为什么你的 AI Agent 总是"失忆"？OpenClaw 用两个文本文件解决了

你让 OpenClaw 帮你写了一个 API，调了三轮才满意。第二天你说”昨天那个 API 还需要加个分页”——它完全不记得了。

这是 AI Agent 最大的痛点之一：没有记忆，每次对话都从零开始。

OpenClaw 的解决方案是一个叫做”双源记忆系统”的架构。两个独立的记忆源——长期记忆（MEMORY.md）和每日日志（daily logs）——协同工作，让 Agent 既能记住长期偏好，又能回忆昨天的工作细节。

这套系统在 2026 年初的 v0.5 版本中引入，3 月 7 日的 v2026.3.7-beta.1 又通过 ContextEngine 插件接口进行了重大升级。社区里有人说：**”这是 OpenClaw 和其他 Agent 框架拉开差距的关键设计。”**

今天我们从架构到代码，完整拆解这套双源记忆系统。

为什么需要”双源”：单一记忆的困境

在聊架构之前，先理解一个问题：为什么不用一个记忆源？

纯长期记忆的问题： 如果只有一个长期知识库，每次对话的临时信息——“刚才那个变量叫 userCount”、”上一轮我们决定用 PostgreSQL”——要么不存，要么全存。不存就丢失上下文，全存就把知识库变成垃圾场。

纯短期日志的问题： 如果只有逐日记录，Agent 知道你昨天做了什么，但不知道你”永远偏好 TypeScript 而不是 JavaScript”。每次都得重新告诉它你的偏好。

双源的设计哲学： 长期记忆存”你是谁、你喜欢什么、项目的核心约定”，每日日志存”今天做了什么、遇到了什么问题、决定了什么方案”。一个管身份，一个管经历。像人脑的语义记忆和情景记忆。

这不是 OpenClaw 发明的概念，但它的实现方式——纯文本文件 + 向量索引 + 混合搜索——在工程上非常优雅。

第一源：MEMORY.md——Agent 的”性格档案”

MEMORY.md 是 OpenClaw 的长期记忆文件，存在项目根目录下。它是一个纯 Markdown 文件，Agent 可以读，也可以写。

一个典型的 MEMORY.md 长这样：

# User Preferences
- Prefers TypeScript over JavaScript
- Uses Vim keybindings
- Code style: functional, immutable, no classes

# Project Context
- Tech stack: Next.js 15 + Prisma + PostgreSQL
- Deployment: Vercel + Supabase
- Testing: Vitest, not Jest

# Working Agreements
- Always run tests before committing
- PR descriptions must include "Why" section
- Never use default exports

几个设计要点：

第一，纯文本，人类可读可编辑。 不是数据库，不是 JSON，是你用任何文本编辑器都能打开的 Markdown。这意味着你可以随时手动修改 Agent 的”记忆”——加一条偏好，删一条过时的信息。

第二，Agent 自主维护。 OpenClaw 的 Agent 在对话过程中会自动判断哪些信息值得写入 MEMORY.md。你说”以后别用 Jest 了，换成 Vitest”，它会把这条偏好追加到文件里。下次对话，它读到这条，就知道该用 Vitest。

第三，每次对话开始时自动加载。 Agent 启动时，MEMORY.md 的内容会被注入到系统提示词（system prompt）中。这相当于 Agent 的”人格初始化”——它一醒来就知道自己该怎么行事。

第四，有容量限制。 MEMORY.md 不能无限膨胀。OpenClaw 建议控制在 200 行以内，超过部分会被截断。这迫使你和 Agent 一起维护这个文件的质量——只保留真正重要的信息。

第二源：每日日志——Agent 的”工作日记”

每日日志存在 .openclaw/logs/ 目录下，文件名是日期：2026-03-19.md、2026-03-18.md……

每个日志文件记录了当天的对话摘要、关键决策、遇到的问题和解决方案。格式大概是这样的：

# 2026-03-19

## Session 1 (09:00-10:30)
- Built user notification API with WebSocket support
- Decided to use Redis pub/sub instead of polling
- Fixed: Prisma connection pool exhaustion under load

## Session 2 (14:00-15:45)
- Refactored auth middleware to support OAuth2
- Key decision: JWT stored in httpOnly cookie, not localStorage
- TODO: Add refresh token rotation

