OpenClaw 记忆机制详解：三层记忆架构与长期记忆管理

发表于 更新于 分类于

第一部分：三层记忆架构

OpenClaw 通过将记忆写入磁盘的纯文本文件来实现持久化——模型本身没有隐藏状态，所有记忆都显式存储在文件中。本文详细介绍其三层记忆架构及各种高级记忆功能。

OpenClaw 的记忆系统采用三层模型，分别是：

第一层：会话上下文（Session Context）

当前对话的缓冲区，包含本轮对话的所有消息。这是每次 API 请求都会发送的活跃数据，由 LCM（Long-term Context Manager）管理。当上下文窗口接近满时，会触发自动压缩（compaction）。

关键机制：自动记忆冲刷

当对话接近上下文上限时，OpenClaw 会触发一个静默的 Agent 自主执行，在压缩前自动将重要上下文写入 memory/YYYY-MM-DD.md：

1
2
3
4
5
6
7
8
9
对话接近上下文限制
    ↓
静默记忆冲刷触发
    ↓
模型将重要上下文写入 memory/ 日志
    ↓
模型回复 NO_REPLY（用户无感知）
    ↓
自动压缩继续执行

第二层：长期记忆（memory文件夹）

位于workspace/memory/下，可能包含 memory/YYYY-MM-DD.md等自动生成的文件，记录每日运行日志和观察，也可以自己添加md文件进去。今天和昨天的日志会自动加载，文件会被索引供 memory_search 检索，但不会注入到每次启动的引导提示中。

适用于：详细的每日笔记、观察、对话摘要和将来可能有用的原始上下文和任何md格式的资料。

第三层：核心记忆（MEMORY.md）

位于 ~/.openclaw/workspace/MEMORY.md，是精心提炼的持久层。记录持久的facts、偏好、决策和摘要，在每次主会话启动时自动加载。

适用于：长期facts、用户偏好、既定决策和简短摘要。不是原始对话记录或每日日志。

三层之间的关系：

层级 文件 生命周期 何时加载
第一层 会话上下文 当前对话 每次对话发送
第二层 memory/*.md 每日/长期 今天+昨天自动加载，随时可以检索
第三层 MEMORY.md 长期驻留 每次 DM 会话启动

第二部分：核心记忆文件 MEMORY.md

什么是 MEMORY.md

MEMORY.md 是 OpenClaw 的核心记忆文件，位于工作空间根目录。每次新的主会话（DM）启动时，这个文件的内容会自动加载到模型上下文中，确保 Agent 能够”记住”之前的重要信息。

写入什么内容

  • 用户的持久偏好（如”使用中文回复”）
  • 已做出的重要决策和结论
  • 长期的facts（如用户的姓名、职业、项目信息）
  • 技能和工具的配置说明
  • 协作规则和流程

不要写入的内容

  • 原始对话记录（这是 daily notes 的职责）
  • 临时性的待办（用飞书任务/企业微信待办）
  • 过时信息（定期清理 MEMORY.md）

如何维护

  • 让 Agent 自动维护即可。当你告诉它”记住 XXX”时，它会自动写入合适的位置。定期（建议每隔几天）可以让 Agent 审查 MEMORY.md，删除过时内容，将详细材料提炼为摘要。
  • MEMORY.md有长度限制，默认12000字节，超过会截取，太长时一般自动将详细内容移回 memory/*.md，或在 MEMORY.md 中只保留精简摘要。

当龙虾说：”我记住了”，问问它”你记到哪里了，文件发我看看”。基本上能解决偷懒现象。  

第三部分：上下文管理

上下文中包含的内容

每次 API 请求发送的上下文包含：

  • 当前对话的历史消息
  • 引导提示（Bootstrap prompt）
  • 已加载的 MEMORY.md 内容
  • 已加载的 daily notes 内容
  • 工具定义和调用历史
  • 系统指令  
    用 /context list可以查看

**默认每天4:00会清空上下文，”睡一觉失忆了” **
/reset /new 也具有有类似效果    

解决方法：将自动会话重置条件改成空闲7天

1
2
3
4
5
6
7
8
"session": {
  "dmScope": "per-channel-peer",
  reset: {
    mode: "idle",
    idleMinutes: 10080
  }
},

idle,10080表示空闲7天后重置
per-channel-peer表示会话按照通道+发送者的区分独立

找回上下文

  1. 方法一：在你的聊天软件记录中，手动复制发给它
  2. 方法二：让它自己找，聊天记录完整版在.openclaw/agents/xxx/sessions/*.jsonl 按照更新时间和大小筛选

