07. 记忆系统完全指南

为什么 AI 需要记忆？

你跟朋友聊天，不需要每次都自我介绍。因为朋友记得你是谁、你喜欢什么、上次聊了什么。

但 AI 不一样。大语言模型本质上是"无状态"的 — 每次对话结束，它就把你忘得一干二净。下次你再说"继续上次的方案"，它会一脸茫然地问你"什么方案？"

这就是记忆系统要解决的核心问题：让 AI 像一个真正的助手一样，记住你是谁、你在做什么、你喜欢什么。

没有记忆的 AI 助手：

你：帮我改一下昨天那个 React 组件
AI：请问你指的是哪个组件？能提供更多上下文吗？
你：……我昨天跟你聊了两个小时啊
AI：抱歉，我没有之前对话的记录。

有记忆的 AI 助手：

你：帮我改一下昨天那个 React 组件
AI：你说的是 UserProfile 组件吧？昨天你提到想把头像上传功能
    从 base64 改成 presigned URL。我来改一下。

差距一目了然。

记忆系统的三大价值

价值	说明	举例
连续性	跨会话保持上下文	记住你正在做的项目、进度、决策
个性化	了解你的偏好和习惯	知道你喜欢 TypeScript、不用分号、偏好函数式风格
效率	减少重复沟通	不用每次都解释你的技术栈、团队结构、工作流程

OpenClaw 记忆架构

OpenClaw 的记忆系统设计哲学非常务实：Markdown 文件 + sqlite-vec（轻量级的向量数据库，用于语义搜索）向量索引，兼顾透明可控和智能检索。

AI 的记忆源头是写在磁盘上的 Markdown 文件和会话日志。你可以直接用文本编辑器查看、修改、删除 AI 的记忆，完全透明可控。同时，系统使用 sqlite-vec 做向量存储，支持语义搜索、混合搜索（hybrid search）、时间衰减（temporal decay）、最大边际相关性（MMR）和查询扩展（query expansion）等高级检索能力。

三层记忆架构

OpenClaw 把记忆分成三层，各司其职：

┌─────────────────────────────────────────────────┐
│                  会话记忆 (Session Memory)         │
│  存在于当前对话的上下文窗口中                        │
│  会话结束即消失（除非主动持久化）                     │
│  容量：受模型上下文窗口限制                          │
└──────────────────────┬──────────────────────────┘
                       │ compaction（上下文压缩，当对话太长时自动总结之前的内容） 时自动刷新
                       ▼
┌─────────────────────────────────────────────────┐
│                  短期记忆 (Daily Logs)             │
│  memory/YYYY-MM-DD.md                            │
│  每天一个文件，记录当天的笔记和上下文                 │
│  默认加载今天 + 昨天的日志                          │
│  容量：无限制（每天一个文件）                        │
└──────────────────────┬──────────────────────────┘
                       │ 手动或自动整理
                       ▼
┌─────────────────────────────────────────────────┐
│                  长期记忆 (MEMORY.md)              │
│  精选的持久信息                                    │
│  偏好、决策、重要事实、用户画像                      │
│  每次主会话启动时加载                               │
│  容量：建议控制在 2000 行以内                       │
└─────────────────────────────────────────────────┘

记忆源

OpenClaw 的记忆来自三类文件：

~/.openclaw/workspace/
├── MEMORY.md              # 长期记忆（精选的重要信息）
├── USER.md                # 用户画像（姓名、偏好、习惯）
├── SOUL.md                # Agent 人格定义
├── dreams.md              # Dreaming 系统产出（v2026.4.5 新增）
├── memory/
│   ├── 2026-02-25.md      # 今天的日志
│   ├── 2026-02-24.md      # 昨天的日志
│   ├── 2026-02-23.md      # 前天的日志
│   └── ...                # 更早的日志
└── sessions/
    └── *.jsonl            # 会话日志（自动记录）

记忆源汇总：

MEMORY.md — 手动维护的长期记忆
workspace/memory/*.md — 每日日志
dreams.md — Dreaming 系统自动整理的记忆产出（v2026.4.5 新增）
sessions/*.jsonl — 会话历史记录

各层记忆详解

会话记忆 (Session Memory)

会话记忆就是当前对话的上下文。你跟 AI 说的每一句话、AI 的每一个回复，都在会话记忆里。

特点：

速度最快，AI 可以直接引用
容量有限，受模型上下文窗口约束（通常 128K-200K tokens）
会话结束就消失
对话太长时会触发 compaction（压缩），旧消息会被摘要

你：我的项目用 Next.js 14
AI：好的，Next.js 14。（这句话现在在会话记忆里）

... 聊了 200 条消息 ...

