夜雨聆风
这是许多 OpenClaw 用户都会遇到的时刻：你的智能体助理跑了几个月，技能配置越来越多，记忆文件越来越厚，但它的表现却开始变得奇怪——前后矛盾，答非所问。
问题不在于模型，也不在于Skill配置。问题在于没有人告诉这只“虾”，它需要睡觉。道理就像数据库需要定期Vacuum，代码库需要定期重构，知识库需要定期 Curation。
01记忆为什么会"腐化"
大多数人在配置智能体时，对记忆的理解是线性的：记得越多越好，上下文越长越聪明。这个直觉在短期内是对的，但在时间维度上会产生一个致命问题。
智能体的记忆文件是只增不减的。每一次对话都在往里面塞东西——你的偏好、你的任务、你说过的话、你纠正过的错误。三个月后，这个文件里既有你当时的临时想法，也有你已经改变的决定，还有大量相互矛盾的碎片；或者你不小心问过一次红烧肉的做法，从此以后数据治理的案例都变成了以红烧肉为例。
LLM 在处理这些内容时，无法判断哪条是"真相"，只能全部并列参考。结果就是：噪声在指数级增长，而信号密度在持续下降。
02 睡眠是大脑的记忆管理
认知科学给了我们一个现成的答案。人类大脑每天都在做一件事，只是我们从来没有意识到它有多重要——睡觉。
睡眠不是休息，是主动整理。在睡眠过程中，大脑会经历以下几个阶段：
这个对应关系不只是比喻——它揭示了一个工程原则：有效的记忆系统必须包含主动遗忘的机制。没有遗忘，就没有真正的记忆。
03设计"睡眠 Skill"
基于上述原则，我们可以为 OpenClaw 设计一个每天凌晨自动运行的 Skill——让虾真正睡一觉。
记忆文件分层结构
memory/├── core.md # 身份、偏好、长期不变的事实├── knowledge.md # 积累的结论、规律、学到的东西├── context.md # 当前任务状态、近期进行中的事├── pending.md # 待确认的争议项└── daily/└── YYYY-MM-DD.md # 每天对话的自动摘要
完整设计流程
核心 Prompt 设计
实际使用时需根据你的记忆结构调整
# 记忆整理 Prompt 核心原则 任务：分析今日对话，对现有记忆做三类操作新增 — 今日出现的新结论，现有记忆中没有更新 — 今日内容与现有记忆一致，补充细节争议 — 今日内容与现有记忆矛盾，无法自动判断原则： 只保留结论，不保留过程 宁可少写，不要乱写 不确定的一律归入争议输出：严格 JSON，包含 additions / updates / conflicts 三个数组
04实施顺序：不要跳步
很多人看到方案就想直接跑起来，但有一个容易踩的坑：睡眠 Skill 的质量取决于 daily 输入的质量。如果每天的对话摘要本身就是乱的，整理再勤也没用。
1.先做一次人工初始化，把存量的记忆文件人工粗分一次，建立基础分层结构。脏底层上面建不出干净的系统。
2.先跑 daily 摘要 Skill，每次对话结束后，自动提炼关键信息写入 daily 文件。积累 1-2 周，确保输入质量。
3.再实现睡眠整理 Skill，有了干净的 daily 输入，整理质量才有保障。顺序不能颠倒。
4.观察争议频率，调整分类，争议太多说明记忆分类粒度有问题；争议太少说明整理过于保守。持续迭代。
05更深的启示
这个"睡眠"隐喻背后，藏着一个更普遍的工程原则：任何持续运行的系统，都需要设计周期性的自我整理机制。当然现在很多大模型也有日趋完整的记忆机制，但是我研究下来，这种底层代码更为通用，我们的个人助手完全可以自己做的更好。
恰如文章开头所言，数据库需要定期 vacuum，代码库需要定期重构，知识库需要定期 curation——智能体的记忆也不例外。我们只是太习惯于"往里加东西"，而忽视了"把没用的清掉"同样是能力的一部分。
一只真正养得好的虾，不是记性最好的虾，而是知道该记什么、该忘什么的虾。
这，也许正是智能的本质。
