夜雨聆风OpenClaw 的记忆困境
如果你用过 OpenClaw（一个本地部署的 AI Agent 平台），你会发现一个问题：
你今天跟它聊了项目 A 的进展，明天问它“昨天我们聊了什么”，它一脸茫然。你在飞书群里让它帮你写文档，过两天再问，它完全不记得你的写作风格和项目背景。
你的 AI 助手每天都是新的一天——它什么都不记得。
问它上周你聊过什么，它不知道。让它总结上个月的项目进展，它得重新来过。你发的每一条消息，对它来说都是第一次见面。
这不是 OpenClaw 的问题，也不是某个 AI 工具的 bug——这是整个 AI 行业的设计缺陷。
OpenClaw 虽然支持多 Agent 协作、飞书文档操作、工作流自动化，但它缺少一个关键能力：持久化的、会思考的记忆系统。
好消息是，Google 开源了一个解决方案。
为什么现有的记忆方案都不行？
给 AI 加记忆，这事很多人都在做。但目前的方案，都有点问题。
第一种方案：向量数据库 + RAG
RAG（检索增强生成）：一种让 AI 先查资料再回答的技术。可以想象成考试时允许翻书，答案自然更准确。
这个方案的问题是：太被动了。你把信息塞进去，它就躺在那里。系统不会主动思考这些信息之间有什么关系，也不会发现什么新洞见。
就像把所有书堆在图书馆里，但从来没有人去整理分类。
第二种方案：对话总结
每次聊完天，让 AI 总结一下重点。这个方案的问题是：细节丢了。总结越压缩，信息越少。而且不同的对话之间没有任何关联。
就像你只记日记的摘要，十年后回头看，只知道“今天很开心”，但完全忘了为什么开心。
第三种方案：知识图谱
把信息画成一张大网，实体之间用关系连接。这个方案的问题是：太贵了。搭建和维护都需要大量资源，而且很容易变得复杂到无法管理。
真正的问题是什么？
这些方案都只做了“存储”，没有做“整合”。
人类的大脑不是这样的。我们睡觉的时候，大脑会回放白天的经历，把新知识和旧知识连起来，把重要的留下来，把重复的压缩掉。
真正的记忆不是存储，而是理解、连接和整合。
一个像人脑一样工作的 AI 记忆系统
Google 开源了一个项目，叫 Always-On Memory
Agent。它的核心思路是：让 AI 像人脑一样，在后台持续地处理、整合、连接信息。
不需要向量数据库，不需要复杂的 embedding，就是用一个轻量级的 LLM，不停地读、想、写。
它是怎么做到的？
图 1：系统整体架构，三个核心 Agent 分工协作
三步走：摄取、整合、查询
第一步：摄取（Ingest）
你把任何东西丢给它都行。文本、图片、音频、视频、PDF，一共支持 27 种格式。
多模态（Multimodal）：AI 能同时理解文字、图片、音频等多种形式的信息。就像人能同时看图、听声音、读文字一样。
系统会自动提取结构化信息：这段内容的摘要是什么？提到了哪些实体？属于什么主题？重要程度有多高？
举个例子，你发给它一段新闻：
“Anthropic 报告显示，62% 的 Claude 使用与代码相关。AI 代理是增长最快的类别。”
系统会输出： - 摘要：Anthropic 报告 62% 的 Claude 使用与代码相关…… - 实体：Anthropic、Claude、AI 代理 - 主题：AI、代码生成、代理 - 重要性：0.8（满分 1.0）
有三种方式投喂信息： - 文件监控：把文件丢进 ./inbox 文件夹，5-10 秒内自动处理 - 网页上传：通过 Streamlit 界面上传 - HTTP API：用代码 POST 过去
第二步：整合（Consolidate）
这是整个系统最像人脑的地方。
默认每 30 分钟，系统会运行一次“整合”任务。它会把这段时间收集的记忆拿出来，找找它们之间的关系，发现一些你可能没注意到的洞察。
比如你有这四条记忆：
“AI 代理增长很快，但可靠性是个挑战”
“Q1 优先级：降低推理成本 40%”
“现有的 LLM 记忆方案都有缺陷”
“智能收件箱的想法：给邮件加持久 AI 记忆”
系统会发现： - 记忆 1 和记忆 3 有关：代理的可靠性问题，本质是记忆架构不行 - 记忆 2 和记忆 1 有关：降低成本才能规模化部署代理 - 记忆 3 和记忆 4 有关：智能收件箱就是重建式记忆的一个应用
然后它会给你一个洞察：
“下一代 AI 工具的瓶颈，是从静态 RAG 到动态记忆系统的转变。”
这种“连接”的能力，是向量数据库做不到的。因为向量数据库只做相似度匹配，不做语义理解和推理。
第三步：查询（Query）
你想问什么就问什么。
系统会读取所有的记忆和整合洞察，然后综合出一个答案。关键是，每个观点都会标注来源。
比如你问“我应该关注什么？”
系统会回答：
根据你的记忆，建议优先： 1. 3 月 15 日前上线 API 【来源：记忆 2】 2. 代理可靠性问题【来源：记忆 1】，可以用重建式记忆方案【来源：记忆 3】来解决 3. 智能收件箱概念【来源：记忆 4】验证了市场对持久 AI 记忆的需求
这种带来源引用的回答，让你知道 AI 不是在瞎编，每句话都有据可查。
为什么用 Gemini Flash-Lite?
这个系统是 24 小时运行的。成本和速度比智商更重要。
快：延迟低，适合持续后台运行 便宜：每次调用成本极低，24/7 运行也花不了多少钱 够用：提取结构、找关系、综合答案，这些事它都能干
LLM（大语言模型）：像 GPT、Claude、Gemini 这样的 AI 模型。它们通过海量文本训练，能理解和生成人类语言。
五分钟跑起来
安装很简单：
git clone https://github.com/Shubhamsaboo/always-on-memory-agent.git
cd always-on-memory-agent
pip install -r requirements.txt
设置 API 密钥：
export GOOGLE_API_KEY="your-gemini-api-key"
然后启动：
python agent.py
就这样。系统会： - 监控 ./inbox/ 文件夹，自动处理新文件 - 每 30 分钟整合一次记忆 - 在 http://localhost:8888 提供查询服务
想要图形界面？还有个 Streamlit 面板：
streamlit run dashboard.py
这事为什么重要？
大多数 AI 工具都是“一次性”的。 你问它，它答你，然后它就忘了。
但真正有价值的信息，往往藏在碎片化的对话和文档里。如果 AI 能记住这些碎片，并且主动发现它们之间的关系，那它的价值就不只是“回答问题”了——它能帮你“发现洞见”。
这个项目做了一件事：把静态的知识库，变成了一个会思考的记忆系统。
就像你的大脑不是硬盘，而是一个不断整理信息的处理器。
真正的智能，不是记住所有东西，而是知道什么重要，以及为什么重要。
项目地址：https://github.com/GoogleCloudPlatform/generative-ai/tree/main/gemini/agents/always-on-memory-agent
技术栈：Google ADK + Gemini 3.1 Flash-Lite + SQLite + Streamlit
许可证：MIT
