夜雨聆风
你有没有遇到过这种情况：
告诉龙虾"以后删文件之前要先问我"，它说"好的，我记住了"。
然后过了几天，它自己把文件删了。
你问它，它一脸懵：什么？你说过这件事吗？
这不是龙虾变坏了，是它的记忆系统没有正确工作。
理解这件事背后的原理，你才能真正用好 OpenClaw——知道什么该让它"记住"，什么注定会被遗忘，以及怎么设计才能让它越用越聪明。
语言模型天生没有记忆
在讲 OpenClaw 之前，先把一件事说清楚。
语言模型本身，没有记忆。
每次你调用它，它都是从零开始的。不记得你是谁，不记得昨天说过什么，甚至不记得同一个对话里五分钟前发生了什么——除非那些内容还在它当前能看到的窗口里。
这对简单的聊天机器人无所谓。但对 Agent——一个需要跨时间做任务、积累经验、持续改进的系统——这种失忆是致命的。
OpenClaw 解决这个问题的方式，是在语言模型外面搭了一套记忆系统。
这套系统分四层，每层解决不同的问题。
第一层：上下文记忆——Agent 的工作台（短期记忆）
这是最直接的一层。
每次 OpenClaw 调用语言模型，它不只是把你说的话发过去。它会把一大段内容拼在一起，一起发给模型：
Soul.md 的内容（Agent 是谁、价值观是什么）+ memory.md 里检索到的相关片段+ 可用 Skills 的列表+ 历史对话的压缩摘要+ 你刚才说的话
语言模型看到的，是这整个包裹。它在这个范围内推理，给出回答。
这就是"上下文记忆"——放在当前窗口里的所有东西，模型都能即时访问，不需要任何检索步骤。
但这个工作台有尺寸限制。
Token 有上限。对话越来越长，历史内容越积越多，工作台迟早会撑满。
OpenClaw 的解法叫 Context Compaction：当历史对话快要触顶，自动调用一次语言模型，把旧的对话压缩成摘要，用摘要替换原文。这个过程可以递归发生，让 Agent 能长期运行而不爆掉。
压缩是有损的——细节会丢失，但结论和关键决策会保留。
这里藏着一个很多人踩过的坑：
你在对话里告诉 Agent "以后删文件之前要问我"，它说"好的"——但这句话只存在于对话历史里。一旦触发 Compaction，这个约定可能就消失了。
这不是 bug，是上下文记忆的工作机制。
第二层：外部记忆——跨越会话边界的存储（长期记忆）
上下文记忆在对话结束后就消失了。外部记忆不会。
OpenClaw 里的外部记忆，就是那些 .md 文件：
memory.md ← 长期记忆，事实和约定soul.md ← Agent 的身份和价值观habit.md ← 定期任务和习惯
这些文件的内容会出现在每次调用的系统提示里，不会被 Compaction 压缩掉。写进去的，每次对话都在。
所以规则只有一条：想让 Agent 永远记住的事，必须写进文件。
口头说的，不算。
写进去了，才算真正记住。
这就是为什么你应该在重要约定之后，明确让 Agent 确认："你把这条写进 memory.md 了吗？" 没写的，等于没说。
外部记忆还有另一种形式：向量存储。
当 memory.md 积累的内容越来越多，OpenClaw 不会把整个文件都塞进系统提示——那样 Context Window 很快就爆了。它用 RAG（检索增强生成）的方式：把 memory.md 切成小块，每次根据当前对话的语义，只取最相关的几段放进窗口。
这就是为什么你的龙虾有时候"想起来"某件事，有时候又好像没印象——不是它忘了，是那段记忆没有被检索到。
第三层：情景记忆——从自己的历史里学习（中期记忆）
这是最容易被忽视的一层，也是最有意思的一层。
外部记忆存的是事实。情景记忆存的是事件——具体来说，是过去行为的结果。
每次 Agent 完成一个任务，理想的情况是它记录下来：做了什么、用了什么方法、结果怎样、有什么可以改进的地方。
