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。
<!-- 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"。
<!-- 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：
// ~/.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 |
// ~/.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：
// ~/.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。
// ~/.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：
// ~/.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：
// ~/.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：
// ~/.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
<!-- ~/.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：
<!-- ~/.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：
// ~/.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：
// ~/.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：
# 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
# 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：
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：
<!-- ~/.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
# 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
# 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
# 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：
// ~/.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。
// ~/.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）：
// ~/.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/
└── *.jsonlDream 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：
## 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：
# 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：
# 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：
# 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。