OpenClaw记忆机制：Agent持久化会话深度评测
你已经让 OpenClaw 能够回复消息、接入通道并编写 Skill 后，接下来最常遇到的困惑往往不是“它能不能回答”，而是——
为什么每次对话都像第一次认识你。
很多 Agent 产品把这个能力包装成“长记忆”。但在 OpenClaw 里，问题的本质非常直接：
数据被写在了哪里，以及能否稳定地被系统检索到。
本篇不先铺陈抽象概念，而是带你快速搭建一个最小化的记忆闭环。
一、明确本篇起点与验收标准
你的起点状态
- OpenClaw 已在本地稳定运行
- 已能与 Agent 进行正常对话
- 你希望它记住长期偏好，而不必每次重新交代
本篇完成标志
学完后，你应当能回答以下 3 个核心问题：
- 哪些信息应当写入
MEMORY.md - 哪些信息应当写入
memory/YYYY-MM-DD.md - 为什么 session 不等于 memory
二、先构建一个最小记忆闭环
不要急着研究 embedding 与搜索参数，先做一个简洁但立即可用的练习。
练习目标：让 Agent 同时记住两类信息——一个稳定的长期偏好，以及一个仅限当天的短期进展。
例如，在私有会话中明确告诉它：
- 长期偏好：
以后编写技术文章时，先给结论再补充原因，禁止使用夸张标题。 - 当天进展：
今天需要将 OpenClaw 第 4 篇和第 5 篇重写成更适合新手的版本。
接着验证两个行为：
- 新建一个私有 session 后，询问“我写技术文章时有什么固定偏好？”
- 再问“我今天在推进什么任务？”
理想的结果不是一字不差的复述，而是：长期偏好能被稳定召回，当天进展表现为短期上下文（主要从 daily log 中提取）。当这两个层次出现明显分离，说明你已在使用真正的记忆系统，而非仅靠模型上下文硬背。
三、OpenClaw 的记忆不是抽象概念，而是文件
官方 memory 文档的核心思想非常直接：OpenClaw 记忆的事实来源是 agent workspace 中的 Markdown 文件。
默认布局包含两层：
memory/YYYY-MM-DD.md：每日日志，追加写入；session 启动时通常加载今天和昨天的记录。MEMORY.md：长期整理后的记忆，适合存放稳定偏好、规则和长期事实；默认仅在主私有会话中加载，不进入群聊上下文。
这也是 OpenClaw 区别于多数记忆型产品的关键差异：你不是把“记忆”交给一个不可见的黑盒，而是将其沉淀为可查看、可编辑、可备份的物理文件。
四、何时写入 MEMORY.md，何时写入 daily log
一个最简单的判断标准：
写入 MEMORY.md：长期偏好、不频繁变动的事实、反复使用的约定。
写入 memory/YYYY-MM-DD.md：当天讨论的内容、某个任务的临时进展、尚未沉淀为长期规则的信息。
用一句话概括：三天后大概率仍成立的内容，优先考虑 MEMORY.md；仅对今天及最近几天有意义的内容，优先写进 daily log。
五、Agent 如何读取这些记忆
OpenClaw 目前暴露了两个关键工具：
memory_search：用于语义检索相关记忆片段。memory_get：用于精确读取某个 Markdown 文件或指定范围。
一个很实用的细节：如果文件不存在，memory_get 不会直接抛出 ENOENT 错误，而是优雅地返回空内容。这意味着“今天尚未有任何记录”会被视为正常状态，不会导致流程中断。
六、Compaction 前为何还要提醒模型写记忆
OpenClaw 的记忆设计中，还有一个容易被低估的机制：pre-compaction memory flush。
具体来说，当 session 即将达到 auto-compaction 阈值时，OpenClaw 会触发一个静默的 agent turn，提醒模型在上下文被压缩前，将值得保留的长期信息写入 memory 文件。
这个机制解决了三个工程问题：
- 上下文压缩时，重要信息不会被直接丢弃
- 长期记忆能从会话缓存沉淀到磁盘文件
- 记忆沉淀不依赖每次人工手动提醒
默认提示通常引导模型在不需要回复用户时返回 NO_REPLY，因此用户通常看不到这次静默刷新。
七、记忆检索不止向量检索
许多文章提到 memory search 时只强调 embedding。OpenClaw 则做了更细的划分：
- 支持向量检索：可对
MEMORY.md和memory/*.md建立索引。 - 支持 hybrid search：结合向量相似度与文本检索信号。
- 支持 MMR 去重：当 daily note 数量多且内容高度相似时，MMR 能减少“搜出来的全是雷同片段”的问题。
- 支持 temporal decay：旧记录因时间衰减而降低排序权重，确保昨天的新内容不会被半年前的旧记录压过。
这说明 OpenClaw 在记忆检索上真正关注的是：相关性、多样性与时效性。
八、Session 与记忆的边界不能混淆
这是新手最容易犯的错误之一。
Session 更像是当前会话的运行容器，包含消息历史、工具结果和生命周期事件。而 memory 是跨 session 的长期沉淀。官方文档虽然提到 session transcript 可以实验性索引进 memory_search，但这属于 opt-in 能力，且仍应将磁盘访问视为信任边界。
因此更稳健的理解是：session 是运行轨迹，memory 是沉淀后的长期知识。不要把全部 session 内容都当作长期记忆，否则检索迟早会被污染。
九、真正该先掌握的，不是 embedding 参数，而是记忆纪律
想用好 OpenClaw 的记忆，最关键的不是研究 provider 配置，而是建立以下判断框架：
- 哪些信息值得长期保留
- 哪些信息只是当天上下文
- 哪些旧信息应该被时间衰减
- 哪些记忆只适合私有场景，不应进入群聊上下文
换句话说：会话只是活水，记忆才是水库。
十、新手的最小记忆检查清单
如果你今天就想确定自己是否用对了记忆系统，请自检以下 5 项：
- 是否已将长期偏好写入
MEMORY.md - 是否已将当天进展写入 daily log
- 是否已经在新 session 中验证这些信息能被召回
- 是否避免将群聊内容直接当作长期记忆
- 是否将 session 和 memory 视为两个独立层次
完成这一步后，再去研究 embedding、hybrid search 与 compaction 参数，顺序才是正确的。
十一、这一篇之后，你该建立什么认知
学到这里，你应该把 OpenClaw 的记忆理解为：它不是“模型突然记住了你”，而是系统将长期信息稳定地写入文件，并在适当时机将其召回。
下一篇，我们将从单个 agent 继续向前，看一个 Gateway 如何同时托管多个隔离 agent。
参考链接
- Memory：https://docs.openclaw.ai/concepts/memory
- Multi-Agent Routing：https://docs.openclaw.ai/concepts/multi-agent
- Agent Loop：https://docs.openclaw.ai/concepts/agent-loop
这一篇属于 OpenClaw 系列的「进阶」阶段。
上一篇：OpenClaw Skill 实战：写一个真正可用的 SKILL.md
下一篇：OpenClaw 多 Agent 路由：一个 Gateway 如何托管多套工作人格