夜雨聆风在使用 OpenClaw 接入企业微信后，经常会遇到一个需求：
怎么查看某个用户之前和 AI 聊了什么？AI 每次又花了多长时间才回复？
OpenClaw TUI 可以切换 Session 查看历史上下文，但如果想进一步看到每条消息的准确时间、用户提问、AI 回复以及响应耗时，直接查询 OpenClaw 的 Session 数据会更加方便。
下面以实际环境为例。
一、先找到用户的 Session
首先查看当前 OpenClaw 中的历史 Session：
openclaw sessions --all-agents会看到类似：
Agent Kind Key Age Model Tokensmain direct agent:main:wecom...higang 15h ago qwen3.7-plus 27k/197kid: bbf458ae-bb4e-42e4-9c88-c3bcd47c5047这里最重要的是：
Session ID:bbf458ae-bb4e-42e4-9c88-c3bcd47c5047后面查询历史记录就靠它。
二、找到 OpenClaw 的 Session 数据库
新版 OpenClaw 的 Session 数据可以存储在 Agent 自己的 SQLite 数据库中。
例如：
/home/node/.openclaw/agents/main/agent/openclaw-agent.sqlite如果不知道数据库在哪里，可以直接搜索：
find / -name "openclaw-agent.sqlite" -type f 2>/dev/null例如我的环境返回：
/home/node/.openclaw/agents/wangruihai/agent/openclaw-agent.sqlite/home/node/.openclaw/agents/liuhaihua/agent/openclaw-agent.sqlite/home/node/.openclaw/agents/main/agent/openclaw-agent.sqlite因为我要查询的是 main Agent，所以使用：
/home/node/.openclaw/agents/main/agent/openclaw-agent.sqlite三、历史对话到底存在哪里？
实际查询数据库后，可以发现历史消息能够从：
session_transcript_fts中查询。
其中几个字段非常关键：
session_idmessage_idroletexttimestamp例如：
role: usertext: 你的user.md发我一下timestamp: 1785923437740下一条可能就是：
role: assistanttext: 这是 USER.md 的当前内容……timestamp: 1785923444919这意味着 OpenClaw 不只是保存了聊天内容，每条消息的时间也保存了下来。
四、查看某个人的完整历史对话
如果容器里没有 sqlite3 命令，也没关系，可以直接使用 Python。
例如：
python3 - <<'PY'import sqlite3from datetime import datetime, timezone, timedeltadb="/home/node/.openclaw/agents/main/agent/openclaw-agent.sqlite"sid="bbf458ae-bb4e-42e4-9c88-c3bcd47c5047"conn=sqlite3.connect(db)rows=conn.execute("""SELECT role, text, timestampFROM session_transcript_ftsWHERE session_id=?AND role IN ('user','assistant')ORDER BY timestamp""",(sid,)).fetchall()bj=timezone(timedelta(hours=8))for role,text,ts in rows: t=datetime.fromtimestamp(ts/1000,timezone.utc).astimezone(bj)who="用户"if role=="user"else"AI"print(f"\n[{t:%Y-%m-%d %H:%M:%S}] {who}")print(text)PY最终可以看到：
[2026-08-05 17:50:37] 用户你的user.md发我一下[2026-08-05 17:50:44] AI这是 USER.md 的当前内容……[2026-08-05 17:50:46] 用户identity.md也发我一下[2026-08-05 17:50:49] AI这是 IDENTITY.md 的当前内容……这样就比直接在 TUI 中查看清楚很多。
五、重点：怎么算 AI 响应时间？
既然每条消息都有 timestamp，那么计算响应时间其实非常简单：
AI 响应时间 = Assistant 消息时间 - 上一条 User 消息时间
比如：
17:50:37 用户提问17:50:44 AI回复那么：
响应时间 = 7 秒我们可以直接让 Python 自动计算。