OpenClaw 里，这体现在 habit.md 的演化上。
比如你让龙虾每天中午提醒你做某件事，它执行了一段时间后，可能会自己在 habit.md 里记录：这类提醒在哪个时间点效果最好、用什么格式你更容易回应。
更完整的情景记忆实现，会把每次任务的过程结构化记录下来：
任务：整理上周的会议记录方法：先提取行动项，再按优先级排序结果：用户满意，花了8分钟备注：下次可以先问用户偏好哪种格式
下次遇到类似任务时，Agent 检索过去的经验，用历史结果来选择当前策略。
这是从个人历史做学习，不是从通用数据集学习——所以它会越来越适合你的具体场景。
这也是为什么同一只龙虾用得越久，往往越顺手。 不是模型变强了，是情景记忆在积累。
第四层：参数记忆——模型与生俱来的知识
这层最特殊，因为 OpenClaw 对它没有控制权。
参数记忆，就是语言模型训练时编码进权重里的所有东西：世界知识、语言模式、推理能力、编程范式……
这些知识始终都在，不需要检索，也不占 Context Window。
但它有三个硬限制：
训练截止日期。 模型不知道训练之后发生的事情。
无法运行时更新。 不重新训练，就没办法注入新的永久知识。
会幻觉。 当模型不确定时，它倾向于用"听起来对"的内容填补空白，而不是承认不知道。
这就是为什么 OpenClaw 里要有 Skills 和 memory.md——用外部记忆弥补参数记忆的局限。你的公司内部规范、你个人的工作习惯、最近发生的事情，模型不可能知道，必须靠外部记忆来补充。
正确的理解方式：参数记忆是龙虾的通识教育，外部记忆是它的在职经验。最好的 Agent，两者结合。
四层记忆在 OpenClaw 里怎么配合
把四层放在一起看，就能理解 OpenClaw 每次处理一条消息时，背后发生了什么：
你发送一条消息 ↓OpenClaw 从 memory.md 检索相关片段（外部记忆） ↓检查有没有匹配的 Skills（外部记忆） ↓把历史对话摘要 + 检索结果 + 你的消息拼成系统提示（上下文记忆） ↓调用语言模型推理（参数记忆在这里发挥作用） ↓执行工具调用，返回结果 ↓把这次交互的结果写回 memory.md（更新外部记忆） ↓如果是完整任务，记录情景日志（情景记忆）
每一步都有对应的记忆层在工作。
模型本身是无状态的，是这套记忆系统给了它有状态的假象。
用好记忆系统的三个实践
理解了四层架构，有三件事可以马上改变你用 OpenClaw 的方式：
第一，重要约定必须显式写入文件。
不要相信"它说它记住了"。重要的规则、偏好、约定，都要确认它写进了 memory.md。可以直接说："把这条规则写进 memory.md，我要确认它在里面。"
第二，让 Agent 记录它做过的事。
每次完成一个复杂任务，让它在 memory.md 或者 habit.md 里留下记录：用了什么方法、结果如何、下次有什么可以改进。这就是在主动建设情景记忆。
第三，定期清理 memory.md。
记忆积累到一定程度，相互矛盾的内容会让 Agent 晕头转向。旧的、过期的、不再相关的条目，定期让 Agent 帮你整理清理。好的记忆系统不只是积累，还要懂得遗忘。
本篇小结
记忆类型 OpenClaw 的实现 特点 上下文记忆（短期记忆） 系统提示 + 对话历史 即时访问，对话结束后消失 外部记忆（长期记忆） memory.md + RAG 检索 跨会话持久，必须显式写入 情景记忆（中期记忆） habit.md + 任务日志 记录过去经验，越用越聪明 参数记忆 语言模型本身的权重 始终存在，无法运行时修改
四层各司其职，缺一不可。
理解这个架构，你就知道为什么龙虾有时候"记得"，有时候"忘了"——不是随机的，是有迹可循的。
