夜雨聆风一句话说清楚
给AI Agent加了一套记忆系统，5个核心痛点全部解决。以下是改造前后的真实数据对比。
我用的是OpenClaw——一个开源的AI Agent框架，可以让大模型以Agent的方式持续运行，拥有自己的workspace、记忆系统和工具调用能力。你可以理解为"给AI配了一台自己的电脑"。本文所有的配置和操作都基于OpenClaw，但思路对其他Agent框架同样适用。
改造前的5个问题
问题1：频繁切session，一天5-10次
上下文token用完就得开新会话。一天下来，平均要切5-10次session。每次切完，之前聊的架构方案、讨论了一半的重构计划、待确认的决策——全丢了。
不是偶尔丢，是每天都在丢。你上午和AI讨论了半天数据库表结构，下午session切了，它连你用的是PostgreSQL还是MySQL都不知道了。
问题2：新session要花10-15分钟交代背景
每次新会话，AI对之前的一切一无所知。你得从头说起：项目结构、技术选型、上次改到哪了、哪些坑不能踩。
实测下来，每次交代背景要10-15分钟。一天切5次session，光"入职培训"就要花掉一个多小时。你用AI是为了提效，结果倒贴时间当人肉文档。
问题3：6人代码审查，漏掉P0级bug
让6个agent交叉做代码审查，结果一个P0级bug都没发现。
具体的坑：XSS防护把URL里的斜杠/也转义了，导致第三方API返回的图片链接全废——https%3A%2F%2F...，浏览器不认。代码本身没语法错误，逻辑看起来也对，6个agent看了一圈全说"没问题"。最后我自己跑了一遍，页面直接白屏。
更离谱的是，这个问题上个月出现过一次，当时纠正了。但那是上个session的事。新session里，没有任何agent记得这段历史。这就是没有记忆的代价——不仅仅是效率低，而是同样的错误会无限循环。
问题4：子Agent返回几千行，撑爆上下文
一个子agent跑完任务，返回结果动不动就几千行。主agent的上下文直接被撑满，后面的回答就不能看了，或者直接触发session切换。
子agent不知道主agent的上下文有多紧张，它只管把所有细节一股脑吐出来。比如你让它分析一个200行的文件，它会把每一行的分析都写出来，返回的结果比源文件还长。结果就是：你让它干活是为了省事，它干完活反而给你制造了新麻烦。
问题5：记忆整理全靠手动，Dreaming零输出
OpenClaw有一个叫Dreaming的功能——理论上可以在空闲时自动回顾日记、提炼长期记忆。
实际情况：0条自动promote。配置没调对，触发条件不满足，这个功能跟没有一样。所有记忆整理全靠手动——你得自己提醒AI"把今天的重要事项记下来"，它才会写。忘了提醒，那天的经验就随着session消失了。
我们做了什么：5步改造
第1步：配置Compaction——上下文自动压缩
解决的问题：频繁切session
Compaction是OpenClaw的上下文压缩机制。当对话快要撑满上下文窗口时，它会自动把早期对话压缩成摘要，腾出空间给新内容。而且在压缩之前，它会先触发Memory Flush——让agent把当前重要信息主动写入文件，确保不会"压缩=遗忘"。
OpenClaw默认就会开启Compaction，但默认参数偏保守。我们在openclaw.json的agents.defaults.compaction里做了调整：
{ "agents": { "defaults": { "compaction": { "model": "qwen/qwen3.6-plus", "reserveTokensFloor": 50000, "recentTurnsPreserve": 5, "notifyUser": true, "customInstructions": "保留所有技术决策、架构方案和待办事项的关键信息，确保压缩后不丢失项目上下文", "memoryFlush": { "enabled": true } }, "contextPruning": { "mode": "cache-ttl", "ttl": "5m" } } } }几个关键参数说一下：
reserveTokensFloor: 50000——给新内容保留至少50000 token的空间。这个值越大，压缩触发越早，但留给新对话的空间越充裕。根据你的模型上下文窗口大小调整，我们用的是128k窗口的模型，留50k比较合适。 recentTurnsPreserve: 5——保留最近5轮对话不压缩（一轮=你说一句+AI回一句）。这个值最大只能设12，确保正在讨论的内容不被压掉。 memoryFlush.enabled: true——压缩前自动触发记忆刷写，让agent把重要信息存到文件里再压缩。这是防止信息丢失的关键一环。 customInstructions——告诉压缩模型哪些信息必须保留。比如我们要求保留所有技术决策和架构方案，这样压缩后的摘要不会变成一句"讨论了一些技术问题"。 contextPruning——配合Compaction使用，自动清理5分钟前的工具调用缓存输出，进一步节省上下文空间。