AI：（compaction 触发，早期消息被压缩成摘要）

短期记忆 (Daily Logs)

每天一个 Markdown 文件，记录当天的重要信息。

markdown

<!-- memory/2026-02-25.md -->
# 2026-02-25

## 上午
- 讨论了新的认证方案，决定用 NextAuth.js v5
- 用户提到下周三有产品评审会

## 下午
- 修复了 UserProfile 组件的头像上传 bug
- 用户要求把所有 API 响应格式统一为 { data, error } 结构

加载策略：

每次新会话启动时，自动加载今天和昨天的日志
可以通过配置调整加载天数

长期记忆 (MEMORY.md)

精选的、持久的重要信息。这是 AI 的"核心记忆"。

markdown

<!-- MEMORY.md -->
# 长期记忆

## 用户偏好
- 编程语言：TypeScript，不用分号
- 框架：Next.js 14 + React 18
- 代码风格：函数式优先，避免 class
- 编辑器：VS Code + Vim 键位

## 项目信息
- 当前项目：电商平台重构
- 部署环境：Vercel (前端) + Railway (后端)
- 数据库：PostgreSQL + Prisma ORM

## 重要决策
- 2026-02-20：决定从 REST 迁移到 tRPC
- 2026-02-22：选择 Stripe 作为支付方案

记忆存储与检索

OpenClaw 的记忆系统使用 sqlite-vec 作为向量存储后端，结合 Markdown 文件实现透明可控的记忆管理。

向量存储：sqlite-vec

⏭️ 小白可跳过 — 这部分是技术深入分析，记忆系统默认配置已经够用

sqlite-vec 是 OpenClaw 的默认向量存储方案。它基于 SQLite 扩展，零配置、单文件，同时支持向量语义搜索。

sqlite-vec 开箱即用，不需要额外配置。如果需要自定义扩展路径，可以通过以下配置覆盖：

jsonc

// ~/.openclaw/openclaw.json
{
  "agents": {
    "defaults": {
      "memorySearch": {
        "store": {
          "vector": {
            "enabled": true,
            "extensionPath": "/path/to/sqlite-vec"
          }
        }
      }
    }
  }
}

优点：

零配置，开箱即用（enabled 默认为 true）
单文件数据库，不需要安装额外服务
支持向量语义搜索和 BM25 混合搜索
记忆源文件（Markdown）仍然可以直接用编辑器查看和修改
如果 sqlite-vec 扩展加载失败，自动回退到 JS 内存中的余弦相似度计算

Embedding 提供商

⏭️ 小白可跳过 — 这部分是技术深入分析，记忆系统默认配置已经够用

sqlite-vec 需要配合 embedding（把文本转换成数字向量的技术，让 AI 能理解语义相似性）模型将文本转为向量。OpenClaw 支持多种 embedding 提供商：

提供商	说明
OpenAI	`text-embedding-3-small` 等
Gemini	Google 的 embedding 模型
Mistral	Mistral 的 embedding 模型
Voyage	Voyage AI 的 embedding 模型

jsonc

// ~/.openclaw/openclaw.json
{
  "agents": {
    "defaults": {
      "memorySearch": {
        "provider": "openai",
        "model": "text-embedding-3-small"
      }
    }
  }
}

Embedding 提供商通过 agents.defaults.memorySearch.provider 配置。如果不设置，OpenClaw 会按以下优先级自动选择：本地模型（如果配置了 local.modelPath）→ OpenAI → Gemini → Voyage → Mistral。也可以设置 provider: "local" 使用本地 GGUF 模型，完全离线运行。

高级检索能力

⏭️ 小白可跳过 — 这部分是技术深入分析，记忆系统默认配置已经够用

OpenClaw 的记忆检索不是简单的关键词匹配，而是一套完整的智能检索系统：

能力	说明
Hybrid Search（混合搜索）	同时使用关键词匹配和向量语义搜索，综合排序
Temporal Decay（时间衰减）	越新的记忆权重越高，旧记忆逐渐淡化
MMR（最大边际相关性）	搜索结果去重，避免返回高度相似的内容
Query Expansion（查询扩展）	自动扩展搜索词，提高召回率

这些能力开箱即用，不需要额外配置。

v2026.4.24 更新： 混合搜索现在在结果中暴露原始的 vectorScore（向量语义分数）和 textScore（关键词匹配分数），方便调试搜索质量。会话记录搜索也新增了可见性和 Agent 间策略控制。

记忆配置详解

记忆系统的行为可以通过 ~/.openclaw/openclaw.json（JSON5 格式）精细控制。

基础配置

记忆系统默认启用，不需要额外配置。OpenClaw 通过 memory-core 插件提供记忆功能（默认加载）。

如果你想关闭记忆系统：

jsonc

// ~/.openclaw/openclaw.json
{
  "plugins": {
    "slots": {
      "memory": "none"
    }
  }
}

记忆文件存储在 workspace 目录下（默认 ~/.openclaw/workspace），可以通过 agents.defaults.workspace 修改 workspace 路径。记忆系统默认加载今天和昨天的日志（memory/YYYY-MM-DD.md）以及长期记忆（MEMORY.md，仅在私聊会话中加载）。

Compaction 与记忆刷新

这是 OpenClaw 记忆系统最聪明的设计之一。当对话越来越长，上下文窗口快要满的时候，OpenClaw 会触发 compaction（压缩）。在压缩之前，它会自动提醒 AI 把重要信息存到记忆文件里。

jsonc

// ~/.openclaw/openclaw.json
{
  "agents": {
    "defaults": {
      "compaction": {
        "reserveTokensFloor": 20000,
        "memoryFlush": {
          "enabled": true,
          "softThresholdTokens": 4000,
          "systemPrompt": "Session nearing compaction. Store durable memories now.",
          "prompt": "Write any lasting notes to memory/YYYY-MM-DD.md; reply with NO_REPLY if nothing to store."
        }
      }
    }
  }
}

