OpenClaw 持久化内存机制

OpenClaw（原 Clawdbot/Moltbot）是一个开源的个人 AI 助手项目，其持久化内存（也常称为持久化记忆或长期记忆系统）是核心特色之一。它让 Agent 能在会话重启、跨天甚至跨月后“记住”用户偏好、关键事实、决策和历史上下文，而非每次都从零开始。

OpenClaw 的设计哲学是简单透明、完全本地化，记忆不依赖外部数据库或云服务，而是直接用Markdown 文件存储在 Agent 的工作区（默认路径：~/.openclaw/workspace 或类似配置路径）。这样用户可以随时用文本编辑器查看、编辑或备份记忆。

主要文件结构（分层设计）：

MEMORY.md
（长期/精选记忆层）：存储核心事实、用户偏好、重要决策等。只保留高价值信息，每次主会话启动时会加载到上下文中。内容需要经过筛选和蒸馏，避免膨胀。
memory/YYYY-MM-DD.md
（每日记忆日志层）：append-only（只追加不修改）的日常记录，记录当天事件、笔记、临时决策等。像“日记本”一样，可无限增长。
会话实录（jsonl 或 transcript）
：短期工作记忆，记录原始对话历史。
其他 bootstrap 文件
：如 SOUL.md（人格定义）、USER.md（用户画像）、TOOLS.md 等，每次会话启动时从磁盘加载。

工作流程：

Agent 在对话中会主动或根据指令将重要信息写入上述文件。
支持智能压缩（compaction）：当上下文接近 token 上限时，会触发自动机制（如 memory flush），让模型提炼关键信息存入 MEMORY.md，同时清理过时内容。压缩是“有损”或“无损”取决于配置/插件。
检索机制
：内置全文搜索（SQLite FTS5）、向量语义搜索（sqlite-vec 或实验性 QMD 后端），支持关键词 + 语义混合检索。需要时从文件中拉取相关片段注入上下文，而不是一股脑塞全部历史。
特点
：持久（跨重启有效）、无上限（文件可无限增长）、低成本（不额外消耗 LLM token）、用户完全可控。

局限性：纯 Markdown 方案在海量数据时检索效率可能不高、chunking 分割不佳时语义检索精度受影响、并发写入需注意安全。社区常通过插件或混合方案优化。

原生方案已能满足基本需求，但很多人会叠加插件实现更强的“自我进化”：

向量数据库插件
：如 memory-lancedb-pro，支持智能提取（自动从对话中筛选重要内容存入向量库）、去重、自动召回（Auto-Recall）。能让记忆更语义化，避免垃圾信息。
无损/高级压缩插件
：如 Lossless-claw，使用 DAG 压缩 + SQLite 持久化，记忆整理自动化，减少信息丢失。
外部内存插件
：Mem0、Cognee、Supermemory 等。将部分记忆移到向量库或知识图谱（knowledge graph）中，实现 compaction-proof（压缩不影响持久层）。支持 Auto-Capture（自动捕获）和 Auto-Recall。
分层存储思路
：热层（内存，会话上下文）、温层（Markdown/SQLite，结构化信息）、冷层（向量数据库，历史摘要/语义检索）。许多文章推荐这种混合方式。

这些插件通常通过 openclaw plugins install 命令安装，配置简单。有些支持本地自托管（Ollama + Qdrant 等），有些用云服务。

想简单上手
：直接用原生 MEMORY.md + 每日日志 + 内置检索。告诉 Agent “记住这个……” 或在会话结束时让它总结存盘即可。
追求强记忆
：安装 1-2 个热门插件（如 memory-lancedb-pro 或 Lossless-claw），结合原生文件，形成“越用越聪明”的效果。
云上部署
：可用对象存储（如腾讯云 Lighthouse COS）持久化整个 workspace 目录（记忆 + 日志 + 结果）。
注意事项
：记忆质量取决于模型提炼能力 + 用户指令。建议定期 review MEMORY.md，避免无关内容堆积。压缩机制可配置（如 softThresholdTokens）。

如果你在用 OpenClaw，推荐查看官方文档（docs.openclaw.ai/concepts/memory）或 GitHub 项目。社区讨论（如知乎、腾讯云开发者文章、Reddit）里有很多源码解析和插件推荐。

具体问题可以补充：你是想了解原生实现细节、某个插件安装步骤、还是优化方案对比？或者遇到什么内存相关的问题？