提到的几个关键配置：

{
  "agents": {
    "defaults": {
      "compaction": {
        "mode": "auto",
        "targetTokens": 16000,
        "model": "openrouter/anthropic/claude-sonnet-4-5"
      }
    }
  }
}

• • mode: 压缩模式（自动/手动）
• • targetTokens: 目标token数
• • model: 用于压缩的模型

局限性

说几个需要注意的点：

1. 1. 摘要有损耗
   压缩后的摘要不可能100%保留原意。官方文档说：
2. "Compaction summarization preserves opaque identifiers by default."

3. 一些细节可能会丢失。

4. 2. 上下文窗口限制
   再怎么压缩，也还是受限于上下文窗口。超长对话一定有信息损失。
5. 3. 隐私考虑
   Memory文件是明文存储，敏感信息不建议往里放。

总结

OpenClaw的Memory不是简单的"记住"，而是一套复杂的信息管理系统：

它们配合起来，才实现了在有限上下文内"记住一切"的效果。

官方文档说：

"Memory system lets the AI remember important information across sessions, enabling true 'memory'."

现在你再看到这句话，应该知道它背后是一套多么精妙的设计了。

觉得有用就点个赞、在看、转发吧。想第一时间收到推送，给个星标。谢谢阅读，下次见。