配置改完重启OpenClaw就生效。效果很直接：以前一天切5-10次session，现在大部分时候一个session用一整天。
第2步：建TOOLS.md——环境信息一次写入，永久生效
解决的问题：新session要重新交代背景
OpenClaw的每个agent都有自己的workspace目录（通常在~/.openclaw/agents/<agent-name>/workspace/）。agent每次启动session会自动加载workspace根目录下的几个关键文件，其中就包括TOOLS.md。
把那些"忘了会出事"的信息写在这里：
# TOOLS.md - 环境信息（以下为示例） ## 开发环境 - 前端项目端口：5173（不是8080！） - 后端API端口：3000 - 数据库：PostgreSQL，端口5432 ## 注意事项（血泪教训） - 改完代码必须实际运行验证，不能只看逻辑 - XSS防护不要转义URL中的斜杠 - bash脚本里自增用 PASSED=$((PASSED + 1))，不要用 ((PASSED++))写的原则：只写反复被遗忘、反复导致问题的东西。几十行就够，不写成百科全书。你在日常使用中发现AI又犯了老错误，就往这里加一条。积累几周之后，这个文件会变成一份非常精准的"避坑手册"。
以我们的经验，TOOLS.md解决了大概80%的"重复交代背景"问题。以前每次新session要花10-15分钟解释环境，现在AI醒来直接就知道。而且这个文件是活的——你在使用过程中发现新的坑，随手加一行就好。三个月下来，我们的TOOLS.md从最初的10行长到了50多行，覆盖了开发中几乎所有常犯的错误。
第3步：日记+MEMORY.md——短期记录+长期提炼
解决的问题：重复犯错、经验随session消失
两层结构：
- 日记
（ memory/YYYY-MM-DD.md）：每天记录关键决策、踩过的坑、确立的规则。做完重要的事当场就记，不等session结束。怎么做到"当场就记"？配合上面说的Memory Flush机制——Compaction压缩前会自动让agent把重要信息写入日记文件。另外，你也可以在AGENTS.md里加一条规则，让agent在完成重要任务后主动记录。 - MEMORY.md
：定期从日记里提炼精华。日记是原始素材，MEMORY.md是浓缩后的长期记忆。这个文件也在workspace根目录下，每次session启动自动加载。
# MEMORY.md - 长期记忆 ## 铁律（血泪教训） 1. 改完代码必须实际运行，不能只看逻辑 2. 一条路走不通别钻，换路试 3. 一个人的检测不可信，必须交叉验证 4. bash自增用 $((VAR + 1))，不用 ((VAR++)) 5. XSS防护别动URL里的斜杠，上次转义了导致第三方图片全废日记可以丢，MEMORY.md不能丢。日记是流水账，MEMORY.md是从流水账里提炼出来的规则和教训。
一个实际效果：那个XSS转义斜杠的bug，改造前出现过两次（因为第二次的session不知道第一次的修复）。写进MEMORY.md之后，再也没出现过。agent每次启动都会读到这条铁律，根本不会再犯。
日记和MEMORY.md的关系就像工作日志和个人知识库：日记记录每天发生了什么，MEMORY.md提炼出"以后遇到类似情况该怎么办"。日记可以越积越多不用管，MEMORY.md要保持精炼，只留真正重要的规则和教训。
第4步：配置子Agent摘要规则——返回5-10行，不是几千行
解决的问题：子Agent返回撑爆上下文
这个改动不是改OpenClaw的配置文件，而是在workspace的AGENTS.md里写规则。OpenClaw在生成子agent时会自动加载这些规则作为子agent的行为约束：
## Subagent Output Rules - 返回结果不超过10行 - 只包含：结论、关键数据、需要主agent决策的问题 - 完整细节写到workspace文件里，主agent按需读取把这段规则加到AGENTS.md文件的合适位置就行。所有从这个workspace产生的子agent都会自动遵守。
核心思路：子agent把详细结果写文件，只给主agent返回摘要。主agent需要细节时自己去读文件，不需要时不占上下文。
举个实际的例子：改造前，让子agent做一次代码审查，它会把整个文件的逐行分析全部返回，动不动2000-3000行。改造后，它返回的是这样的摘要：
审查完成。发现2个问题： 1. P0：login接口缺少rate limiting，可被暴力破解 2. P1：错误日志打印了完整request body，可能泄露敏感信息 详细分析已写入 workspace/review-auth-module.md主agent上下文只多了5行，但关键信息一个没丢。需要看完整分析的时候，主agent自己读那个文件就行。
第5步：建立质量保障机制——对撞评审
解决的问题：单人审查漏P0
前4步都是配置和文件层面的改动，这一步是建立工作规范。但重点是：把规范写进MEMORY.md，让agent自动遵守，而不是靠人每次提醒。