和 MEMORY.md 不同，每日日志有几个独特特性：

第一，自动生成，无需手动维护。 每轮对话结束时，Agent 会自动把关键信息压缩成摘要，追加到当天的日志文件里。你不需要操心。

第二，有时间维度。 你可以问 Agent：”上周三我们做了什么？”它会去查 2026-03-12.md，给你一个精确的回答。这是 MEMORY.md 做不到的——长期记忆没有时间概念。

第三，天然支持渐进式遗忘。 越早的日志，被检索到的概率越低。OpenClaw 的搜索算法会给近期日志更高的权重。这模拟了人类记忆的”近因效应”——昨天的事比上个月的事记得更清楚。

核心引擎：混合搜索

两个记忆源存了数据，但怎么找到需要的信息？这就是 OpenClaw 混合搜索引擎的工作。

当 Agent 需要回忆某些信息时，它调用内置的 memorySearch 工具。这个工具同时执行两种搜索：

向量搜索（Vector Search）： 把查询文本转成嵌入向量，和记忆库中的向量做余弦相似度比较。适合语义匹配——你问”之前怎么处理认证的”，它能匹配到”JWT stored in httpOnly cookie”，即使两句话没有任何相同的词。

关键词搜索（BM25）： 传统的全文检索。适合精确匹配——你问”Prisma 连接池”，它能直接找到包含这两个词的日志条目。

两种搜索的结果会被合并、去重、排序，返回最相关的记忆片段。

技术实现上：

存储层：SQLite + 向量扩展。 OpenClaw 用 SQLite 作为本地向量数据库。每条记忆被切分成约 400 Token 的 chunk，80 Token 重叠，用 SHA-256 做去重。这意味着同一段信息不会被重复索引。

嵌入模型：可插拔。 默认使用 OpenAI 的 text-embedding-3-small，但也支持 Gemini、Voyage、甚至本地模型。你可以在 settings.json 里配置：

{
  "memory": {
    "embedding": {
      "provider": "openai",
      "model": "text-embedding-3-small",
      "dimensions": 1536
    }
  }
}

搜索权重：可调节。 向量搜索和 BM25 的权重比默认是 0.7:0.3。如果你的使用场景更偏精确查找（比如代码片段检索），可以把 BM25 的权重调高。

关键机制：Pre-Compaction Flush

双源记忆系统里最精巧的设计，是 pre-compaction flush（压缩前刷写）机制。

什么是 compaction？当对话上下文太长时，OpenClaw 会对早期消息做摘要压缩，释放上下文窗口空间。这个过程叫 compaction。

问题来了：如果一段重要的对话在 compaction 时被压缩了，细节就丢失了。摘要只保留大意，不保留具体的代码片段、参数值、配置项。

Pre-compaction flush 的解决方案： 在 compaction 执行之前，先把即将被压缩的对话内容写入记忆系统。具体流程是：

1. 检测到上下文即将溢出，触发 compaction
2. 暂停压缩，先执行 flush
3. 把即将被压缩的消息中的关键信息提取出来
4. 写入每日日志（短期）和/或 MEMORY.md（长期）
5. 建立向量索引
6. 恢复压缩，对原始消息做摘要

这样，即使对话被压缩了，关键信息已经安全地存到了记忆系统里。Agent 以后可以通过 memorySearch 检索到这些信息。

社区的评价是：**”这个 flush-before-discard 模式解决了所有 Agent 框架都面临的上下文丢失问题。”**

ContextEngine：插件化的记忆架构

2026 年 3 月 7 日，OpenClaw v2026.3.7-beta.1 引入了 ContextEngine 插件接口。这是双源记忆系统的一次重大升级。

ContextEngine 定义了五个生命周期钩子：

钩子	触发时机	用途
bootstrap	Agent 启动时	加载初始记忆、建立索引
ingest	新消息到达时	提取信息、判断是否值得记忆
assemble	构建上下文时	决定哪些记忆注入到当前对话
compact	上下文压缩时	执行 pre-compaction flush
afterTurn	每轮对话结束后	更新日志、维护索引

这意味着你可以写自定义的 ContextEngine 插件，完全改变 Agent 的记忆行为。

比如，你可以写一个插件，让 Agent 把记忆存到 Notion 而不是本地文件。或者写一个插件，让 Agent 根据项目的 Git 历史自动构建上下文——谁改了什么文件、什么时候改的、commit message 写了什么。

