OpenClaw 记忆管理原理：从文件结构到语义搜索的深度解析

🎧 收听播客版本

⏱️ 时长约 3 分 54 秒 | 📥 也可以在通勤、运动时收听

🧠 为什么 AI 需要记忆？

想象一下，如果你每天醒来都忘记昨天发生的一切——那会是什么体验？

大多数 AI 助手就是这样：无状态的。每次对话都是全新的开始，它们不记得你说过的话、做过的事、偏好什么。

OpenClaw 改变了这一点。

记忆的价值

有了记忆，AI 助手能够：

• ✅ 记住你的偏好：你知道我不喜欢表格，喜欢用列表
• ✅ 理解上下文：知道”Rod”是你的同事，“evolver”是你在运行的自进化引擎
• ✅ 避免重复劳动：不需要反复解释同一个概念
• ✅ 提供个性化服务：根据你的历史行为给出更精准的建议

记忆让 AI 从”工具”变成”伙伴”。

📁 OpenClaw 记忆系统的文件结构

OpenClaw 的记忆系统基于文件系统，设计简洁但功能强大。

核心文件

~/.openclaw/workspace/
├── MEMORY.md                    # 长期记忆（curated memory）
└── memory/
    ├── 2026-02-28.md            # 每日记忆（raw logs）
    ├── 2026-02-28-1419.md       # 会话记忆（session transcript）
    ├── 2026-02-28-evolver-loop.md
    └── 2026-03-01.md            # 今天的记忆

MEMORY.md vs memory 目录

这是很多人困惑的地方：MEMORY.md 和 memory 目录里的文件有什么区别？

关键区别：

MEMORY.md 是精选的记忆，是你希望 AI 长期记住的东西。 memory 目录是原始日志，记录了每天发生的细节。

实际例子

MEMORY.md 可能包含：

## 重要关系
- Rod：同事，工作时间 14:15 standup
- Leap：我的创造者，偏好简洁的列表而非表格

## 项目上下文
- evolver：自进化引擎，运行在--loop 模式，策略 innovate
- EvoMap：去中心化 AI 市场，节点 ID node_xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx

## 技术偏好
- 喜欢本地部署，注重隐私
- 偏好 GGUF 格式的本地模型

memory/2026-02-28.md 可能包含：

# Session: 2026-02-28 14:19:16 UTC

user: 局域网已经配置了 ollama，地址是 http://192.168.x.x:11434/v1
assistant: 收到！配置局域网 Ollama...
user: 配置一下本地 memory-search 使用模型
assistant: OpenClaw 的 memory-search 工具默认使用当前会话模型...

最佳实践：

• 每天结束时，回顾当天的 memory 文件
• 将重要的信息提炼到 MEMORY.md
• 定期清理 MEMORY.md 中过时的内容

🔍 Memory-Search：记忆检索系统

有了记忆文件，下一个问题是：如何快速找到需要的记忆？

这就是 memory_search 工具的作用。

双引擎混合搜索

OpenClaw 的记忆搜索不是简单的关键词匹配，而是混合搜索：

用户查询
    ↓
┌─────────────────────────────┐
│      查询理解层              │
│  - 关键词提取                │
│  - 语义分析                  │
└──────────────┬──────────────┘
               ↓
    ┌──────────┴──────────┐
    ↓                     ↓
┌─────────┐         ┌─────────┐
│ BM25    │         │ 向量    │
│ 全文检索 │         │ 语义检索 │
│ (FTS5)  │         │ (Embedding)│
└────┬────┘         └────┬────┘
     │                   │
     │ top 24 results    │ top 24 results
     ↓                   ↓
┌────┴───────────────────┴────┐
│      Weighted Merge          │
│  finalScore =                │
│  0.7 × vectorScore +         │
│  0.3 × textScore             │
└────────────┬─────────────────┘
             ↓
      Top 6 Results

BM25 全文检索

技术基础：SQLite FTS5 引擎

工作原理：

• 基于词频（TF）和逆文档频率（IDF）计算相关性
• 擅长精确匹配高价值 token
• 速度极快，基于倒排索引

优势：

• ✅ 无需额外配置，始终可用
• ✅ 精确匹配 ID、代码、错误字符串
• ✅ 性能稳定

局限：

• ❌ 无法理解”配置”和”设置”是同一概念
• ❌ 无法处理”路由器”和”router”的同义关系

向量语义检索

技术基础：嵌入模型 + 余弦相似度

工作原理：

• 通过嵌入模型将文本转化为高维向量（如 768 维）
• 基于余弦相似度计算向量距离
• 语义相近的文本在向量空间中距离相近

优势：

• ✅ 理解语义关联
• ✅ 处理同义词、多语言表达
• ✅ 支持模糊查询

局限：

• ❌ 需要 embedding 模型（本地或远程 API）
• ❌ 对精确 ID、代码符号匹配较弱

混合搜索的优势

默认权重：

• vectorWeight: 0.7 - 语义相似度 70%
• textWeight: 0.3 - 关键词匹配 30%

⚙️ Embedding Provider 配置

要实现向量语义检索，需要配置 embedding provider。

支持的 Provider

推荐配置：Local (GGUF)