对撞评审的做法： 同一份代码，至少两个agent独立审查。一个agent看完给意见，然后把代码（不带第一个agent的意见）交给另一个agent再审一遍。两份结果放一起对比：都说没问题，大概率真没问题；意见冲突，值得仔细看。
这条规则写在MEMORY.md的"铁律"里，每次session自动加载。不是靠人记，是靠系统保证。
实际效果有多明显？ 对撞评审上线后第一次使用，就从一个之前6人审查通过的模块里揪出了4个P0级问题：
- 前端没传version字段
——接口要求必传，但前端漏了，测试环境没报错因为后端有默认值，上线后默认值逻辑变了就崩了 - 积分审计接口越权
——普通用户能查到其他用户的积分变动记录，权限校验只检查了登录态没检查数据归属 - 调了一个不存在的API
——前端调的接口路径在上次重构时改了，但前端没同步更新，本地mock数据掩盖了问题 - CSS类名冲突
——两个组件用了同名的CSS class，在单独测试时各自正常，放到同一个页面就互相覆盖样式错乱
这4个问题，之前6个agent单独审查时一个都没发现。其中前端没传version和CSS冲突是历史遗留问题——之前修过但记忆丢失后又回归了。写进MEMORY.md之后，agent每次审查都会特别注意这几类问题。
为什么单人审查会漏？因为每个agent都有自己的盲区。第一个agent可能更关注逻辑正确性，忽略了权限校验；第二个agent可能更关注安全性，反而能发现越权问题。对撞评审的本质就是用多个视角覆盖单一视角的盲区。
改造后的效果：逐项对比
对应问题1：session切换频率
改造前：一天切5-10次session。
改造后：Compaction自动压缩+contextPruning清理缓存，session切换频率降低了80%以上。偶尔一天切1次，大部分时候一个session聊到底。
对应问题2：新session启动时间
改造前：每次新session交代背景10-15分钟。
改造后：TOOLS.md + MEMORY.md自动加载，AI醒来就知道项目环境和历史教训。新session启动后直接干活，不需要"入职培训"。
对应问题3：代码审查质量
改造前：6人审查，0个P0被发现，同样的bug反复出现。
改造后：对撞评审制度上线，首次使用就发现了4个P0级问题（前端漏传字段、接口越权、API路径过期、CSS冲突），其中2个是历史遗留的回归bug。历史教训写在MEMORY.md里，不再重复踩坑。
对应问题4：子Agent输出控制
改造前：子agent返回几千行，撑爆主agent上下文。
改造后：AGENTS.md里配置输出规则后，子agent返回5-10行摘要，详细结果写文件。主agent上下文干净，后续对话质量稳定。
对应问题5：记忆整理自动化
改造前：Dreaming功能0条自动promote，全靠手动。
改造后：开启memoryFlush配合Compaction的customInstructions，系统在压缩上下文前自动把关键信息写入日记文件。再结合memory-wiki插件的dreaming功能，定期从日记提炼长期记忆。不再完全依赖人工提醒，记忆整理流程大部分自动运转。
总结对比表
你也可以这样做
不需要改模型，不需要训练数据，不需要搞RAG。全是文件和配置层面的事。以下每步都基于OpenClaw，但核心思路——用文件给AI建记忆——在任何Agent框架里都适用。
- 配置Compaction
：在 openclaw.json的agents.defaults.compaction里加上面那段配置，重启OpenClaw生效。关键是开启memoryFlush并写好customInstructions，告诉它哪些信息压缩时必须保留。 - 写TOOLS.md
：在你的agent workspace根目录（ ~/.openclaw/agents/<agent-name>/workspace/）下创建TOOLS.md，把反复跟AI强调的环境信息写成文件。5分钟搞定，立竿见影。 - 建日记目录
： mkdir -p memory/，在AGENTS.md里约定agent完成重要任务后主动写日记到memory/YYYY-MM-DD.md。配合memoryFlush，Compaction压缩前也会自动触发写入。 - 维护MEMORY.md
：定期从日记提炼精华，写入workspace根目录的 MEMORY.md。这个文件每次session启动自动加载，是AI的"长期记忆"。 - 上对撞评审
：关键代码至少两个agent独立审查，规则写进MEMORY.md的"铁律"部分。agent每次启动都会读到，不需要人来提醒。
最简单的起步：从TOOLS.md开始。 把那些你反复跟AI说的东西写成文件，让它每次醒来自己看。五分钟，立竿见影。
整套改造投入大概半天时间，但回报是每天省下至少30分钟的重复劳动，而且随着MEMORY.md和TOOLS.md的积累，AI会越来越懂你的项目，犯的错越来越少。这可能是投入产出比最高的AI提效方案了——不用换模型，不用买更贵的API，改几个文件就行。