下一篇，我们讲 OpenClaw 的多 Agent 协作——当一只龙虾不够用，怎么让一群龙虾分工合作，而不是互相添乱。
你有没有遇到过这种情况：
告诉龙虾"以后删文件之前要先问我"，它说"好的，我记住了"。
然后过了几天，它自己把文件删了。
你问它，它一脸懵：什么？你说过这件事吗？
这不是龙虾变坏了，是它的记忆系统没有正确工作。
理解这件事背后的原理，你才能真正用好 OpenClaw——知道什么该让它"记住"，什么注定会被遗忘，以及怎么设计才能让它越用越聪明。
语言模型天生没有记忆
在讲 OpenClaw 之前，先把一件事说清楚。
语言模型本身，没有记忆。
每次你调用它，它都是从零开始的。不记得你是谁，不记得昨天说过什么，甚至不记得同一个对话里五分钟前发生了什么——除非那些内容还在它当前能看到的窗口里。
这对简单的聊天机器人无所谓。但对 Agent——一个需要跨时间做任务、积累经验、持续改进的系统——这种失忆是致命的。
OpenClaw 解决这个问题的方式，是在语言模型外面搭了一套记忆系统。
这套系统分四层，每层解决不同的问题。
第一层：上下文记忆——Agent 的工作台（短期记忆）
这是最直接的一层。
每次 OpenClaw 调用语言模型，它不只是把你说的话发过去。它会把一大段内容拼在一起，一起发给模型：
Soul.md 的内容（Agent 是谁、价值观是什么）+ memory.md 里检索到的相关片段+ 可用 Skills 的列表+ 历史对话的压缩摘要+ 你刚才说的话
语言模型看到的，是这整个包裹。它在这个范围内推理，给出回答。
这就是"上下文记忆"——放在当前窗口里的所有东西，模型都能即时访问，不需要任何检索步骤。
但这个工作台有尺寸限制。
Token 有上限。对话越来越长，历史内容越积越多，工作台迟早会撑满。
OpenClaw 的解法叫 Context Compaction：当历史对话快要触顶，自动调用一次语言模型，把旧的对话压缩成摘要，用摘要替换原文。这个过程可以递归发生，让 Agent 能长期运行而不爆掉。
压缩是有损的——细节会丢失，但结论和关键决策会保留。
这里藏着一个很多人踩过的坑：
你在对话里告诉 Agent "以后删文件之前要问我"，它说"好的"——但这句话只存在于对话历史里。一旦触发 Compaction，这个约定可能就消失了。
这不是 bug，是上下文记忆的工作机制。
第二层：外部记忆——跨越会话边界的存储（长期记忆）
上下文记忆在对话结束后就消失了。外部记忆不会。
OpenClaw 里的外部记忆，就是那些 .md 文件：
memory.md ← 长期记忆，事实和约定soul.md ← Agent 的身份和价值观habit.md ← 定期任务和习惯
这些文件的内容会出现在每次调用的系统提示里，不会被 Compaction 压缩掉。写进去的，每次对话都在。
所以规则只有一条：想让 Agent 永远记住的事，必须写进文件。
口头说的，不算。
写进去了，才算真正记住。
这就是为什么你应该在重要约定之后，明确让 Agent 确认："你把这条写进 memory.md 了吗？" 没写的，等于没说。
外部记忆还有另一种形式：向量存储。
当 memory.md 积累的内容越来越多，OpenClaw 不会把整个文件都塞进系统提示——那样 Context Window 很快就爆了。它用 RAG（检索增强生成）的方式：把 memory.md 切成小块，每次根据当前对话的语义，只取最相关的几段放进窗口。
这就是为什么你的龙虾有时候"想起来"某件事，有时候又好像没印象——不是它忘了，是那段记忆没有被检索到。
第三层：情景记忆——从自己的历史里学习（中期记忆）
这是最容易被忽视的一层，也是最有意思的一层。
