夜雨聆风如果AI每次对话都像得了健忘症，那它永远成不了你的得力助手。OpenClaw的记忆系统解决了这个核心痛点——让AI拥有类似人类的记忆能力，而不是每次都从零开始。
前言：为什么AI需要记忆？
想象一下，你跟一个朋友聊天，每次见面他都忘记你是谁、你们聊过什么、你的喜好是什么。这样的"友谊"很难维持。但遗憾的是，这正是当前大多数AI助手的现状：
- • 上下文有限：ChatGPT的上下文窗口再大，也会在对话结束后清空
- • 没有持久记忆：无法在多次对话间保留重要信息
- • 缺乏个性化：每次都要重新介绍你的背景和需求
- • 无法学习成长：AI无法从历史互动中学习和适应
OpenClaw的记忆系统正是为解决这些问题而生。它让AI能够：
- 1. 记住重要信息：在多次对话间持久保存关键事实
- 2. 学习你的偏好：了解你的工作习惯、技术偏好、常用命令
- 3. 建立上下文连续性：让每次对话都建立在上次基础上
- 4. 保护隐私：记忆完全由你掌控，存储在本地
这篇文章将深入剖析OpenClaw记忆系统的设计理念、工作原理和实战配置，让你真正掌握让AI"记住"你的秘密。
一、记忆系统的设计哲学：从"健忘"到"睿智"
OpenClaw的记忆系统设计遵循三个核心原则：
1.1 人类记忆的数字化映射
OpenClaw的灵感来源于人类记忆的工作方式：
# 人类记忆 vs OpenClaw记忆
短期记忆：工作记忆，持续几分钟 → memory/YYYY-MM-DD.md（每日日志）
长期记忆：持久存储，终身保留 → MEMORY.md（精选长期记忆）
语义记忆：概念和知识 → 向量记忆搜索
情景记忆：具体经历 → 会话日志索引这种映射确保了记忆系统的自然性和实用性，而不是简单的技术堆砌。
1.2 安全与隐私优先
OpenClaw在记忆设计上做出了关键的安全决策：
- • 本地优先：所有记忆默认存储在本地磁盘
- • 明文存储：使用Markdown格式，人类可读，AI可处理
- • 粒度控制：可以精确控制哪些会话加载哪些记忆
- • 沙箱隔离：高风险技能在隔离环境中运行，无法访问记忆
1.3 实用主义的工程实现
记忆系统不是为了炫技，而是为了解决实际问题：
- • 实时可用：记忆搜索响应在毫秒级
- • 资源高效：向量索引对CPU/内存使用进行优化
- • 故障恢复：索引损坏时可以自动重建
- • 渐进增强：没有复杂配置也能工作，逐步优化体验
二、MEMORY.md工作机制：AI的"长期记忆"
MEMORY.md是OpenClaw记忆系统的核心，它是AI的"长期记忆库"。
2.1 文件结构与加载规则
~/.openclaw/workspace/
├── MEMORY.md # 长期记忆（仅主会话加载）
├── memory/
│ ├── 2026-03-27.md # 今日日志
│ ├── 2026-03-26.md # 昨日日志
│ └── ... # 历史日志
└── ... # 其他工作空间文件加载规则的关键设计：
- 1. 主会话专用：
MEMORY.md仅在私人一对一对话中加载，绝不泄露到群聊 - 2. 双日志系统：每次会话自动读取今天和昨天的日志文件
- 3. 追加写入：每日日志采用追加模式，保留完整历史
- 4. 人工精选：
MEMORY.md需要手动维护，确保质量而非数量
2.2 什么应该写入MEMORY.md？
不是所有信息都值得长期记忆。以下是写入原则：
应该写入的：
- • 用户的个人偏好（技术栈、常用工具、工作习惯）
- • 重要的项目决策和设计选择
- • 反复出现的需求和工作流
- • 用户纠正的错误和学习到的经验
- • 长期有效的配置参数
不应该写入的：
- • 敏感的个人信息（密码、密钥、隐私数据）
- • 临时性的会话上下文
- • 一次性的请求和回复
- • 情绪化的表达和无关闲聊
2.3 自动记忆刷新机制
OpenClaw有一个巧妙的设计：在会话压缩前自动触发记忆刷新。
// 默认配置
agents: {
defaults: {
compaction: {
memoryFlush: {
enabled: true,
softThresholdTokens: 4000,
systemPrompt: "Session nearing compaction. Store durable memories now.",
prompt: "Write any lasting notes to memory/YYYY-MM-DD.md; reply with NO_REPLY if nothing to store.",
}
}
}
}工作原理：
- 1. 时机检测：当会话接近上下文窗口上限时（剩余约4000token），触发记忆刷新
- 2. 静默执行：在后台提醒AI写入持久记忆，用户无感知
- 3. 防丢机制：确保重要信息在上下文被压缩前保存到磁盘
- 4. 智能判断：AI决定哪些信息值得持久化
这种机制解决了"忘记保存"的问题，让记忆系统真正可靠。
三、短期记忆 vs 长期记忆：精妙的平衡艺术
