OpenClaw Memory终极指南

作者: @lijiuer92 | 来源: X/Twitter | 日期: 2026-02-22

❤️ 1139 | 🔁 260 | 🔖 2240 | 👁 404K

你的OpenClaw小龙虾每次失忆，不仅烧了你的钱，还要了你的命。

你甚至不敢重启。

韭二哥，

查阅了10+篇agent memory 论文，

总77Kstar的6个开源社区Github项目，

为你拆解你的openclaw记忆痛点的每一层

从现状到方案，从学术到工程。

一、残酷的现状——你的 Agent 只有金鱼记忆

先说一个数字：45 小时。

GitHub Issue #5429 的报告者 EmpireCreator 丢失了 45 小时的 agent 积累上下文：技能配置、集成参数、任务优先级。原因是一次静默压缩（compaction）清除了所有对话历史，没有警告，没有恢复选项。

这不是个案。

Issue #2624 报告 agent 随机重置，忘记 2 条消息前的对话。Issue #8723 报告 memory flush 触发无限循环，锁死 agent 72 分钟。

OpenClaw 当前的记忆架构是什么样的？一句话：Markdown 文件 + 向量搜索。

记忆存储在 ~/.openclaw/workspace/ 目录下的 Markdown 文件里。

Daily Logs 是短期日志，

MEMORY.md 是长期记忆，

SOUL.md 定义人格。检索用向量嵌入 + BM25 混合搜索。

这个设计有一个被 Medium 博主精准概括的特点：

"故意不酷——把记忆当 Markdown 文件，检索当工具调用。"

问题出在哪？六个字：扁平、无差别、被动。

所有记忆权重相同，一年前的闲聊和昨天的重大决策同等对待。

遗忘机制？没有，只能手动删除。

自动整理？全靠人工策展。

检索只看语义相似度，不评估重要性，无法表达"A 是 B 的朋友"这样的关系。

数据永远是数据，不会变成认知。

社区的推文说得最直白："Everyone complains their OpenClaw has amnesia."

二、OpenClaw 官方在做什么——QMD 后端与混合搜索

官方不是没有动作。

2026 年 1-2 月的版本发布时间线：

v2026.1.12（1月13日）：向量搜索基础设施上线，包括 SQLite 索引 + 分块 + 懒同步 + 文件监听，支持本地和远程嵌入。这是整个记忆搜索系统的基石。

v2026.1.29（1月29日）：L2 归一化修复。本地嵌入向量未归一化导致余弦相似度计算失真，这个 bug 意味着之前的语义搜索准确度是有问题的。同时新增额外索引路径支持。

v2026.2.2（2月4日）：QMD 记忆后端合并（PR #3160），最重要的架构升级。30 个 commits，新增 QMD 后端支持 BM25 + 向量 + Reranking 三路混合搜索。

QMD 做了什么？

它用一个本地搜索 sidecar 进程替代内置 SQLite 索引器。每个 agent/config 组合缓存一个 sidecar，支持多个命名集合，会话记录可导出并索引到专用集合。隐私保护方面，会话数据在索引前做脱敏处理。QMD 不可用时自动回退 SQLite。

已知的坑：

CPU-only 系统上查询耗时约 3 分 40 秒，超过 12 秒超时（Issue #8786）。paths 配置不生效（Issue #8750）。

而且回退是静默的，用户不知道 QMD 没在工作。

同时有一个 PR #6060 试图解决"可发现性"问题：OpenClaw 的记忆系统有强大功能但用户发现不了。提案在入门向导中增加"记忆优化"步骤，暴露四个默认关闭的隐藏功能：pre-compaction memory flush、混合搜索、嵌入缓存、会话记录搜索。

官方方向的核心问题：这些都是"检索层"的优化。搜索更准了、速度更快了、可发现性更好了。

但记忆架构的六个根本缺失：

遗忘、重要性、图谱、反思、时序、晋升

一个都没解决。

三、社区在怎么自救——土法炼钢的五种方案

社区没有坐等官方。至少 7 个第三方记忆项目在 2026 年 1-2 月集中出现。

1⃣Mem0：最知名的记忆层 SDK。Auto-Recall 每次响应前搜索相关记忆注入上下文，Auto-Capture 响应后提取事实存储。Session + User 双层记忆。声称 91% 低延迟提升，90% token 节省。

2⃣Hindsight：本地长期记忆。核心洞察：传统系统给 agent 一个 search_memory 工具，但模型不一定会用。Auto-Recall 自动注入解决了这个问题。完全本地，PostgreSQL 后端，支持多实例共享。

3⃣MoltBrain（365 Stars）：SQLite + ChromaDB 语义搜索，生命周期钩子自动捕获上下文，Web UI 查看时间线。

4⃣NOVA Memory System：PostgreSQL 结构化记忆，Claude API 将自然语言解析为 JSON，8 张数据库表（实体、关系、地点、项目、事件、教训、偏好）。

5⃣Penfield Skill：混合搜索 BM25 + 向量 + 图——社区已经有人在做三路混合搜索了。

6⃣还有 Memory Template（Git-backed）、SuperMemory（极早期）、MemoryPlugin（Chrome 扩展跨平台同步）。

社区的"最佳实践"验证了什么方向？

Daily Log → MEMORY.md 晋升模式
Heartbeat 心跳复用为记忆整合触发器
70/30 混合搜索权重（向量 70% + 关键词 30%）
Session Transcript 索引

