OpenClaw 记忆系统深度解析：从 MEMORY.md 到知识图谱

大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。

 <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>

这是 OpenClaw 最独特也最容易翻车的部分。

OpenClaw 实现了一套基于文件的、Markdown 驱动的记忆系统，具备语义搜索能力。其核心哲学简洁而强大：文件就是真相源——AI Agent 只保留写入磁盘的内容。

OpenClaw 不会重新训练 Claude 或 OpenAI 的模型。它通过写入和检索你的记忆文件来实现适应。所有的 Agent 记忆都以纯文本 Markdown 形式存储在本地目录中，结构故意保持简单，让开发者一眼就能看懂。向量索引并非真相源——文件才是。

但这种透明简洁的设计有一个隐性代价：使用 OpenClaw 的时间越长，记忆效果反而越差。 它记住了你告诉它的一切，但对其中的关系一无所知。问题不在于存储，而在于结构。

2.1 双层记忆：长期事实 + 每日日志

OpenClaw 的记忆分为两层：

—— 每日笔记，原始运行日志，记录当天发生的事情。
—— 长期记忆，更精心策划且稳定。

目录结构如下：

GPT plus 代充 只需 145

每日笔记相当于日志。它们适用于跨越几天的连续性工作，尤其是当你进行大量来回讨论时。你可以打开昨天的文件，查看讨论了什么以及做出了哪些决定。

而 MEMORY.md 应该保持精简和"冷静"。它是你希望长期保持真实的内容。

💡 **实践：如果你让 MEMORY.md 变成日记，它会变得嘈杂且不太有用。如果你保持策划，就能获得强大的"从上次中断处继续"行为，即使是几个月之后。

2.2 记忆的写入机制

记忆有两种写入方式：

方式一：显式告知
你告诉它记住某些东西，它就写下来。就这么简单。

方式二：自动压缩前刷盘（Memory Flush）

当会话接近自动压缩时，OpenClaw 会触发一个静默的代理轮次，提醒模型在上下文被压缩之前写入持久记忆。默认提示明确指出模型可以回复，但通常是正确的响应，这样用户永远不会看到这一轮。

配置示例：

具体触发时机为：当会话接近阈值（计算方式为）时触发。对于 200K 的上下文窗口，使用默认设置（20K 预留、4K 软阈值），这大约在 176K token 时触发。

2.3 记忆的读取：向量索引 + 语义搜索

OpenClaw 可以在 MEMORY.md 和 memory/*.md 上构建一个小型向量索引，使语义查询能找到相关笔记，即使措辞不同。

其内置系统将记忆文件切分为大约 400 token 的块，重叠 80 token，然后嵌入每个块并存储在本地 SQLite 支持的索引中。查询时，它对这些块进行语义搜索并返回**结果。

如果所有嵌入提供者都失败，系统会优雅地降级为仅关键字的 BM25 搜索，而不是完全中断。

2.4 启动加载机制

MEMORY.md 是一个工作区引导文件——它在会话开始时与 AGENTS.md、SOUL.md、USER.md、TOOLS.md 等一起注入到系统提示中。唯一不获取 MEMORY.md 的会话是子代理和定时任务。所有其他会话（主聊天、群聊、论坛主题）都会自动获取 MEMORY.md。

经过数周在多个项目中使用 OpenClaw 后，你有了数百条记忆条目。当你提问时，Agent 检索到相似的文本，但无法推理关系。它无法跨对话连接事实。

经典场景：Alice 问题

周一，你提到 Alice 管理 auth 团队。周三，你问"谁处理 auth 权限？"Agent 知道 Alice 存在，知道 auth 存在，但无法将它们连接起来。它检索到两条记忆，但不理解 Alice 管理 auth。现在将这个问题乘以几十个人、项目和依赖关系，问题就会复合放大。

三大典型痛点

痛点根因 上下文压缩丢失：长会话中，记忆在上下文压缩时被“遗忘” 记忆被注入上下文窗口，压缩时被截断 跨项目噪声：跨多个项目工作时，搜索返回其他上下文的不相关结果缺乏项目级隔离 无关系理解：纯 Markdown 不捕获概念之间的语义连接只存文本，不存结构

这与语义搜索有本质区别。图谱理解的是结构，而不仅仅是相似性。

4.1 Cognee 是什么？

Cognee 是一个面向 AI Agent 的记忆引擎，它从数据中构建知识图谱并使其可搜索。这是一种简单而强大的方式来构建能够随时间记住和使用信息的 AI Agent。

Cognee 添加了一个知识图谱层来捕获这些关系。Markdown 文件保持原样。图谱在后台运行，提取结构并支持更智能的检索。

4.2 插件工作原理

OpenClaw 的 Cognee 插件增强你的现有记忆而不替换它。启动时——扫描你的和文件，处理新文件进入图谱，更新变更的文件，跳过未变更的文件。自动回忆——每次 Agent 运行前，搜索知识图谱获取相关记忆，通过遍历关系而非匹配相似文本来注入上下文。自动索引——每次 Agent 运行后，将任何记忆变更同步回 Cognee。你的 Markdown 文件保持原样。基于哈希的变更检测意味着只有修改过的文件才触发更新。