OpenClaw的记忆系统不是一个单一的存储，而是一个分层的体系。
3.1 短期记忆：memory/YYYY-MM-DD.md
# 2026-03-27.md
## 上午
- 用户询问了OpenClaw的安装问题，推荐了Docker方式
- 用户的技术栈偏好：React前端 + Golang后端
- 用户提到了一个项目 deadline：4月15日
## 下午
- 帮助用户配置了企业微信集成
- 用户纠正：更喜欢Markdown格式而非YAML
- 约定了明天继续讨论OpenClaw生态短期记忆的特点：
- • 细节丰富：记录具体的对话内容和上下文
- • 时间序列：按时间顺序记录，便于追溯
- • 自动管理：每天自动创建新文件，旧文件存档
- • 快速访问：只加载最近两天的文件，减少开销
3.2 长期记忆：MEMORY.md
# MEMORY.md - 长期记忆
## 用户偏好
- 技术栈：前端（React, TypeScript），后端（Golang, Rust）
- 开发环境：VS Code，使用Dark主题
- 文档偏好：Markdown > YAML，中文 > 英文
- 关注领域：AI应用、开源工具、效率提升
## 项目相关
- 当前项目：OpenClaw系列文章（30天计划）
- 重要日期：每周三发布新文章
- 内容风格：实战导向，避免纯理论
## 学习与纠正
- 2026-03-25：OpenClaw配置使用JSON5格式，不是YAML
- 2026-03-26：封面图必须使用NotoSansCJK字体
- 2026-03-26：文章结尾不再使用固定模板长期记忆的特点：
- • 精心整理：人工筛选和总结，非原始日志
- • 结构清晰：按主题分类，便于查找
- • 价值密集：每一条都是重要信息
- • 定期维护：需要主动更新和清理
3.3 记忆生命周期管理
# 记忆的完整生命周期
信息产生 → 短期记忆（当日日志） → 筛选提炼 → 长期记忆（MEMORY.md） → 定期回顾 → 清理过时
↑ ↑ ↑
实时记录 主动维护 保持新鲜这个过程中，OpenClaw提供自动化支持，但最终的控制权在用户手中。
四、向量记忆搜索：让AI"想起"相关的一切
如果记忆只是存储在文件里，那和记事本没什么区别。OpenClaw真正的威力在于向量记忆搜索。
4.1 向量搜索的工作原理
# 简化版向量搜索流程
1. 文本分块：将Markdown文件分割成400token的块（80token重叠）
2. 向量化：使用嵌入模型将文本转换为高维向量
3. 存储索引：向量存入SQLite + sqlite-vec扩展
4. 查询处理：将用户查询也向量化，计算余弦相似度
5. 结果返回：返回最相关的文本片段及其来源关键技术优势：
- • 语义理解：不仅仅是关键词匹配，而是理解意思
- • 快速响应：sqlite-vec提供毫秒级搜索
- • 增量更新：文件变化时自动更新索引
- • 多模型支持：支持OpenAI、Gemini、本地模型
4.2 混合搜索：BM25 + 向量的完美结合
OpenClaw的混合搜索结合了两种技术的优点：
// 混合搜索配置
agents: {
defaults: {
memorySearch: {
query: {
hybrid: {
enabled: true, // 启用混合搜索
vectorWeight: 0.7, // 向量权重70%
textWeight: 0.3, // 文本权重30%
candidateMultiplier: 4
}
}
}
}
}为什么需要混合搜索？
| 搜索类型 | 擅长场景 | 不擅长场景 |
|---|---|---|
| 向量搜索 | "安装OpenClaw遇到的问题" → 能找到相关的问题描述 | 精确代码符号、错误ID |
| BM25全文搜索 | sqlite-vec → 精确匹配这个术语 | "向量数据库" → 可能找不到相关讨论 |
混合搜索的效果：
- • 向量部分：处理语义相似性，找到概念相关的内容
- • BM25部分：处理精确匹配，找到特定术语和代码
- • 加权合并：综合两个分数，返回最相关的结果
4.3 记忆搜索的配置实战
// 完整的记忆搜索配置示例
agents: {
defaults: {
memorySearch: {
// 基础配置
enabled: true,
// 提供商配置
provider: "openai", // 或 "gemini", "local"
model: "text-embedding-3-small",
// 远程API配置
remote: {
apiKey: "${OPENAI_API_KEY}",
batch: { enabled: true, concurrency: 2 }
},
// 本地模型配置（备选）
local: {
modelPath: "hf:ggml-org/embeddinggemma-300M-GGUF/embeddinggemma-300M-Q8_0.gguf"
},
// 搜索配置
query: {
hybrid: {