默认引擎的处理方式

OpenClaw 默认使用 LegacyContextEngine 进行上下文管理。当对话变长、接近上下文窗口上限时，会触发自动压缩（Auto-compaction）：

  1. 评估哪些消息可以安全压缩或移除
  2. 保留关键信息和结论
  3. 用摘要替代原始对话记录
  4. 释放上下文空间继续对话

无损上下文：lossless-claw 插件

默认的压缩方式会丢失部分对话细节。如果你希望无损保留所有对话历史，可以安装 lossless-claw 插件：

1
openclaw plugins install @martian-engineering/lossless-claw

在对话框中输入 /lcm确认有没有生效，应该看到

1
2
3
enabled: yes
selected: yes (slot=lossless-claw)
...

如果没生效，检查配置文件是否包含

1
2
3
4
5
6
7
{
  "plugins": {
    "slots": {
      "contextEngine": "lossless-claw"
    }
  }
}

lossless-claw 的工作原理：

  • 将每次交互存储在持久化数据库中
  • 将旧内容增量摘要为层级有向无环图（DAG）
  • 不删除任何信息，只提炼关键结论
  • Agent 可以动态重构详细上下文（按需展开摘要）
  • 保留完整的对话历史，而非删除后不可恢复

注意：lossless-claw 不会写入 MEMORY.md，只管理会话压缩过程。

第四部分：长期记忆与记忆搜索

查看memory目录

检查 ~/.openclaw/workspace/memory 目录，这些是长期对话积累下来的核心记忆文件。  
如果配置妥当，这些记忆文件都是龙虾回忆和检索信息的素材。

开启长期记忆功能

memory-core是内置插件，负责读取和搜索记忆文件，提供 memory_search 和 memory_get 两个工具，启用方法
在 openclaw.json 中配置：

1
2
3
4
5
6
7
{
  "plugins": {
   "memory-core": {
     "enabled": true
   }
}

配置记忆搜索和本地向量模型

向量模型是什么？
直观演示

memorySearch 是 memory-core 插件的行为配置
在 openclaw.json 中配置：

1
2
3
4
5
6
7
8
9
{
  "agents": {
    "defaults": {
      "memorySearch": {
        "provider": "local"
      }
    }
  }
}

其中 provider: "local" 使用本地向量模型进行语义搜索，无需外部 API。  
需要安装node-llama-cpp并下载本地向量模型 hf_ggml-org_embeddinggemma-300m-qat-Q8_0.gguf

1
2
3
npm install node-llama-cpp
cd ~/.node-llama-cpp
npx --no node-llama-cpp pull --dir ./models hf:ggml-org/embeddinggemma-300m-qat-Q8_0-GGUF

查看当前记忆状态

1
2
# 查看记忆文件大小和状态
openclaw memory status

建立索引数据库

首次配置后，手动使用向量模型对记忆库内容建立索引

1
2
3
4
5
# 索引记忆文件
openclaw memory index

# 重建所有记忆文件索引
openclaw memory index --force

后续监测memory文件夹，变动后自动更新索引

1
2
3
4
5
6
7
8
9
10
11
12
13
{
  "agents": {
    "defaults": {
      "memorySearch": {
        "provider": "local",
        "sync": {
          "watch": true,
          "watchDebounceMs": 1500
        }
      }
    }
  }
}

第五部分：Dreaming 做梦机制

什么是 Dreaming

Dreaming 是 OpenClaw v2026.4.5 引入的实验性记忆巩固框架，灵感来源于人类睡眠机制。Agent 在后台（类睡眠状态）自动整理、提炼和强化记忆，帮助自己在”醒来”时拥有更清晰可用的记忆系统。

工作原理

Dreaming 模拟人类睡眠的三个阶段：

阶段 类型 功能
浅睡 摄入（Ingestion） 消化当日记忆文件
REM 模式识别 识别重要模式和关联
深睡 记忆强化 将重要内容提升到长期记忆

Dreaming 的输出

Dreaming 会在工作空间生成 DREAMS.md 文件（如果存储包含内联输出），记录：

  • REM 睡眠摘要
  • 做梦期间的强化信号
  • 用于深度排序的记录

注意：Dreaming 不会写入 MEMORY.md，只写入 DREAMS.md 供人类审查。

开启 Dreaming

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
{
  "plugins": {
   "memory-core": {
     "enabled": true,
     "config": {
       "dreaming": {
         "enabled": true,
         "frequency": "0 3 * * *",
         "timezone": "Asia/Shanghai"
       }
     }
   }
}