外部记忆存的是事实。情景记忆存的是事件——具体来说，是过去行为的结果。
每次 Agent 完成一个任务，理想的情况是它记录下来：做了什么、用了什么方法、结果怎样、有什么可以改进的地方。
OpenClaw 里，这体现在 habit.md 的演化上。
比如你让龙虾每天中午提醒你做某件事，它执行了一段时间后，可能会自己在 habit.md 里记录：这类提醒在哪个时间点效果最好、用什么格式你更容易回应。
更完整的情景记忆实现，会把每次任务的过程结构化记录下来：
任务：整理上周的会议记录方法：先提取行动项，再按优先级排序结果：用户满意，花了8分钟备注：下次可以先问用户偏好哪种格式
下次遇到类似任务时，Agent 检索过去的经验，用历史结果来选择当前策略。
这是从个人历史做学习，不是从通用数据集学习——所以它会越来越适合你的具体场景。
这也是为什么同一只龙虾用得越久，往往越顺手。 不是模型变强了，是情景记忆在积累。
第四层：参数记忆——模型与生俱来的知识
这层最特殊，因为 OpenClaw 对它没有控制权。
参数记忆，就是语言模型训练时编码进权重里的所有东西：世界知识、语言模式、推理能力、编程范式……
这些知识始终都在，不需要检索，也不占 Context Window。
但它有三个硬限制：
训练截止日期。 模型不知道训练之后发生的事情。
无法运行时更新。 不重新训练，就没办法注入新的永久知识。
会幻觉。 当模型不确定时，它倾向于用"听起来对"的内容填补空白，而不是承认不知道。
这就是为什么 OpenClaw 里要有 Skills 和 memory.md——用外部记忆弥补参数记忆的局限。你的公司内部规范、你个人的工作习惯、最近发生的事情，模型不可能知道，必须靠外部记忆来补充。
正确的理解方式：参数记忆是龙虾的通识教育，外部记忆是它的在职经验。最好的 Agent，两者结合。
四层记忆在 OpenClaw 里怎么配合
把四层放在一起看，就能理解 OpenClaw 每次处理一条消息时，背后发生了什么：
你发送一条消息 ↓OpenClaw 从 memory.md 检索相关片段（外部记忆） ↓检查有没有匹配的 Skills（外部记忆） ↓把历史对话摘要 + 检索结果 + 你的消息拼成系统提示（上下文记忆） ↓调用语言模型推理（参数记忆在这里发挥作用） ↓执行工具调用，返回结果 ↓把这次交互的结果写回 memory.md（更新外部记忆） ↓如果是完整任务，记录情景日志（情景记忆）
每一步都有对应的记忆层在工作。
模型本身是无状态的，是这套记忆系统给了它有状态的假象。
用好记忆系统的三个实践
理解了四层架构，有三件事可以马上改变你用 OpenClaw 的方式：
第一，重要约定必须显式写入文件。
不要相信"它说它记住了"。重要的规则、偏好、约定，都要确认它写进了 memory.md。可以直接说："把这条规则写进 memory.md，我要确认它在里面。"
第二，让 Agent 记录它做过的事。
每次完成一个复杂任务，让它在 memory.md 或者 habit.md 里留下记录：用了什么方法、结果如何、下次有什么可以改进。这就是在主动建设情景记忆。
第三，定期清理 memory.md。
记忆积累到一定程度，相互矛盾的内容会让 Agent 晕头转向。旧的、过期的、不再相关的条目，定期让 Agent 帮你整理清理。好的记忆系统不只是积累，还要懂得遗忘。
本篇小结
记忆类型 OpenClaw 的实现 特点 上下文记忆（短期记忆） 系统提示 + 对话历史 即时访问，对话结束后消失 外部记忆（长期记忆） memory.md + RAG 检索 跨会话持久，必须显式写入 情景记忆（中期记忆） habit.md + 任务日志 记录过去经验，越用越聪明 参数记忆 语言模型本身的权重 始终存在，无法运行时修改