enabled: true,
vectorWeight: 0.7,
textWeight: 0.3
}
},
// 额外记忆路径
extraPaths: [
"../team-docs", // 团队文档目录
"/srv/shared-notes/overview.md" // 共享笔记文件
],
// 缓存配置
cache: {
enabled: true,
maxEntries: 50000
},
// 回退机制
fallback: "openai"
}
}
}配置说明：
- 1. 提供商选择
- ：
- •
openai：性能最好，成本适中（批处理更便宜） - •
gemini：Google生态集成，价格有竞争力 - •
local：完全离线，隐私最高，性能较低 - 2. 批处理优势
- ：
- • OpenAI批处理API比实时调用便宜50-80%
- • 大型索引任务可以节省大量成本
- • 后台异步执行，不阻塞主线程
- 3. 缓存机制
- ：
- • 嵌入结果缓存到SQLite
- • 避免重复计算相同文本
- • 特别适合频繁更新的会话日志
五、隐私与安全：记忆系统的信任基石
记忆系统处理的是最敏感的信息，OpenClaw在安全设计上毫不妥协。
5.1 多层次的安全防护
1. 物理隔离：
# 记忆文件的默认权限
-rw-r--r-- 1 user user MEMORY.md # 仅用户可写
drwxr-xr-x 2 user user memory/ # 仅用户可访问2. 会话隔离：
- • 主会话：可以读写
MEMORY.md和所有记忆文件 - • 群组会话：无法加载
MEMORY.md，保护隐私 - • 子代理会话：继承父会话的workspace，但可以进一步限制
3. 沙箱执行：
// 高风险技能在沙箱中运行
skills: {
entries: {
"file-operations": {
enabled: true,
sandbox: true, // 在沙箱中运行
workspaceAccess: "ro" // 只读访问工作空间
}
}
}4. 内存安全：
- • 记忆搜索结果只返回片段，不是完整文件
- • 搜索工具有严格的访问控制
- • 向量索引不包含原始文本，只包含嵌入
5.2 隐私设计原则
OpenClaw遵循严格的隐私设计原则：
- 1. 本地优先：默认所有数据都在本地
- 2. 明确同意：远程嵌入需要显式配置API密钥
- 3. 数据最小化：只索引必要的文件，不扫描整个磁盘
- 4. 透明可控：用户可以随时查看、修改、删除记忆
- 5. 安全默认值：默认配置就是安全的，需要主动开放权限
5.3 企业级安全考量
对于企业部署，OpenClaw提供额外保护：
// 企业级记忆配置
agents: {
defaults: {
memorySearch: {
// 禁用远程嵌入，确保数据不出境
provider: "local",
fallback: "none",
// 限制记忆范围
extraPaths: [], // 不添加额外路径
// 禁用会话索引
experimental: { sessionMemory: false },
// 严格的访问控制
store: {
path: "/secure/location/{agentId}.sqlite",
permissions: 0o600 // 仅所有者可读写
}
},
// 工作空间访问控制
workspaceAccess: "rw", // 或 "ro", "none"
// 插件权限控制
plugins: {
slots: {
memory: "memory-core" // 只允许核心记忆插件
}
}
}
}六、实战配置：从零搭建你的记忆系统
理论说再多不如动手实践。让我们一步步配置一个完整的记忆系统。
6.1 基础配置检查
首先，检查当前记忆系统的状态：
# 查看记忆状态
openclaw memory status
# 详细诊断
openclaw memory status --deep
# 输出示例：
# ✅ 记忆搜索已启用
# ✅ 提供商: openai (text-embedding-3-small)
# ✅ 存储: /home/user/.openclaw/memory/main.sqlite
# ✅ 索引文件: 42个文件, 1568个块
# ✅ 最近同步: 2026-03-27T08:30:00Z
# ✅ 混合搜索: 已启用 (向量70% + 文本30%)如果记忆搜索未启用，检查配置：
# 查看相关配置
openclaw config get agents.defaults.memorySearch
# 启用记忆搜索
openclaw config set agents.defaults.memorySearch.enabled true6.2 配置嵌入提供商
根据你的需求选择合适的提供商：
方案A：使用OpenAI（性能最佳）
# 设置OpenAI API密钥
export OPENAI_API_KEY="sk-..."