工作流程：上下文使用率达到阈值 → 触发 memoryFlush（隐藏的 Agent 轮次）→ AI 自动把重要信息写入日志 → 执行 compaction 压缩旧消息 → 对话继续。

你也可以在对话中手动触发压缩，使用聊天命令 /compact。

字段	说明
`reserveTokensFloor`	压缩后至少保留多少 tokens 的上下文
`softThresholdTokens`	距离压缩还有多少 tokens 时触发记忆刷新

记忆加载行为

每次会话启动时，OpenClaw 自动加载以下记忆：

MEMORY.md — 长期记忆（仅在私聊会话中加载，群聊中不加载）
memory/YYYY-MM-DD.md — 今天和昨天的日志

这个行为是内置的，不需要额外配置。如果你想让记忆搜索覆盖更多文件（比如 workspace 外的 Markdown），可以通过 extraPaths 扩展搜索范围：

jsonc

// ~/.openclaw/openclaw.json
{
  "agents": {
    "defaults": {
      "memorySearch": {
        "extraPaths": ["../team-docs", "/srv/shared-notes/overview.md"]
      }
    }
  }
}

路径可以是绝对路径或相对于 workspace 的路径。目录会被递归扫描，但只索引 Markdown 文件（.md）。

为什么要注意记忆大小？因为记忆也占上下文窗口。日志写得太详细时，会挤占正常对话的空间。建议 MEMORY.md 控制在 3000 tokens 以内。

按 Agent 配置记忆

不同的 Agent 可以有不同的记忆行为。通过给每个 Agent 配置独立的 workspace，实现记忆隔离：

jsonc

// ~/.openclaw/openclaw.json
{
  "agents": {
    "list": [
      {
        "id": "coding",
        "workspace": "~/.openclaw/workspace-coding"
      },
      {
        "id": "social",
        "workspace": "~/.openclaw/workspace-social"
      }
    ]
  }
}

每个 Agent 的 workspace 下有独立的 MEMORY.md 和 memory/ 目录。如果某个 Agent 完全不需要记忆功能，可以在它的 workspace 里不放任何记忆文件即可。

对话上下文管理

上下文窗口是 AI 的"工作记忆"，理解它的工作方式对用好记忆系统至关重要。

什么是上下文窗口？

上下文窗口就是模型一次能"看到"的所有文本。包括：

┌─────────────────────────────────────────┐
│ 系统提示词 (System Prompt)               │  ← 固定占用
│ - Agent 人格 (SOUL.md)                  │
│ - 技能指令                               │
│ - 工具定义                               │
├─────────────────────────────────────────┤
│ 记忆注入                                 │  ← 启动时加载
│ - MEMORY.md                             │
│ - USER.md                               │
│ - 最近几天的日志                          │
├─────────────────────────────────────────┤
│ 对话历史                                 │  ← 动态增长
│ - 用户消息                               │
│ - AI 回复                               │
│ - 工具调用结果                            │
├─────────────────────────────────────────┤
│ 剩余空间                                 │  ← 给 AI 生成回复用
└─────────────────────────────────────────┘

常见模型的上下文窗口：Claude Sonnet 4.6 200K tokens、GPT-5.2 128K tokens、Gemini 3.1 Pro 1M tokens。

滑动窗口策略

当对话越来越长，上下文窗口快满了怎么办？OpenClaw 使用滑动窗口策略：

正常对话：  [系统提示 | 记忆 | 消息1 | 消息2 | ... | 消息N]
接近上限：  [系统提示 | 记忆 | [摘要:消息1-50] | 消息51 | ... | 消息N]
继续对话：  [系统提示 | 记忆 | [摘要:消息1-50] | 消息51 | ... | 消息N+M]

compaction 的过程：检测到上下文使用率超过阈值 → 触发 memoryFlush，AI 保存重要信息到记忆文件 → 将早期消息压缩成摘要 → 释放上下文空间，继续对话。

上下文预算管理

OpenClaw 通过 compaction 机制自动管理上下文空间。当对话接近上下文窗口上限时，会自动触发压缩。你可以通过 reserveTokensFloor 控制压缩后保留多少上下文空间：

jsonc

// ~/.openclaw/openclaw.json
{
  "agents": {
    "defaults": {
      "compaction": {
        "reserveTokensFloor": 20000
      }
    }
  }
}

reserveTokensFloor 越大，压缩越激进（保留的旧消息越少）。默认值 20000 tokens 对大多数场景够用。

💡 实用建议： 如果记忆文件太大导致上下文空间不足，最有效的做法是精简 MEMORY.md 的内容（建议控制在 3000 tokens 以内），而不是调整配置参数。

用户画像和偏好记忆

OpenClaw 有一个专门的文件 USER.md 来存储用户画像。这跟 MEMORY.md 不同 — MEMORY.md 存的是各种杂项记忆，USER.md 专门描述"你是谁"。

