OpenClaw 记忆体系详解：如何让 AI 助手"记住"一切？

你是否遇到过这种情况：和 AI 聊了很多，它依然对你一无所知？每次对话都要重复解释自己的需求？

这不是 AI 的"失忆症"，而是上下文窗口的天然局限。

今天聊聊 OpenClaw 是如何解决这个问题的。

01｜为什么需要记忆体系？

当下的 AI 模型都有上下文窗口限制——无论多强大的模型，它一次性只能处理固定长度的文本。

这意味着：

• 对话太长时，早期的关键信息会被"挤出"上下文
• 每次新建对话，AI 从零开始
• 复杂任务需要跨多轮执行，信息难以累积

解决方案：把记忆写进磁盘。

OpenClaw 的做法很直接——模型只"记住"写入 Markdown 文件的内容。

记忆就是 Markdown 文件。写进去的才算记住，没写的下次全忘。

02｜两层记忆架构

OpenClaw 采用两层记忆设计，各司其职：

第一层：MEMORY.md — 核心索引

这是 AI 的"长期记忆"，存放：

• 你的关键决策和偏好
• 项目背景和重要结论
• 跨会话需要保留的信息

第二层：memory/ 目录 — 日常日志

按日期存储的对话记录，包括：

• 日常任务进展
• 运行状态和调试记录
• 临时性的工作上下文

MEMORY.md              ← 核心索引 memory/   ├── projects.md      ← 项目状态   ├── infra.md         ← 基础设施配置   ├── lessons.md       ← 问题与解决方案   └── 2026-03-20.md   ← 今日对话

分层的好处：重要信息沉淀到 MEMORY.md，临时内容留在当日笔记。查找时也有明确目标。

03｜向量搜索：语义查询能力

只写入还不够，重要的是能找到。

OpenClaw 会在记忆文件上构建小型向量索引，支持语义查询——即使你用不同的措辞表达，也能找到相关笔记。

嵌入提供商按这个顺序自动选择：

1. 本地模型（如果配置了 memorySearch.local.modelPath）
2. OpenAI（如果有 API Key）
3. Gemini（如果有 API Key）
4. 以上都没有 → 禁用

想索引额外目录？加配置：

{   "agents": {     "defaults": {       "memorySearch": {         "extraPaths": ["../team-docs", "/srv/shared-notes/overview.md"]       }     }   } }

04｜memoryFlush 机制

对话接近上下文窗口限制时，OpenClaw 会触发自动压缩。

启用 memoryFlush 后，压缩前会先让 AI 把重要信息写入文件。

本质是把短时记忆"倒腾"到长时记忆，避免关键信息在压缩中丢失。

05｜实战技巧

什么时候该写入记忆？

如何验证写入成功？

直接告诉 AI："记住我喜欢简洁的回复"——然后检查文件是否真的被修改了。

这是最直接的验证方式。

写在最后

记忆体系的最大价值：摆脱上下文窗口限制，让 AI 具备跨会话长效执行复杂任务和自我进化的能力。

不再是"你问它答"的工具，而是一个越用越懂你的数字伙伴。

本文基于 OpenClaw 官方文档整理