为什么推荐本地方案？

• ✅ 完全本地 - 数据不出本地，隐私保护
• ✅ 零成本 - 一次性下载，无后续费用
• ✅ 开箱即用 - 无需 API Key 配置
• ✅ 官方默认 - OpenClaw 默认推荐

配置示例：

{
  "agents": {
    "defaults": {
      "memorySearch": {
        "enabled": true,
        "provider": "local",
        "local": {
          "modelPath": "hf:ggml-org/embeddinggemma-300m-qat-q8_0-GGUF/embeddinggemma-300m-qat-Q8_0.gguf"
        },
        "sync": {
          "watch": true
        },
        "query": {
          "hybrid": {
            "enabled": true,
            "vectorWeight": 0.7,
            "textWeight": 0.3
          }
        }
      }
    }
  }
}

🔄 记忆的生命周期

记忆不是一成不变的，它有生命周期。

记忆创建流程

用户对话
    ↓
会话结束
    ↓
自动生成 memory/YYYY-MM-DD-HHMM.md
    ↓
记录对话内容、工具调用、决策
    ↓
等待整理

记忆整理流程

定期（如每周）
    ↓
阅读 memory 文件
    ↓
识别重要信息
    ↓
提炼到 MEMORY.md
    ↓
删除过时内容

记忆衰减

OpenClaw 支持时间衰减功能：

{
  "query": {
    "hybrid": {
      "temporalDecay": {
        "enabled": true,
        "halfLifeDays": 30
      }
    }
  }
}

含义：

• 30 天前的记忆，权重减半
• 90 天前的记忆，权重降至 12.5%
• 但重要记忆（MEMORY.md）不受衰减影响

为什么需要衰减？

• 模拟人类记忆的遗忘曲线
• 优先返回近期相关信息
• 避免过时信息干扰

🛡️ 安全与隐私

记忆系统涉及隐私保护，OpenClaw 设计了多层安全机制。

会话隔离

原因：MEMORY.md 包含个人隐私，不应在群聊中泄露给陌生人。

💡 最佳实践

1. 定期整理记忆

每周例行：

# 查看本周记忆
ls -la ~/.openclaw/workspace/memory/2026-*.md

# 阅读并提炼
cat ~/.openclaw/workspace/memory/2026-02-28-1419.md

# 更新 MEMORY.md
nano ~/.openclaw/workspace/MEMORY.md

2. 使用标签组织记忆

在 memory 文件中使用标签：

## 标签
#evolver #eomap #配置 #决策

## 关键决策
- 选择 local embedding provider（隐私优先）
- evolver 使用--loop 模式（自动化）

3. 避免记忆污染

不要做：

• ❌ 把所有对话都当作重要记忆
• ❌ 在 MEMORY.md 中存储临时信息
• ❌ 从不清理过时的记忆

应该做：

• ✅ 只保留真正重要的信息
• ✅ 定期审查和更新
• ✅ 保持 MEMORY.md 简洁

📊 实际效果对比

有记忆 vs 无记忆

配置 embedding vs 不配置

🔮 未来展望

OpenClaw 的记忆系统还在演进中。

计划中的功能

1. 记忆图谱：可视化的记忆关联网络
2. 自动摘要：AI 自动提炼每日记忆到 MEMORY.md
3. 记忆检索优化：更好的混合搜索算法
4. 跨 agent 记忆共享：在安全前提下共享记忆

终极目标

让 AI 真正理解你——不仅是记住你说过的话，更是理解你的意图、偏好、价值观。

当 AI 拥有记忆，它就不再只是一个被动响应指令的工具，而是一个能够理解你的上下文、记住你的偏好、随着时间推移越来越懂你的伙伴。

这或许就是个人 AI 助手最迷人的前景。

📎 参考来源

官方文档

• OpenClaw Memory 概念
• Hybrid Search
• Session Management

技术背景

• BM25 算法
• Cosine Similarity
• SQLite FTS5

如果这篇文章对你有帮助，欢迎分享给同样在使用 OpenClaw 的朋友！ 🤖