但社区完全没触及的六个盲区：遗忘/衰减机制、重要性评分、知识图谱、自动反思/整合、时序推理、记忆晋升。

一句话总结：社区在用手动操作弥补架构缺陷。方向对了，但全部停留在手工操作层面。

四、学术界爆发——2026 年 2 月的 10+ 篇论文

2026 年 2 月，agent memory 突然成了学术界的主战场。仅一个月就有 10+ 篇论文发表在 arXiv 上，包括 ICML 2026 收录的 xMemory、NeurIPS 2025 的 A-MEM。一份 59 位作者的综述论文系统梳理了整个领域。

关键论文：

xMemory（ICML 2026）：将记忆解耦为语义组件，组织成层次结构。用 Sparsity-Semantics 目标指导记忆分裂和合并。
A-MEM（NeurIPS 2025）：用 Zettelkasten 方法管理 agent 记忆。新记忆添加时生成包含上下文描述、关键词、标签的结构化笔记。
InfMem：通过 PreThink-Retrieve-Write 协议实现 System-2 风格的主动记忆控制。32K 到 1M tokens 的 QA 基准上准确率提升 10-12%。
TAME：发现"Agent Memory Misevolution"——记忆可能积累"有毒捷径"。提出 Executor/Evaluator 双记忆框架。
ALMA：元学习框架，让 AI 自动发现记忆设计。学习到的设计比手工基线高出 6-13%。
MemSkill：将记忆操作重构为可学习的"记忆技能"。
BudgetMem：运行时记忆框架，用强化学习训练轻量级路由器做预算层级路由。

59 位作者综述论文给出三维分类法：记忆基底（Substrate）、认知机制（Mechanism）、记忆主体（Subject）。

工业界两个关键警告：

Serial Collapse（月之暗面 Kimi K2.5）：Agent 退化为不使用记忆
Memory Misevolution（TAME）：在正常迭代中积累有毒捷径

五、开源记忆生态——6 个项目的全景扫描

6 个 agent memory 开源项目，合计 77K+ Stars，代表三种记忆哲学：

状态层优先——mem0(46.6K)、Memori(12K)：记忆 = 状态管理
知识层优先——cognee(11.7K)、MemOS(4.9K)：记忆 = 结构化知识
学习层优先——Hindsight(1.3K)：记忆 = 学习过程（retain/recall/reflect 三操作闭环）

没有任何一个项目同时覆盖三层。

六、200+ Issues 的教训——别人踩过的坑

跨项目五大共性问题：

静默失败（6/6 项目都有）：功能不行但不告诉用户
记忆去重：重复记忆触发 DELETE 而不是 NOOP，LLM 把重复判断为"矛盾"导致错误删除
LLM 判断不可靠：第一人称指代丢失、JSON 格式不稳定、prompt 语言偏向
数据库连接/迁移问题：SQLite 连接不关闭、Docker 迁移失败、遥测内存泄漏
搜索排序失真：跨集合归一化导致排序失真、检索无时间维度

七、游戏 AI 给了什么启发

矮人要塞的三层记忆架构：

短期记忆（STM）——8 个槽位的循环缓冲队列，新记忆按情感强度竞争
长期记忆（LTM）——短期记忆停留足够久且未被挤出，尝试晋升
核心记忆（Core Memory）——质变，永久修改角色性格参数

斯坦福 Generative Agents 的三维检索：

检索分数 = Recency x Importance x Relevance
反思机制：取最近 100 条琐碎记忆 → LLM 提炼 3 条高层洞察
长期对话事实召回从 41% 提升到 87%

模拟人生 4 的情感固化：短期情感反复出现 → 转化为永久特质

Nemesis System 的事件驱动进化：事件标签 → 触发参数突变 → 社会关系网络传播

八、两种记忆——User Memory vs Agent Memory

字节跳动 OpenViking 项目的分类体系：

6 类记忆：档案、偏好、实体、事件、案例、模式
L0/L1/L2 三级内容模型：L0 摘要 ~100 tokens 用于索引，L1 概览 ~500 tokens 用于结构化呈现，L2 全文
合并策略：档案总是合并，偏好/实体/模式支持合并，事件/案例不可合并

九、记忆为什么是核心基础设施

谁先解决记忆问题，谁就赢得 24/7 Agent 的战争。

2026 年 2 月的三股力量：学术论文密度、开源项目爆发、官方架构升级，共同指向一个信号：AI 记忆正在从"nice to have"变成核心基础设施。

十、memX 与 ePro

基于以上调研，作者构建了两个系统：memX（User Memory）和 ePro（Agent Memory），已上线迭代中。

References

[1] Hu et al., "xMemory: Beyond RAG for Agent Memory," ICML 2026. arXiv:2602.02007
[2] Xu et al., "A-MEM: Agentic Memory for LLM Agents," NeurIPS 2025. arXiv:2502.12110
[3] Huang et al., "Rethinking Memory Mechanisms of Foundation Agents," 2026. arXiv:2602.06052
[4] Wang et al., "InfMem: Learning System-2 Memory Control," 2026. arXiv:2602.02704
[5] Cheng et al., "TAME: Trustworthy Agent Memory Evolution," 2026. arXiv:2602.03224
[6] "ALMA: Automated Meta-Learning of Memory Designs," 2026. arXiv:2602.07755
[7] Zhang et al., "MemSkill: Learning and Evolving Memory Skills," 2026. arXiv:2602.02474
[8] Zhang et al., "BudgetMem: Budget-Tier Routing for Runtime Agent Memory," 2026. arXiv:2602.06025
[9] Kimi Team, "Kimi K2.5: Scaling Reinforcement Learning with LLMs," 2026. arXiv:2602.02276
[10] Park et al., "Generative Agents: Interactive Simulacra of Human Behavior," 2023. arXiv:2304.03442

本人由李韭二和Claude Max、Manus还有Google Gemini 共同创作。主要贡献者是李韭二。数据基于 2026 年 2 月 23 日快照。