<svg xmlns="http://www.w3.org/2000/svg" style="display: none;"> <path stroke-linecap="round" d="M5,0 0,2.5 5,5z" id="raphael-marker-block" style="-webkit-tap-highlight-color: rgba(0, 0, 0, 0);"></path> </svg> <p>最近 OpenClaw 挺火的&#xff0c;作为一个个人 Agent 产品&#xff0c;它的思路确实有点意思。今天咱们抛开那些天花乱坠的宣传&#xff0c;直接钻到它的“脑壳”里&#xff0c;看看它的记忆层到底是怎么跑的。</p> 

说真的，OpenClaw 并没有去折腾那些玄乎的向量数据库，而是反其道而行之：纯 Markdown 文件 + 混合搜索。很多人被它那个能记起几周前聊了啥的“持久记忆”给惊艳到了。它不像传统的 RAG 喜欢把数据塞进向量黑盒，而是追求一种“简单粗暴”的透明度。

GPT plus 代充 只需 145

1. 核心逻辑：文件优先 (File-First)

• 看得见摸得着：你可以直接用 Windows 记事本或者 VS Code 去翻、去改你的记忆。
• Git 控的天堂：记忆也是文件，直接上 Git，版本管理不要太爽。
• 所见即所得：Agent 以后能记起什么，全看你硬盘里写了什么。

2. 也是“看碟下菜”：三层记忆设计

为了在“反应快”和“记得全”之间找平衡，它把记忆分成了三块：

• 短期记忆（每日日志）：
  就是 。这更像是一个“摆在手边的笔记本”，记的是今天的决策和当下的活儿。启动时，它会自动把“今天+昨天”的日记塞进大脑，保证它知道自己刚干了啥。
  
• 长期记忆 ()：
  这里存的是“家底”。你的偏好、项目的规矩、不能忘的死命令。为了安全，这玩意儿只有私聊时才加载，群聊里它是闭嘴的。
  
• 会话存档 ()：
  这就是完整的聊天流水账。它会用 LLM 自动给文件起一个挺贴切的名字。如果你开了 实验功能，它甚至能带你穿越回几周前的对话。
  

说到底，它觉得“只有写在磁盘上的才是真记忆”。这种透明感，比起那些动不动就搞向量分块的系统，确实让人心里踏实不少。

3. 混合搜索：别把“天才”给埋没了

OpenClaw 的检索算法默认是 7:3 的比例：

• 向量搜索 (70%)：负责“感性认知”。就算你词儿没对上，只要意思差不多（语义相似），它就能翻出来。
• 关键词搜索 (30%)：负责“死理儿”。报错代码、函数名这种东西，语义是没意义的，必须一个字符都不差地撞上。
  它底层的 SQLite 配合 插件，居然就把这一套给跑顺了。
  

这里有个细节：它用的是并集。意思就是，只要两边有一个觉得沾边，它就会把结果拉出来排排坐，而不是像某些保守的系统非要两边都同意才行。

公式长这样：

为啥不用那种流行的 RRF（倒数排名融合）？

这就是 OpenClaw 的性格所在了。RRF 像是个“端水大师”，它只看排名。不管你第一名比第二名强多少，在 RRF 眼里，第一就是第一，权重都是死的。

但 OpenClaw 这种加权得分融合更像是个“唯才是举”的严师。

• 场景：假设你搜“安装步骤”。向量搜索找到了一个匹配度 0.98 的完美文件；而关键词搜索因为文中反复出现“安装”，把一堆垃圾日志也排到了第一，但分数其实只有 0.5。
• 如果是 RRF：这两位“第一名”平起平坐，垃圾日志可能会干扰 AI。
• 在 OpenClaw 里：那个 0.98 的“天才结果”会被赋予极高的权重，直接一脚把 0.5 的“平庸第一”踢开。

简单来说，OpenClaw 更信任那些语义上高度相似的信号。对它这种个人助手来说，它更希望当你问出一句明确的话时，那个“最像”的答案能脱颖而出，而不是被一堆字眼重复的废话给“平权”了。