# 重启 Gateway
openclaw gateway restart

查看Dreaming 日志

Dreaming 运行后
主要查看.openclaw/workspace/memory/dreaming目录内容
也可以查看生成的 DREAMS.md（仅供娱乐）：

1
cat ~/.openclaw/workspace/DREAMS.md

也可以在控制台查看

第六部分：知识库

OpenClaw 支持多种知识库集成，实现超越纯文本记忆的结构化知识管理。

内置知识库：OpenClaw Wiki

OpenClaw自带的memory-wiki 插件，基于md文件打造 Wiki 知识库，官方文档。开启方法：在 openclaw.json 的 plugins.entries 部分设置

1
2
3
4
5
6
7
8
9
10
{
  "plugins": {
    "entries": {
      "memory-wiki": {
        "enabled": true
      }
    }
  }
}

知识库文档存放在~/.openclaw/wiki/main/*.md
开启后Agent可用以下工具：

  • wiki_search — 知识库搜索
  • wiki_get — 读取知识页面
  • wiki_apply — 写入知识更新
  • wiki_lint — 检查知识库一致性

    功能较弱，但是节省资源，适合轻量级的个人知识库

外部知识库：RAGFlow

RAGFlow 是一个开源的 RAG（检索增强生成）引擎，可以与 OpenClaw 配合使用，实现更强大的文档理解和问答能力。
RAGFlow 支持丰富的文件格式，涵盖了办公文档、表格、幻灯片、纯文本、图像、邮件、音频、视频、网页等多种类型。

适合场景：

  • 大规模文档库检索
  • 复杂文档的语义理解
  • 企业知识管理

公司统一建立了RAGFlow https://ragflow.zhgcloud.com, 联系运维开通账号，获取资料，贡献资料  
Confluence上有使用指南，包括Skill安装和配置教程。

广泛征集知识库的贡献者

外部知识库：Get笔记

Get笔记（biji.com）开放平台，支持将笔记内容接入 OpenClaw：

1
clawhub install getnote

安装完成后说「请帮我授权 Get笔记」，AI 自动生成授权链接，点击完成登录，无需手动配置 API Key。

配置后可以通过 Skill 调用 Get笔记的读取、搜索和写入功能。

外部知识库：IMA 笔记

ima（全称 ima.copilot）是腾讯推出的一款以知识库为核心的 AI 智能工作台，可以通过其开放 Skill 与 OpenClaw 集成    
官方ima skil

1
2
3
请安装 ima 技能
下载地址：https://app-dl.ima.qq.com/skills/ima-skills-1.1.7.zip
API Key 获取：https://ima.qq.com/agent-interface

获取API Key，发给小龙虾以完成配置。  

第七部分：当 Agent “想不起来”和”不知道”时怎么办

有时候 Agent 会说”我想不起来了”，这时候可以引导它去各个记忆系统中搜索。

搜索途径

搜索记忆文件
直接告诉它：”回忆一下XXX”或”在记忆里找找看”。
Agent 会使用 memory_search 工具进行语义搜索，即使用词不同也能匹配到相关内容。

搜索之前的对话记录
告诉它：”用 lcm_grep 搜索一下XXX”或”查一下seesion日志里最近聊的内容”。  
你要的会话历史一定在某个文件里存着。

搜索外部知识库
如果知识库已配置，告诉它：”去知识库里搜索一下”或”在 RAGFlow/Get笔记里找找XXX知识”。

上网搜索
告诉它：”你去查查XXX” “去详细调研一下”

示例对话

用户：你记得上周我们讨论的 OpenClaw 升级方案吗？
Agent：我想不起来了…
用户：去记忆里搜索一下 / 用lcm grep搜一下XX
Agent：memory_search 搜索中lcm_grep…找到了！上周我们讨论了…

总结

OpenClaw 的记忆系统设计精妙，通过三层架构实现了”无隐藏状态”的纯文本持久化：

  1. 会话上下文：活跃对话缓冲区，由 LCM 管理
  2. 长期记忆：每日笔记，md文件资料库
  3. 核心记忆：精心提炼的 MEMORY.md

配合 lossless-claw 实现无损压缩、Dreaming 实现睡眠式记忆整理、以及多种知识库集成，构成了一个完整的长期记忆管理生态系统。

善用这些机制，可以让 AI Agent 真正做到”记得住、记得准”。

祝各位的虾/马不忘初心！

本文基于 OpenClaw 2026.5.x 版本编写

📌 博客地址

OpenClaw记忆机制详解