四层各司其职，缺一不可。
理解这个架构，你就知道为什么龙虾有时候"记得"，有时候"忘了"——不是随机的，是有迹可循的。
下一篇，我们讲 OpenClaw 的多 Agent 协作——当一只龙虾不够用，怎么让一群龙虾分工合作，而不是互相添乱。
你有没有遇到过这种情况：
告诉龙虾"以后删文件之前要先问我"，它说"好的，我记住了"。
然后过了几天，它自己把文件删了。
你问它，它一脸懵：什么？你说过这件事吗？
这不是龙虾变坏了，是它的记忆系统没有正确工作。
理解这件事背后的原理，你才能真正用好 OpenClaw——知道什么该让它"记住"，什么注定会被遗忘，以及怎么设计才能让它越用越聪明。
语言模型天生没有记忆
在讲 OpenClaw 之前，先把一件事说清楚。
语言模型本身，没有记忆。
每次你调用它，它都是从零开始的。不记得你是谁，不记得昨天说过什么，甚至不记得同一个对话里五分钟前发生了什么——除非那些内容还在它当前能看到的窗口里。
这对简单的聊天机器人无所谓。但对 Agent——一个需要跨时间做任务、积累经验、持续改进的系统——这种失忆是致命的。
OpenClaw 解决这个问题的方式，是在语言模型外面搭了一套记忆系统。
这套系统分四层，每层解决不同的问题。
第一层：上下文记忆——Agent 的工作台（短期记忆）
这是最直接的一层。
每次 OpenClaw 调用语言模型，它不只是把你说的话发过去。它会把一大段内容拼在一起，一起发给模型：
Soul.md 的内容（Agent 是谁、价值观是什么）+ memory.md 里检索到的相关片段+ 可用 Skills 的列表+ 历史对话的压缩摘要+ 你刚才说的话
语言模型看到的，是这整个包裹。它在这个范围内推理，给出回答。
这就是"上下文记忆"——放在当前窗口里的所有东西，模型都能即时访问，不需要任何检索步骤。
但这个工作台有尺寸限制。
Token 有上限。对话越来越长，历史内容越积越多，工作台迟早会撑满。
OpenClaw 的解法叫 Context Compaction：当历史对话快要触顶，自动调用一次语言模型，把旧的对话压缩成摘要，用摘要替换原文。这个过程可以递归发生，让 Agent 能长期运行而不爆掉。
压缩是有损的——细节会丢失，但结论和关键决策会保留。
这里藏着一个很多人踩过的坑：
你在对话里告诉 Agent "以后删文件之前要问我"，它说"好的"——但这句话只存在于对话历史里。一旦触发 Compaction，这个约定可能就消失了。
这不是 bug，是上下文记忆的工作机制。
第二层：外部记忆——跨越会话边界的存储（长期记忆）
上下文记忆在对话结束后就消失了。外部记忆不会。
OpenClaw 里的外部记忆，就是那些 .md 文件：
memory.md ← 长期记忆，事实和约定soul.md ← Agent 的身份和价值观habit.md ← 定期任务和习惯
这些文件的内容会出现在每次调用的系统提示里，不会被 Compaction 压缩掉。写进去的，每次对话都在。
所以规则只有一条：想让 Agent 永远记住的事，必须写进文件。
口头说的，不算。
写进去了，才算真正记住。
这就是为什么你应该在重要约定之后，明确让 Agent 确认："你把这条写进 memory.md 了吗？" 没写的，等于没说。
外部记忆还有另一种形式：向量存储。
当 memory.md 积累的内容越来越多，OpenClaw 不会把整个文件都塞进系统提示——那样 Context Window 很快就爆了。它用 RAG（检索增强生成）的方式：把 memory.md 切成小块，每次根据当前对话的语义，只取最相关的几段放进窗口。
这就是为什么你的龙虾有时候"想起来"某件事，有时候又好像没印象——不是它忘了，是那段记忆没有被检索到。