4.3 三步安装

第一步：启动 Cognee

GPT plus 代充 只需 145

第二步：安装 OpenClaw 插件

第三步：配置

在 OpenClaw 配置文件中添加：

GPT plus 代充 只需 145

配置完成后，你的 OpenClaw 记忆文件就有了 Cognee 知识图谱的支持。记忆会自动跨 OpenClaw 会话持久化。

手动操作命令：

4.4 效果对比：有无图谱的天壤之别

重新审视 Alice 场景：第 1 周你说“Alice 管理 auth 团队”，Cognee 提取：。第 2 周“我们在 staging 上遇到权限问题”，Cognee 提取：。第 3 周你问“关于 auth 权限我应该找谁？”没有图谱时，OpenClaw 搜索相似文本，Agent 解析块来推断连接。有了图谱，Cognee 遍历：，Agent 获得结构化上下文。

GPT plus 代充 只需 145

4.5 Cognee 的六阶段管道

构建知识图谱，这是核心操作。它运行六阶段管道：分类文档、检查权限、提取块、使用 LLM 提取实体和关系、生成摘要，然后将所有内容嵌入到向量存储并将边提交到图谱。只有新的或更新的文件在重新运行时被处理。

在摄入后细化图谱。它修剪陈旧节点、加强频繁连接、基于使用信号重新加权边，并添加派生事实。这就是 Cognee 自我改进的地方：记忆不是静态存储，而是基于反馈和交互轨迹演进的结构。

5.1 Mem0 是什么？

Mem0（“mem-zero”）用一个智能记忆层增强 AI 助手和 Agent，支持个性化的 AI 交互。它记住用户偏好，适应个人需求，并随时间持续学习。

与 Cognee 的核心区别：MEMORY.md 文件被加载到上下文窗口中，这意味着上下文压缩可以在对话中途对它们进行总结或截断。Mem0 将记忆存储在外部，完全独立于上下文窗口。

5.2 Mem0 插件的双引擎

该插件在每次对话轮次上运行两个进程：Auto-Recall 在 Agent 响应之前搜索 Mem0 中与当前消息相关的记忆。匹配的上下文（偏好、过去的决策、项目细节）被注入到 Agent 的工作上下文中。这在每一轮都会发生，因此即使压缩截断了对话窗口，下一个响应仍然可以访问 Agent 关于你学到的一切。

5.3 安装配置 Mem0

配置：

GPT plus 代充 只需 145

如果你想使用开源版本，可以在插件配置中设置，然后自带嵌入器（Ollama、OpenAI）、向量存储（Qdrant、in-memory）和 LLM（Anthropic、OpenAI）。

5.4 Mem0 的研究成果

Mem0 是一种可扩展的以记忆为中心的算法，动态提取和检索关键对话事实——在 LOCOMO 基准测试中相对于 OpenAI 实现了 26% 的准确性提升，同时 p95 延迟降低 91%，token 使用量减少 90%。

Mem0ᵍ 通过将记忆存储为有向标记图来增强 Mem0。在提取阶段，传入消息馈入实体提取器以识别实体作为节点，关系生成器推断标记边。在更新阶段，冲突检测器标记重叠或矛盾的节点/边，LLM 驱动的更新解析器决定是添加、合并、失效还是跳过图元素。生成的知识图谱支持高效的子图检索和语义三元组匹配。

维度 Cognee Mem0 核心机制 知识图谱 + 向量混合向量记忆 + 可选图谱 数据源 读取 Markdown 文件构建图谱从对话中提取事实强项关系推理、遍历实体间连接跨会话持久化、抗压缩丢失 是否修改 Markdown 否，只读文件构建图谱否，独立存储 部署方式 Docker 自托管云平台 / 开源自托管 适合场景 多人协作、复杂项目依赖个人 Agent、长期偏好记忆

两者并不互斥，它们运行在不同的层上。Cognee 从你的 Markdown 文件构建图谱，Mem0 从对话中提取事实并存储在自己的向量数据库中。两者都在每次 Agent 运行前注入相关上下文。主要考量是 token 开销：两个检索系统各自向提示添加上下文意味着每次响应消耗更多 token。

8.1 记忆卫生守则

MEMORY.md 保持策划 —— 不要放临时信息，它是你的“宪法”
定期修剪每日日志 —— OpenClaw 记忆是强大的，但它不会自我清理。如果你从不修剪或总结，每日笔记会变得嘈杂。
显式优于隐式 —— 如果你想非常直接，可以这样说：“Add to USER.md that I want short answers and copy-pastable commands.”
出了错直接改文件 —— 如果 OpenClaw 记住了错误的东西，编辑它。如果某些东西已经过时，删除它。

8.2 何时升级记忆底层

使用几天：原始 Markdown + 向量搜索够用
使用数周：日志噪声增多，考虑安装 Cognee
跨多项目：关系推理需求增加，Cognee 图谱必备
抗压缩丢失：加装 Mem0，记忆独立于上下文窗口

OpenClaw 基于 Markdown 的记忆系统简单且透明。但对于复杂的长期运行项目——关系至关重要的场景——这种简单性有其局限。

核心路径：

GPT plus 代充 只需 145

Cognee 和 Mem0 都读取你现有的 Markdown 文件。Markdown 层保持不变。这些插件在已有内容之上或旁边添加检索层。

记住：文件始终是真相源，图谱和外部记忆都是增强层。当你的 Agent 开始“忘事”或“连不上关系”时，不要怪它——升级记忆底层才是正道。

如果这篇文章对你有帮助，欢迎点赞、收藏、关注。有任何问题，评论区见。