USER.md 结构

markdown

<!-- ~/.openclaw/workspace/USER.md -->
# 用户画像

## 基本信息
- 姓名：老金 | 时区：Asia/Shanghai | 语言：中文为主

## 技术偏好
- 主力语言：TypeScript（不用分号，单引号，2 空格缩进）
- 前端：React + Next.js | 后端：Node.js + Fastify
- 数据库：PostgreSQL | 部署：Docker + Railway

## 沟通偏好
- 喜欢简洁直接的回答，代码示例比文字解释更有用
- 遇到问题先给方案，再解释原因

## 日程习惯
- 工作时间：9:00-18:00
- 每周一 10:00 团队周会 | 每周五 15:00 代码评审

自动学习用户偏好

OpenClaw 没有专门的"自动学习"配置开关。用户偏好的记录依赖于 AI 模型自身的判断 — 当你在对话中表达偏好时，AI 会主动将其写入 USER.md 或 MEMORY.md。

你可以通过 SOUL.md（Agent 人格文件）来引导 AI 更主动地记录偏好：

markdown

<!-- ~/.openclaw/workspace/SOUL.md 中添加 -->
## 记忆习惯
- 当用户表达偏好或习惯时，主动写入 USER.md
- 当用户做出重要决策时，记录到 MEMORY.md
- 每次对话结束前，检查是否有值得记录的信息

这种方式比配置文件更灵活 — 你可以用自然语言精确描述 AI 应该记住什么、怎么记住。

主动让 AI 记住

直接告诉 AI 你想让它记住什么：

记住：我的 GitHub 用户名是 laojin-dev
记住：项目部署在 Hetzner 的 VPS 上
记住：我不喜欢在代码里用分号
记住：跟我说话不用太客气，直接说重点

AI 会根据内容类型，自动决定写入 MEMORY.md 还是 USER.md：

个人偏好、习惯 → USER.md
项目信息、决策、事实 → MEMORY.md
临时笔记、当天事项 → memory/YYYY-MM-DD.md

记忆工具

AI 有专门的工具来操作记忆：

memory_search — 语义搜索

从所有记忆文件中搜索相关内容。

用户：我之前说过用什么支付方案来着？
AI：（调用 memory_search("支付方案")）
    → 找到 MEMORY.md 中的记录：2026-02-22 决定用 Stripe
AI：你在 2 月 22 号决定用 Stripe 作为支付方案。

搜索范围：

MEMORY.md — 长期记忆
USER.md — 用户画像
memory/*.md — 所有日志文件

memory_get — 精确读取

读取某个记忆文件的特定内容。

用户：看看我昨天的笔记
AI：（调用 memory_get("memory/2026-02-24.md")）
    → 返回昨天日志的完整内容

记忆写入

AI 通过标准的文件写入工具来更新记忆文件。没有专门的"记忆写入"工具 — 这是故意的设计，保持简单。

用户：记住，我们决定用 Stripe
AI：（调用 file_write，写入 MEMORY.md）
    好的，已记录到长期记忆中。

知识库集成 (RAG)

当你需要 AI 记住大量结构化知识（比如公司文档、产品手册、代码库），普通的记忆文件就不够用了。这时候需要 RAG（Retrieval-Augmented Generation，检索增强生成）。

什么是 RAG？

简单说：AI 回答问题之前，先从知识库里搜索相关内容，然后带着这些内容去回答。

传统方式：
用户提问 → AI 凭记忆回答（可能瞎编）

RAG 方式：
用户提问 → 搜索知识库 → 找到相关文档 → AI 基于文档回答（有据可查）

OpenClaw 的 RAG 实现

OpenClaw 的记忆搜索本身就具备 RAG 能力 — 通过 memorySearch 索引 workspace 下的 Markdown 文件，支持语义搜索。如果你想索引 workspace 之外的文件，可以通过 extraPaths 扩展：

jsonc

// ~/.openclaw/openclaw.json
{
  "agents": {
    "defaults": {
      "memorySearch": {
        "extraPaths": [
          "~/Documents/company-wiki",
          "~/projects/myapp/README.md"
        ]
      }
    }
  }
}

对于更高级的知识检索需求，OpenClaw 支持 QMD 后端（实验性功能），它结合了 BM25 + 向量搜索 + 重排序：

jsonc

// ~/.openclaw/openclaw.json
{
  "memory": {
    "backend": "qmd",
    "qmd": {
      "includeDefaultMemory": true,
      "paths": [
        { "name": "docs", "path": "~/notes", "pattern": "**/*.md" }
      ],
      "update": { "interval": "5m" },
      "limits": { "maxResults": 6, "timeoutMs": 4000 }
    }
  }
}

⚠️ QMD 需要单独安装（bun install -g https://github.com/tobi/qmd），且需要支持扩展的 SQLite 构建。如果 QMD 不可用，OpenClaw 会自动回退到内置的 SQLite 搜索引擎。

知识源类型

OpenClaw 的 memorySearch 默认只索引 Markdown 文件（.md）。如果使用 QMD 后端，可以通过 paths 配置索引额外目录：

配置方式	说明	适用场景
默认 workspace	自动索引 `MEMORY.md` + `memory/*.md`	日常使用
`extraPaths`	索引 workspace 外的 Markdown 文件	需要引用外部文档
QMD `paths`	索引任意目录，支持 glob 模式	大规模知识库