第三层：情景记忆——从自己的历史里学习（中期记忆）
这是最容易被忽视的一层，也是最有意思的一层。
外部记忆存的是事实。情景记忆存的是事件——具体来说，是过去行为的结果。
每次 Agent 完成一个任务，理想的情况是它记录下来：做了什么、用了什么方法、结果怎样、有什么可以改进的地方。
OpenClaw 里，这体现在 habit.md 的演化上。
比如你让龙虾每天中午提醒你做某件事，它执行了一段时间后，可能会自己在 habit.md 里记录：这类提醒在哪个时间点效果最好、用什么格式你更容易回应。
更完整的情景记忆实现，会把每次任务的过程结构化记录下来：
任务：整理上周的会议记录方法：先提取行动项，再按优先级排序结果：用户满意，花了8分钟备注：下次可以先问用户偏好哪种格式
下次遇到类似任务时，Agent 检索过去的经验，用历史结果来选择当前策略。
这是从个人历史做学习，不是从通用数据集学习——所以它会越来越适合你的具体场景。
这也是为什么同一只龙虾用得越久，往往越顺手。 不是模型变强了，是情景记忆在积累。
第四层：参数记忆——模型与生俱来的知识
这层最特殊，因为 OpenClaw 对它没有控制权。
参数记忆，就是语言模型训练时编码进权重里的所有东西：世界知识、语言模式、推理能力、编程范式……
这些知识始终都在，不需要检索，也不占 Context Window。
但它有三个硬限制：
训练截止日期。 模型不知道训练之后发生的事情。
无法运行时更新。 不重新训练，就没办法注入新的永久知识。
会幻觉。 当模型不确定时，它倾向于用"听起来对"的内容填补空白，而不是承认不知道。
这就是为什么 OpenClaw 里要有 Skills 和 memory.md——用外部记忆弥补参数记忆的局限。你的公司内部规范、你个人的工作习惯、最近发生的事情，模型不可能知道，必须靠外部记忆来补充。
正确的理解方式：参数记忆是龙虾的通识教育，外部记忆是它的在职经验。最好的 Agent，两者结合。
四层记忆在 OpenClaw 里怎么配合
把四层放在一起看，就能理解 OpenClaw 每次处理一条消息时，背后发生了什么：
你发送一条消息↓OpenClaw 从 memory.md 检索相关片段（外部记忆）↓检查有没有匹配的 Skills（外部记忆）↓把历史对话摘要 + 检索结果 + 你的消息拼成系统提示（上下文记忆）↓调用语言模型推理（参数记忆在这里发挥作用）↓执行工具调用，返回结果↓把这次交互的结果写回 memory.md（更新外部记忆）↓如果是完整任务，记录情景日志（情景记忆）
每一步都有对应的记忆层在工作。
模型本身是无状态的，是这套记忆系统给了它有状态的假象。
用好记忆系统的三个实践
理解了四层架构，有三件事可以马上改变你用 OpenClaw 的方式：
第一，重要约定必须显式写入文件。
不要相信"它说它记住了"。重要的规则、偏好、约定，都要确认它写进了 memory.md。可以直接说："把这条规则写进 memory.md，我要确认它在里面。"
第二，让 Agent 记录它做过的事。
每次完成一个复杂任务，让它在 memory.md 或者 habit.md 里留下记录：用了什么方法、结果如何、下次有什么可以改进。这就是在主动建设情景记忆。
第三，定期清理 memory.md。
记忆积累到一定程度，相互矛盾的内容会让 Agent 晕头转向。旧的、过期的、不再相关的条目，定期让 Agent 帮你整理清理。好的记忆系统不只是积累，还要懂得遗忘。
本篇小结
四层各司其职，缺一不可。
理解这个架构，你就知道为什么龙虾有时候"记得"，有时候"忘了"——不是随机的，是有迹可循的。
下一篇，我们讲 OpenClaw 的多 Agent 协作——当一只龙虾不够用，怎么让一群龙虾分工合作，而不是互相添乱。