# 或写入配置文件
openclaw config set agents.defaults.memorySearch.provider openai
openclaw config set agents.defaults.memorySearch.model "text-embedding-3-small"方案B：使用本地模型（完全离线）
# 启用本地模式
openclaw config set agents.defaults.memorySearch.provider local
# 自动下载嵌入模型（约0.6GB）
openclaw memory status --deep # 首次运行会自动触发下载
# 或手动指定模型路径
openclaw config set agents.defaults.memorySearch.local.modelPath \
"hf:ggml-org/embeddinggemma-300M-GGUF/embeddinggemma-300M-Q8_0.gguf"方案C：使用Gemini
# 设置Gemini API密钥
export GEMINI_API_KEY="..."
openclaw config set agents.defaults.memorySearch.provider gemini
openclaw config set agents.defaults.memorySearch.model "gemini-embedding-001"6.3 初始索引构建
# 运行首次完整索引
openclaw memory index --verbose
# 观察输出：
# 🔍 扫描记忆文件...
# 📝 找到 3 个文件：MEMORY.md, memory/2026-03-27.md, memory/2026-03-26.md
# 🧠 使用 openai/text-embedding-3-small 生成嵌入...
# ⚡ 批处理模式：提交 1568 个块，2个并发作业
# 💾 存储到 SQLite (sqlite-vec)...
# ✅ 索引完成：1568 个块，耗时 45.2 秒6.4 测试记忆搜索
# 测试语义搜索
openclaw memory search "用户的技术偏好"
# 测试精确搜索
openclaw memory search "React TypeScript"
# 测试混合搜索（自动启用）
openclaw memory search "OpenClaw配置参数 JSON5"
# 搜索结果示例：
# 分数 | 来源 | 内容片段
# 0.92 | MEMORY.md:15-20 | 用户偏好：前端使用React和TypeScript...
# 0.87 | memory/2026-03-26.md:45-50 | 昨天讨论过React项目配置...
# 0.75 | MEMORY.md:32-38 | 技术栈选择：优先考虑TypeScript类型安全...6.5 记忆维护最佳实践
每日习惯：
- 1. 查看当日的
memory/YYYY-MM-DD.md，确保重要信息被记录 - 2. 如果有需要长期记忆的内容，手动更新到
MEMORY.md - 3. 删除过时或错误的记录
每周维护：
- 1. 清理一周前的日志文件（可归档或删除）
- 2. 回顾
MEMORY.md，更新过时信息 - 3. 运行记忆索引完整性检查：
openclaw memory status --deep --index
每月优化：
- 1. 评估记忆搜索的效果，调整混合搜索权重
- 2. 考虑添加额外的记忆路径（团队文档、项目笔记等）
- 3. 备份记忆数据库和原始文件
七、高级技巧与故障排查
7.1 性能优化技巧
问题：记忆搜索速度慢
// 解决方案：启用sqlite-vec向量加速
agents: {
defaults: {
memorySearch: {
store: {
vector: {
enabled: true, // 默认已启用
extensionPath: "/usr/lib/sqlite-vec" // 如有自定义路径
}
}
}
}
}问题：索引占用磁盘空间大
# 清理旧索引
rm ~/.openclaw/memory/*.sqlite
# 重新索引（会更小）
openclaw memory index问题：API调用成本高
// 启用批处理和缓存
agents: {
defaults: {
memorySearch: {
remote: {