向量搜索引擎

OpenClaw 内置两种搜索引擎：

引擎	特点	配置方式
内置 SQLite（默认）	零配置，sqlite-vec 加速，支持混合搜索	开箱即用
QMD（实验性）	BM25 + 向量 + 重排序，功能更强	`memory.backend = "qmd"`

知识库与记忆管理命令

记忆索引和知识库都通过 openclaw memory 子命令管理：

bash

# 记忆索引管理
openclaw memory status             # 查看记忆索引状态
openclaw memory index              # 重建记忆索引
openclaw memory search "部署"       # 搜索记忆（支持语义搜索）

记忆 vs 知识库

维度	记忆系统	知识库 (RAG)
内容来源	对话中产生	预先准备的文档
更新方式	AI 自动写入	手动索引或监控
搜索方式	混合搜索（关键词 + 语义）	语义向量搜索
适合内容	偏好、决策、笔记	文档、手册、代码
数据量	小（几十个文件）	大（成百上千个文件）

记忆的增删改查操作

通过 CLI 操作

bash

# 查看记忆索引状态
openclaw memory status

# 重建记忆索引（当记忆文件有变动时）
openclaw memory index

# 搜索记忆（支持语义搜索）
openclaw memory search "React 组件"

记忆文件本身是 Markdown，可以直接用编辑器查看和修改：

bash

code ~/.openclaw/workspace/MEMORY.md                    # VS Code
vim ~/.openclaw/workspace/memory/2026-02-25.md          # Vim

修改后运行 openclaw memory index 重建索引，下次会话启动时 AI 就能看到更新的内容。

通过对话操作

直接跟 AI 说就行：

你：记住，我们的 API 基础 URL 是 https://api.example.com/v2    → 写入
你：我之前说过 API 地址是什么？                                  → 查询
你：API 地址改了，新地址是 https://api.example.com/v3            → 更新
你：把关于旧项目的记忆都删掉                                     → 删除
你：帮我整理一下长期记忆，删掉过时的信息                          → 整理

AI 会自动调用对应的记忆工具完成操作。

记忆隐私和安全

记忆文件里可能包含敏感信息。OpenClaw 提供了多层保护机制。

敏感信息过滤

OpenClaw 没有内置的记忆内容自动过滤配置。防止敏感信息写入记忆文件的最佳做法是通过 SOUL.md 明确告诉 AI：

markdown

<!-- ~/.openclaw/workspace/SOUL.md 中添加 -->
## 安全规则
- 永远不要将密码、API Key、Token、身份证号、银行卡号写入记忆文件
- 如果用户要求记住敏感信息，提醒用户使用环境变量或密钥管理器
- 记忆文件中的敏感信息用 [REDACTED] 替代

这种方式利用 AI 模型自身的判断力来过滤敏感内容，比正则匹配更智能（能识别上下文中的敏感语义，而不仅仅是模式匹配）。

记忆文件安全

OpenClaw 的记忆文件是纯文本 Markdown，存储在本地磁盘上，没有内置加密功能。如果你需要保护记忆文件：

磁盘加密：使用操作系统级别的磁盘加密（macOS FileVault、Linux LUKS、Windows BitLocker）
文件权限：确保 ~/.openclaw/workspace/ 目录权限为 700（仅所有者可读写）
Git 忽略：如果 workspace 在 Git 仓库中，将记忆文件加入 .gitignore

bash

# 设置 workspace 目录权限（macOS/Linux）
chmod 700 ~/.openclaw/workspace

不应该存入记忆的内容

无论有没有加密，密码、API Key、JWT Token、身份证号、银行卡号等敏感信息都不应该写入记忆文件。用环境变量或密钥管理器代替。

记忆操作追踪

OpenClaw 没有内置的记忆审计日志配置。但你可以通过以下方式追踪记忆变更：

Git 版本控制：将 workspace 初始化为 Git 仓库，每次记忆变更都有完整历史
会话日志：OpenClaw 的会话日志（sessions/*.jsonl）记录了所有工具调用，包括文件写入操作

bash

# 用 Git 追踪记忆变更
cd ~/.openclaw/workspace
git init
git add MEMORY.md USER.md memory/
git commit -m "memory snapshot"

这比内置审计日志更强大 — 你可以用 git diff 看到每次记忆变更的具体内容。

记忆系统调优

⏭️ 小白可跳过 — 这部分是技术深入分析，记忆系统默认配置已经够用

记忆文件大小控制

MEMORY.md 不应该无限增长。OpenClaw 没有内置的自动归档配置，但有以下最佳实践：

MEMORY.md：建议控制在 500 行（约 3000 tokens）以内。内容太多会挤占对话上下文
每日日志：每天自动创建新文件，天然不会过大
手动归档：超过 30 天的日志可以手动移到归档目录

bash

# 手动归档旧日志
mkdir -p ~/.openclaw/workspace/memory/archive
mv ~/.openclaw/workspace/memory/2025-*.md ~/.openclaw/workspace/memory/archive/