嵌入模型：本地优先，能省则省

它有一套自动选择的逻辑：本地模型(Gemma 300M) → OpenAI → Gemini。

通常它都会设置回退（Fallback）。本地没配就调 API，API 没钱了就退化成关键词搜索，反正不能让它彻底变成瞎子。

4. 上下文不够了？–记忆刷新机制

这是个挺巧妙的招数。当对话太长，马上要撑爆上下文窗口时，OpenClaw 不会干等着被截断。

在快到点儿（比如 200K 窗口跑到 176K）的时候，它会触发一个“静默刷新”。它会像个记性不好的学生在考卷收走前赶紧往小抄上补两笔一样，督促模型把重要的东西赶紧写进 目录。写完了，它才能放心地去清理旧的聊天记录。

5. 后台也就是这几张表

OpenClaw 没有去用那些沉重的专业数据库，全靠 SQLite 打通关。索引都存在 里，核心就五张表：

• : 记着文件路径和哈希，知道谁动过。
• : 存储分块文本、所属行号、所属文件、关联的 Embedding。
• : 专门存原始向量，算相似度就靠它。
• : 存储文本，为了让你搜关键词秒回。
• : 懒人神器，算过的向量直接存这，下次不用重复计算。

它的分块策略是每块 400 词，叠 80 词。这个数字挺中肯的，既保证了搜索的精确度，又不会让上下文显得太支离破碎。

数据流转全过程：

1. 扫描文件 -> 对比 。
2. 内容变动 -> 调用 chunkMarkdown 模块产生 。
3. 计算向量 -> 先查 ，不中则调 API 并存入 。
4. 建立索引 -> 将数据同步插入 (用于算距离) 和 (用于搜关键词)。
5. 搜索时 -> + 合力筛选 id -> 回 表拉取 text 和行号展示给用户。

说到底：OpenClaw 和传统 RAG 有啥区别？

当然了，现在也没几个产品还在用那种“上古时期”的单纯 RAG 了，但 OpenClaw 这种把“文件即真理”贯彻到底的做法还是挺有个性的。

记忆插件扩展：外挂大脑

社区也挺能整活，搞了一堆插件：

• mem0/openclaw: 想同步？用 Mem0 的云端托管。
• graphiti-memory: 喜欢知识图谱的可以玩这个。
• nova-memory: 把记忆塞进 PostgreSQL。

不过，有了openclaw的这个记忆系统也并不是最优的。有 Reddit 网友做了实验，GPT-4 执行任务时，OpenClaw 这种“暴力加载”模式其实挺烧 Token 的。

算笔账：原生 OpenClaw vs. 记忆优先 Agent

为什么贵？ 因为 OpenClaw 太“单纯”了。它倾向于每次说话都把当天的日志一股脑塞给 AI。这种做法细节最满，但钱包最疼。如果你真的想长用，我建议你可以试试那个 Mem0 插件，它能帮你省下至少 90% 的 Token，还能解决那个“强制刷新”也救不回来的深层遗忘问题。

安全：你的记忆在裸奔吗？

最后说个严肃的。这种“文件优先”带来的便利，其实也是个安全隐患。
思科研究过，现有的 Agent 技能里，26% 都有漏洞。1Password 的评估更狠：偷你一个 API 密钥也就罢了，如果把你那个存着“你是谁、你在干嘛、你跟谁聊过”的所有 Markdown 文件全都卷走，那才叫真正的“开盒”。

当你觉得本地纯文本很方便的时候，在黑客眼里，这也就是一个复制粘贴的事。提示注入这些难题，至今也没个完美的解。

总结

OpenClaw 选了一条很有个性的路：它不要那种高大上的数据库管理，它要的是透明度、可控性和那种“我也能改改”的掌控感。

这种“文件即真理”的写法，在企业架构眼里可能不够严谨，但在一个运行在你自己电脑上的个人助手身上，它提供了一个难得的窗口。你能清清楚楚地看到，这个每天陪你聊天的 AI 文章，到底“知道”了你多少秘密。至于它是真的记住了你，还是只是在磁盘上记了一笔账，那就看你怎么定义“记忆”了。