python3 - <<'PY'import sqlite3from datetime import datetime, timezone, timedeltadb="/home/node/.openclaw/agents/main/agent/openclaw-agent.sqlite"sid="bbf458ae-bb4e-42e4-9c88-c3bcd47c5047"conn=sqlite3.connect(db)rows=conn.execute("""SELECT role, text, timestampFROM session_transcript_ftsWHERE session_id=?AND role IN ('user','assistant')ORDER BY timestamp""",(sid,)).fetchall()bj=timezone(timedelta(hours=8))last_user_time=Nonefor role,text,ts in rows: dt=datetime.fromtimestamp(ts/1000, timezone.utc).astimezone(bj)if role=="user": last_user_time=tsprint("\n" + "="*80)print(f"[{dt:%Y-%m-%d %H:%M:%S}] 用户")print(text)elif role=="assistant":print(f"\n[{dt:%Y-%m-%d %H:%M:%S}] AI")if last_user_time: response=(ts-last_user_time)/1000print(f"响应时间：{response:.2f} 秒")print(text)PY这样输出就会变成：
================================================================================[2026-08-05 17:50:37] 用户你的user.md发我一下[2026-08-05 17:50:44] AI响应时间：7.18 秒这是 USER.md 的当前内容……================================================================================[2026-08-05 17:50:46] 用户identity.md也发我一下[2026-08-05 17:50:49] AI响应时间：3.24 秒这是 IDENTITY.md 的当前内容……这就非常直观了。
六、进一步统计平均响应时间
如果有几百甚至几千条聊天记录，一条条看意义不大。
可以直接统计：
总对话次数 平均响应时间 最快响应 最慢响应
例如：
python3 - <<'PY'import sqlite3db="/home/node/.openclaw/agents/main/agent/openclaw-agent.sqlite"sid="bbf458ae-bb4e-42e4-9c88-c3bcd47c5047"conn=sqlite3.connect(db)rows=conn.execute("""SELECT role, timestampFROM session_transcript_ftsWHERE session_id=?AND role IN ('user','assistant')ORDER BY timestamp""",(sid,)).fetchall()last_user=Nonetimes=[]for role,ts in rows:if role=="user": last_user=tselif role=="assistant" and last_user: diff=(ts-last_user)/1000if diff >= 0: times.append(diff) last_user=Noneiftimes:print("对话次数：", len(times))print("平均响应：%.2f 秒" % (sum(times)/len(times)))print("最快响应：%.2f 秒" % min(times))print("最慢响应：%.2f 秒" % max(times))PY最终得到：
对话次数：32平均响应：4.82 秒最快响应：1.31 秒最慢响应：18.76 秒如果是在生产环境运行 OpenClaw，这几个指标其实很有价值。
因为“模型能不能回答”只是第一步，用户实际感受到的还有：
它到底快不快？
七、TUI 为什么不适合做这个？
OpenClaw TUI 更适合：
进入 Session → 查看上下文 → 继续对话。
但是做历史分析时，我们通常还需要：
用户是谁↓什么时候提问↓问了什么↓AI什么时候回复↓回复了什么↓响应花了多少秒这时候直接查询 Session 数据库明显更加方便。
甚至可以进一步把数据做成：
用户 对话数 平均响应 最慢响应FengZhiGang 32 4.82s 18.76sUser-A 126 3.91s 21.32sUser-B 58 6.14s 35.21s这样 OpenClaw 就不只是一个聊天机器人，而是开始具备一套真正可观测的 Agent 运行数据。
八、一个需要注意的问题
这里计算出的：
Assistant timestamp - User timestamp更准确地说是消息级响应耗时。
它可能包含：
OpenClaw 消息处理 Agent 调度 Prompt/context 构建 模型推理 Tool Call MCP 调用 数据库查询 最终回复生成
所以它并不等于纯粹的：
LLM inference latency但从用户体验角度看，这个指标反而更有意义。
因为用户并不关心模型内部推理用了 1 秒还是 3 秒。
用户真正感受到的是：
“我发出这句话以后，多久收到 AI 的回答？”
这才是生产环境里最值得关注的响应时间。
总结
OpenClaw 的历史 Session 数据其实比 TUI 中看到的丰富得多。
只需要找到：
openclaw-agent.sqlite再根据：
session_id查询：
session_transcript_fts就可以拿到：
用户消息 → AI 回复 → 消息时间 → 响应耗时
再往前走一步，还可以统计每个企业微信用户的平均响应时间、P95 响应时间、慢请求以及每天的对话量。
对于真正把 OpenClaw 用在企业微信客服、内部助手或者生产 Agent 上的人来说，这些数据可能比单纯看 Token 消耗更值得关注。