定期整理 MEMORY.md 是保持 AI 助手高效的关键 — 过时的信息不仅浪费上下文空间，还可能让 AI 产生错误判断。

记忆搜索优化

如果记忆文件很多，搜索会变慢。优化建议：

运行 openclaw memory index 确保索引是最新的
将旧日志移到归档目录（memory/archive/），减少索引文件数量
给记忆内容加标签方便精确搜索：## 项目信息 [tags: project, tech-stack]

记忆加载性能

如果启动时加载记忆太慢，可以优化以下方面：

精简 MEMORY.md — 删除过时内容，控制在 500 行以内
减少日志文件数量 — 归档超过 30 天的旧日志
重建索引 — 运行 openclaw memory index 确保索引是最新的

如果使用 QMD 后端，可以调整刷新间隔和超时：

jsonc

// ~/.openclaw/openclaw.json
{
  "memory": {
    "backend": "qmd",
    "qmd": {
      "update": {
        "interval": "10m",
        "commandTimeoutMs": 30000
      },
      "limits": {
        "maxResults": 4,
        "timeoutMs": 3000
      }
    }
  }
}

💡 提示： QMD 首次搜索可能较慢（需要下载本地 GGUF 模型用于重排序和查询扩展）。后续搜索会快很多。

多用户记忆隔离

如果多个人共用一个 OpenClaw 实例（比如家庭成员或小团队），记忆必须隔离。

通过多 Agent 隔离

最简单的方案：每个用户一个 Agent，配置独立的 workspace。

jsonc

// ~/.openclaw/openclaw.json
{
  "agents": {
    "list": [
      {
        "id": "alice",
        "workspace": "~/.openclaw/workspace-alice"
      },
      {
        "id": "bob",
        "workspace": "~/.openclaw/workspace-bob"
      }
    ]
  }
}

每个 Agent 有独立的 workspace，记忆文件完全隔离：

~/.openclaw/
├── workspace-alice/
│   ├── MEMORY.md          # Alice 的长期记忆
│   ├── USER.md            # Alice 的用户画像
│   └── memory/            # Alice 的日志
└── workspace-bob/
    ├── MEMORY.md          # Bob 的长期记忆
    ├── USER.md            # Bob 的用户画像
    └── memory/            # Bob 的日志

通过消息路由绑定

配合多 Agent 路由，让不同联系人的消息自动路由到对应 Agent。在顶层 bindings 配置中设置 channel、contact 和 agent 的映射关系即可（bindings 是顶层配置，不嵌套在 channels 内部）。详见 08. 多 Agent 路由。

共享记忆方案

如果需要多个 Agent 共享部分记忆，可以用符号链接指向同一个 MEMORY.md 文件，但要注意并发写入可能导致冲突。更安全的做法是通过独立 workspace 隔离，仅在需要时手动同步。

记忆插件系统

默认插件：memory-core

OpenClaw 默认使用 memory-core 插件提供记忆功能。这个插件包含：

记忆文件的读写操作
memory_search 和 memory_get 工具
compaction 时的自动记忆刷新
日志文件的自动创建和管理

关闭记忆功能

如果你不需要记忆（比如一次性的问答场景）：

jsonc

// ~/.openclaw/openclaw.json
{
  "plugins": {
    "slots": {
      "memory": "none"
    }
  }
}

多语言记忆（v2026.2.22 新功能）

v2026.2.22 新增多语言记忆支持：

西班牙语
葡萄牙语
日语
韩语
阿拉伯语

AI 可以用这些语言写入和搜索记忆。搜索时会自动处理多语言匹配。

Dreaming 记忆整理系统（v2026.4.5 新增）

v2026.4.5 引入了实验性的 Dreaming（做梦） 机制 — 这是 OpenClaw 对记忆自动整理的一次大胆尝试。它模拟人类睡眠中的记忆巩固过程，在后台自动整理、提炼、淘汰记忆。

三阶段架构

Dreaming 系统由三个协作阶段组成（不是竞争关系，各自有独立的调度和恢复行为）：

阶段	名称	作用
Light（浅睡眠）	初步筛选	扫描最近的会话记录和日志，提取值得保留的信息片段
Deep（深度睡眠）	巩固整合	将分散的信息整合到长期记忆中，合并重复项，形成结构化知识
REM（快速眼动）	持久提升	将整理后的高价值记忆提升（promote）为持久记忆，写入 `dreams.md`

三个阶段在后台独立运行，不会阻塞正常对话。

Recall Decay（回忆衰减）

Dreaming 系统引入了可配置的记忆老化控制：

参数	说明	默认值
`recencyHalfLifeDays`	记忆权重半衰期（天数）— 超过此天数的记忆，召回权重降为一半	根据实例配置
`maxAgeDays`	记忆最大年龄（天数）— 超过此天数的记忆从活跃召回中淘汰	根据实例配置

这意味着 OpenClaw 可以自动「遗忘」过时的信息，而不需要你手动清理。越新的记忆越容易被召回，越旧的逐渐淡出 — 跟人类记忆的工作方式一样。

dreams.md 文件

Dreaming 的产出内容写入 dreams.md 文件（位于 workspace 目录下），与每日日志（memory/YYYY-MM-DD.md）分开存放。这样设计的好处是 dreams.md 可以被显式读取，但不会自动拉入默认召回上下文，避免占用过多上下文窗口空间。