36 氪的评价是：**”ContextEngine 把 OpenClaw 从一个’带记忆的 Agent’变成了一个’记忆架构可编程的 Agent 平台’。”**

实战：怎么用好双源记忆

理解了架构，来聊聊实战中怎么用好这套系统。

技巧 1：主动维护 MEMORY.md。 不要完全依赖 Agent 自动写入。定期检查 MEMORY.md，删掉过时的信息，补充遗漏的偏好。一个干净的 MEMORY.md 比一个臃肿的 MEMORY.md 效果好 10 倍。

技巧 2：用 memorySearch 调试记忆。 如果 Agent 的行为不符合预期，直接问它：”搜索你的记忆，关于 X 你记得什么？”看看返回的结果是否正确。很多时候问题不是 Agent 笨，而是记忆库里存了错误的信息。

技巧 3：利用日志做复盘。 每日日志不只是给 Agent 用的，你自己也可以看。cat .openclaw/logs/2026-03-19.md 就能看到今天所有的对话摘要。这是一个天然的工作日报。

技巧 4：为团队项目配置共享记忆。 把 MEMORY.md 提交到 Git 仓库里。团队成员的 Agent 都能读到同样的项目约定。这比口头传达”我们项目用 Vitest 不用 Jest”高效得多。

和其他 Agent 框架的记忆方案对比

OpenClaw 不是唯一做记忆系统的。简单对比：

框架	记忆方案	特点
OpenClaw	双源（MEMORY.md + 日志）	纯文本、人类可编辑、混合搜索
Claude Code	文件记忆（~/.claude/memory/）	结构化文件、MEMORY.md 索引、项目隔离
Cursor	对话摘要 + .cursorrules	无持久化日志，依赖规则文件
AutoGPT	向量数据库（Pinecone/Weaviate）	纯向量，无人类可读层
LangChain Memory	ConversationBufferMemory	内存级，进程退出即丢失

OpenClaw 的独特之处在于两层都是人类可读的纯文本。你不需要数据库客户端就能查看和修改 Agent 的全部记忆。这在调试和审计时价值巨大。

AutoGPT 的纯向量方案搜索能力更强，但你无法直接阅读”Agent 到底记住了什么”。LangChain 的内存方案最简单，但不支持跨会话持久化。

局限和未来方向

诚实说，双源记忆系统也有局限。

第一，记忆质量依赖 Agent 的判断。 Agent 决定”什么值得记住”。如果它判断失误——把重要信息忘了，或者把噪音当成知识存下来——记忆库的质量就会下降。目前没有自动清理过时记忆的机制。

第二，向量搜索有成本。 每次 memorySearch 都要调用嵌入模型 API。如果记忆库很大（数百条记录），每次搜索的 Token 消耗不可忽略。

第三，多 Agent 协作场景不够成熟。 当多个 Agent 同时读写同一个 MEMORY.md 时，可能出现冲突。ContextEngine 的 ingest 钩子没有提供锁机制。

社区里讨论最多的下一步是记忆的自动衰减和整理——让 Agent 定期回顾自己的记忆，合并重复项，淘汰过时信息。就像人脑在睡眠时整理白天的记忆一样。

写在最后

记忆是 AI Agent 从”工具”变成”助手”的分水岭。

没有记忆的 Agent，每次对话都是初次见面。有了记忆，它知道你的偏好、你的项目、你昨天做了什么、你上周为什么改变了方案。

OpenClaw 的双源记忆系统不是最复杂的方案，但可能是最务实的——纯文本文件保证了透明和可控，混合搜索保证了检索质量，pre-compaction flush 保证了信息不丢失，ContextEngine 保证了可扩展性。

当你的 Agent 开始记住你的名字、你的代码风格、你昨天犯的那个 bug——你和 AI 的关系就变了。 它不再是一个你每次都需要从头教的工具，而是一个越用越懂你的搭档。

这才是 Agent 时代真正让人兴奋的地方。

---

你在用 OpenClaw 的记忆系统吗？MEMORY.md 里你都写了什么？你觉得 AI Agent 应该记住你的哪些信息？欢迎在评论区聊聊你的记忆管理经验。