batch: { enabled: true }, // 批处理更便宜
},
cache: {
enabled: true, // 缓存避免重复计算
maxEntries: 50000
}
}
}
}7.2 常见故障排查
症状：记忆搜索返回空结果
# 诊断步骤
openclaw memory status --deep # 检查状态
openclaw memory index --verbose # 重新索引
openclaw config get agents.defaults.memorySearch # 检查配置症状：嵌入模型加载失败
# 本地模型问题
openclaw config set agents.defaults.memorySearch.fallback openai # 临时回退
pnpm rebuild node-llama-cpp # 重建本地模型支持症状：混合搜索不可用
# 检查SQLite FTS5支持
sqlite3 :memory: 'SELECT sqlite_compileoption_used("ENABLE_FTS5");'
# 返回1表示支持，0表示不支持7.3 扩展记忆系统
集成团队知识库：
// 添加团队文档到记忆搜索
agents: {
defaults: {
memorySearch: {
extraPaths: [
"/shared/team-wiki",
"/projects/docs/architecture.md"
]
}
}
}启用会话记忆搜索（实验性）：
// 索引会话历史，实现跨会话记忆
agents: {
defaults: {
memorySearch: {
experimental: { sessionMemory: true },
sources: ["memory", "sessions"],
sync: {
sessions: {
deltaBytes: 100000, // 每100KB触发索引
deltaMessages: 50 // 每50条消息触发索引
}
}
}
}
}八、记忆系统的哲学思考
8.1 记忆与智能的关系
OpenClaw的记忆系统提出了一个深刻的问题：什么是真正的AI智能？
没有记忆的AI就像一本百科全书——知识丰富但无法建立联系。有了记忆，AI开始展现类似人类的特质：
- • 连续性：能够参考过去的对话和决策
- • 个性化：了解特定用户的偏好和习惯
- • 学习能力：从错误中学习，避免重复犯错
- • 上下文感知：在不同情境下调整行为
8.2 开源记忆系统的意义
OpenClaw选择开源其记忆系统，具有重要战略意义：
- 1. 透明可信：用户可以完全了解记忆如何工作，没有黑箱
- 2. 社区改进：全球开发者可以共同优化记忆算法
- 3. 避免锁定：记忆数据使用开放格式，可迁移到其他系统
- 4. 安全审查：代码公开接受安全专家审计
8.3 未来的发展方向
基于当前架构，记忆系统可能向以下方向演进：
更智能的记忆管理：
- • 自动识别重要信息，减少手动维护
- • 基于重要性的记忆衰减机制
- • 跨用户记忆模式的学习和推荐
更丰富的记忆类型：
- • 多模态记忆（图像、语音的向量化）
- • 结构化记忆（数据库、知识图谱集成）
- • 时间序列记忆（趋势分析、预测）
更紧密的生态集成：
- • 与第三方笔记工具（Obsidian、Notion）双向同步
- • 与日历、邮件、任务系统的智能关联
- • 企业知识库的自动化索引和更新
总结：让AI真正成为你的伙伴
OpenClaw的记忆系统不是一项炫技的功能，而是AI助手实用化的关键突破。它解决了传统AI的"健忘症"问题，让AI能够：
- 1. 记住重要信息：不再需要重复交代背景
- 2. 学习你的习惯：提供越来越精准的帮助
- 3. 保护你的隐私：记忆完全由你掌控
- 4. 持续成长进化：随着使用时间增长而变得更智能
记忆系统的配置看似复杂，但OpenClaw提供了合理的默认值和渐进式配置路径。你可以从最简单的本地记忆开始，逐步增加向量搜索、混合搜索、团队集成等高级功能。
真正的挑战不在于技术配置，而在于思维转变——开始把AI当作一个有记忆的伙伴，而不是每次都要重新介绍自己的陌生人。当你开始认真维护MEMORY.md，当AI开始引用几天前的对话，当复杂的配置只需要说"像上次那样设置"，你会真正体会到记忆系统的价值。
记忆是智能的基础，也是信任的基石。OpenClaw通过开源的、透明的、用户可控的记忆系统，为AI助手的未来指明了一条可行之路——不是替代人类，而是成为人类能力的有益延伸。