~/.openclaw/workspace/
├── MEMORY.md              # 长期记忆（手动维护）
├── USER.md                # 用户画像
├── dreams.md              # Dreaming 系统产出（自动维护）
├── memory/
│   ├── 2026-04-25.md      # 今天的日志
│   └── ...
└── sessions/
    └── *.jsonl

Dream Diary（梦境日记 UI）

v2026.4.5 同时在 Control UI 的 Dreams 面板中添加了 Dream Diary 界面，可以直观查看 Dreaming 系统的活动记录 — 包括每次做梦的时间、阶段、处理了哪些记忆、提升了哪些内容。

Dreaming 与手动记忆管理的关系

Dreaming 是一个补充机制，不替代手动管理：

MEMORY.md — 仍然是你手动维护的核心长期记忆
dreams.md — Dreaming 系统自动产出的整理结果
memory/YYYY-MM-DD.md — 每日日志，不受 Dreaming 影响

如果你不需要 Dreaming 功能，它默认处于实验状态，需要主动启用才会运行。

记忆最佳实践

1. 定期整理 MEMORY.md

MEMORY.md 是 AI 每次启动都会加载的文件。如果它太大太杂，会浪费上下文空间，还可能让 AI 混淆。

建议：

每周花 5 分钟整理一次
删除过时的信息（比如已完成的项目）
合并重复的条目
保持分类清晰

2. 善用日志文件

日常的临时信息写入日志，不要塞进 MEMORY.md：

# 好的做法
MEMORY.md → 只放长期有效的信息
memory/2026-02-25.md → 今天的临时笔记

# 不好的做法
MEMORY.md → 什么都往里塞，越来越臃肿

3. 让 AI 主动记录

重要对话后，主动让 AI 记录：

你：把今天讨论的技术方案要点记下来
AI：好的，我把以下要点写入了今天的日志：
    1. 认证方案选择 NextAuth.js v5
    2. 数据库从 MySQL 迁移到 PostgreSQL
    3. 缓存层用 Redis，TTL 设为 1 小时

4. 分类存储

在 MEMORY.md 中用清晰的标题分类：

markdown

## 技术栈
...

## 项目决策
...

## 团队信息
...

## 工作流程
...

5. 不要存敏感信息

密码、API Key、Token 等敏感信息不要写入记忆文件。用环境变量或密钥管理器。

6. 备份记忆

记忆文件是纯文本，非常适合用 Git 管理或定期导出：

bash

# Git 管理
cd ~/.openclaw/workspace && git init && git add MEMORY.md USER.md memory/
git commit -m "backup: memory snapshot 2026-02-25"

# 定期打包备份
tar -czf ~/backups/memory-$(date +%Y%m%d).tar.gz ~/.openclaw/workspace/

常见问题

Q: AI 怎么突然不记得之前说的话了？

最常见的原因是 compaction。当对话太长，早期消息会被压缩成摘要，细节可能丢失。

解决方案：

重要信息主动让 AI 写入记忆文件
开启 memoryFlush，compaction 前自动保存
增大 reserveTokensFloor，保留更多上下文

Q: 记忆文件太大了怎么办？

用 openclaw memory status 查看索引状态，直接编辑 ~/.openclaw/workspace/MEMORY.md 整理内容。超过 30 天的日志可以手动归档到 memory/archive/ 目录。建议 MEMORY.md 控制在 500 行以内。

Q: 能不能让 AI 忘记某些事？

可以。直接编辑记忆文件删除对应内容，或者告诉 AI：

你：忘掉关于旧项目 X 的所有信息
AI：好的，我已从记忆中删除了关于项目 X 的 5 条记录。

Q: 多个 Agent 能共享记忆吗？

默认不共享。每个 Agent 有独立的 workspace 和记忆文件。

如果需要共享，可以用符号链接：

bash

# 让 coding Agent 共享 main Agent 的 MEMORY.md
ln -s ~/.openclaw/workspace/MEMORY.md ~/.openclaw/workspace-coding/MEMORY.md

但要注意并发写入可能导致冲突。更安全的做法是通过独立 workspace 隔离，仅在需要时手动同步。

Q: 记忆搜索不准确怎么办？

OpenClaw 使用 sqlite-vec 支持混合搜索（关键词 + 语义），搜索质量通常不错。如果仍然不够精确：

运行 openclaw memory index 确保索引是最新的
开启 RAG + 知识库插件，扩大搜索范围
给记忆内容加标签，提高匹配精度

Q: 换了电脑怎么迁移记忆？

记忆就是文件，直接复制或用 Git 同步：

bash

# 打包导出
tar -czf openclaw-memory.tar.gz ~/.openclaw/workspace/

# 新电脑导入
tar -xzf openclaw-memory.tar.gz -C ~/

# 或者用 Git
cd ~/.openclaw/workspace && git init && git add . && git commit -m "backup"

Q: 记忆系统会影响响应速度吗？

影响很小。主要开销在启动时加载记忆文件（通常 < 1 秒）和 memory_search 搜索。如果觉得慢，精简 MEMORY.md 内容、归档旧日志文件，或运行 openclaw memory index 重建索引。

下一步

记忆系统搞定了，你的 AI 助手现在能记住你是谁、你在做什么、你喜欢什么。去 08. 多 Agent 路由学习如何运行多个 AI 助手，让它们各司其职。

intent-classification

customer-service-building-guide

prompts

guides

categories

07. 记忆系统完全指南 ​

为什么 AI 需要记忆？ ​

记忆系统的三大价值 ​

OpenClaw 记忆架构 ​

三层记忆架构 ​

记忆源 ​

各层记忆详解 ​

会话记忆 (Session Memory) ​

短期记忆 (Daily Logs) ​

长期记忆 (MEMORY.md) ​

记忆存储与检索 ​

向量存储：sqlite-vec ​

Embedding 提供商 ​

高级检索能力 ​

记忆配置详解 ​

基础配置 ​

Compaction 与记忆刷新 ​

记忆加载行为 ​

按 Agent 配置记忆 ​

对话上下文管理 ​

什么是上下文窗口？ ​

滑动窗口策略 ​

上下文预算管理 ​

用户画像和偏好记忆 ​

USER.md 结构 ​

自动学习用户偏好 ​

主动让 AI 记住 ​

记忆工具 ​

memory_search — 语义搜索 ​

memory_get — 精确读取 ​

记忆写入 ​

知识库集成 (RAG) ​

什么是 RAG？ ​

OpenClaw 的 RAG 实现 ​

知识源类型 ​

向量搜索引擎 ​

知识库与记忆管理命令 ​

记忆 vs 知识库 ​

记忆的增删改查操作 ​

通过 CLI 操作 ​

通过对话操作 ​

记忆隐私和安全 ​

敏感信息过滤 ​

记忆文件安全 ​

不应该存入记忆的内容 ​

记忆操作追踪 ​

记忆系统调优 ​

记忆文件大小控制 ​

记忆搜索优化 ​

记忆加载性能 ​

多用户记忆隔离 ​

通过多 Agent 隔离 ​

通过消息路由绑定 ​

共享记忆方案 ​

记忆插件系统 ​

默认插件：memory-core ​

关闭记忆功能 ​

多语言记忆（v2026.2.22 新功能） ​

Dreaming 记忆整理系统（v2026.4.5 新增） ​

三阶段架构 ​

Recall Decay（回忆衰减） ​

dreams.md 文件 ​

Dream Diary（梦境日记 UI） ​

Dreaming 与手动记忆管理的关系 ​

记忆最佳实践 ​

1. 定期整理 MEMORY.md ​

2. 善用日志文件 ​

3. 让 AI 主动记录 ​

4. 分类存储 ​

5. 不要存敏感信息 ​

6. 备份记忆 ​

常见问题 ​

Q: AI 怎么突然不记得之前说的话了？ ​

Q: 记忆文件太大了怎么办？ ​

Q: 能不能让 AI 忘记某些事？ ​

07. 记忆系统完全指南

为什么 AI 需要记忆？

记忆系统的三大价值

OpenClaw 记忆架构

三层记忆架构

记忆源

各层记忆详解

会话记忆 (Session Memory)

短期记忆 (Daily Logs)

长期记忆 (MEMORY.md)

记忆存储与检索

向量存储：sqlite-vec

Embedding 提供商

高级检索能力

记忆配置详解

基础配置

Compaction 与记忆刷新

记忆加载行为

按 Agent 配置记忆

对话上下文管理

什么是上下文窗口？

滑动窗口策略

上下文预算管理

用户画像和偏好记忆

USER.md 结构

自动学习用户偏好

主动让 AI 记住

记忆工具

memory_search — 语义搜索

memory_get — 精确读取

记忆写入

知识库集成 (RAG)

什么是 RAG？

OpenClaw 的 RAG 实现

知识源类型

向量搜索引擎

知识库与记忆管理命令

记忆 vs 知识库

记忆的增删改查操作

通过 CLI 操作

通过对话操作

记忆隐私和安全

敏感信息过滤

记忆文件安全

不应该存入记忆的内容

记忆操作追踪

记忆系统调优

记忆文件大小控制

记忆搜索优化

记忆加载性能

多用户记忆隔离

通过多 Agent 隔离

通过消息路由绑定

共享记忆方案

记忆插件系统

默认插件：memory-core

关闭记忆功能

多语言记忆（v2026.2.22 新功能）

Dreaming 记忆整理系统（v2026.4.5 新增）

三阶段架构

Recall Decay（回忆衰减）

dreams.md 文件

Dream Diary（梦境日记 UI）

Dreaming 与手动记忆管理的关系

记忆最佳实践

1. 定期整理 MEMORY.md

2. 善用日志文件

3. 让 AI 主动记录

4. 分类存储

5. 不要存敏感信息

6. 备份记忆

常见问题

Q: AI 怎么突然不记得之前说的话了？

Q: 记忆文件太大了怎么办？

Q: 能不能让 AI 忘记某些事？

Q: 多个 Agent 能共享记忆吗？

Q: 记忆搜索不准确怎么办？

Q: 换了电脑怎么迁移记忆？

Q: 记忆系统会影响响应速度吗？

下一步