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。



本文不讲代码, 尽量以非专业术语的方式说清相关事实

openclaw的全球爆火, 创始人都没想到, 程序员也没想到, 非程序员也没想到. 怎么突然就github star超过linux了, 虽然一部分归功于自媒体的宣传, 但是这个项目自身肯定也是有一定价值的.

我应该是第一批vibe coding的人了, 我也是从开始知道生成式模型的, 比很多大能晚, 但是比大部分普通人还是早的, 应该算是一个早期玩家, 我能找到的自己最早的blog是这篇:

哈哈, 后来写了openai-billing-query, 虽然只有128个star, 但是对于当时只了解一点html css js的我是个奇妙的初体验.

言归正传

智能体的概念不是从openclaw开始的, 从ai模型开始开始, 人们就想着适用场景. 单纯的对话并不能产生颠覆性价值.

openclaw现在被很多人熟知就是因为它能做很多事, 比如改文件, 操作应用, 在mac上使用applescript来调用apple提醒, apple日历, apple email等等.

其实这都是小手段, claude code也会, 包括浏览器操控也是, 那也是基于已有技术的.

接入聊天软件这种, 也都是小儿科, 从时代就能了.

你要说computer use功能, 虽然现在部分模型原生支持, 但是openclaw并没有使用它们, 所以openclaw用低质模型也能跑.

openclaw最颠覆的, 我个人觉得, 或者说大家比较公认的, 是把RAG记忆系统和上面那些结合起来.

这不是简单的上下文窗口堆积，而是一个精心设计的、分层的、可持久化的记忆架构。

claude code能做很多事, 写代码, 改文件, 排查服务器故障, 调用脚本, 但是它没记忆. 所以有一个全局, 每个项目需要一个子, 这对于之前的编程工具来说已经是极大创新了, 让cursor直接跑了好多用户. 为什么claude code没达到openclaw这样全民皆知? 除了偏向编程, 记忆系统也许就是那个不能直接看到的原因.

至少目前来说, 这是不可能的, 原因有下:

1. 刚发布的有的上下文, 很长了吧, 实际在左右的时候, 幻觉就很严重了, 我的自行测试与体验, 再强的模型内部上下文召回也没用, 这是硬性问题
2. 除了幻觉, 使用成本也要考虑, 全球能源紧张, 算力紧张, 上下文自由遥遥无期

记忆让openclaw可以像一个虚拟人.

• 它知道它是谁, 它叫什么, 它的办事风格.
• 它知道你是谁, 你和某人的关系, 你的工作, 你的爱好, 你的倾向.
• 它在一件事做错并被纠正后, 下次可以减少犯错的几率.
• 它可以固化某一段记忆, 比如你只需要告诉它"帮我把这个文章发到xxx平台, xxx论坛", 它就直接帮你发好, 不需要每次都给它发送方式, api接口, api密钥等等.

这才是openclaw能火的根本原因. 它开始不仅能做, 还能学.

openclaw默认采用RAG 双轨记忆模型. 并且没有使用以前对于ai常用的Milvus, Pinecone那种向量数据库.

1. 本地优先, 优先考虑隐私保护, 高度透明和用户掌控权.
2. 文件优先, markdown是唯一事实来源, 这不仅方便加入到上下文, 还方便了用户可以手动修改, 随时更正.
3. sqlite本地引擎, sqlite是个本地数据库, 大部分应用, 手机内部都是这个数据库, 比如微信, 等等, 我们平常开发软件也会很常用. openclaw采用(结合扩展)来构建极度轻量的rag引擎, 它把markdown文档chunking(切块), 生成embedding(向量嵌入), 然后存在本地sqlite进行快速检索, 这样 索引+详情的架构, 可以综合速度和质量, 并且本地sqlite也保证了隐私.
4. 混合检索, 融合了语义向量和关键词匹配(BM25), 即根据意思, 也根据单次, 很好的平衡了召回率和精确度
5. ai自主调用记忆, 上面的历史记录和索引, 虽然架构很好了, 但是长期对话对于上下文来说还是过长, 所以openclaw将系统封装成和, 一个搜, 一个读, ai根据我们对话, 自主判断要"回想"哪些记忆.
6. 智能缓存和增量同步, 我们已有的记忆要缓存, 新的记忆要更改, 总不能每次全部清空记忆去新增. 所以openclaw只对memory的文件里新增部分进行重新embedding, 配合防抖, 降低了embedding模型的使用成本和系统cpu资源
7. 向量模型, 支持本地和云端, 自动降级.
8. 记忆文件分成 短期工作记忆(memory/2026-03-06.md)和长期精炼记忆(MEMORY.md和SOUL.md, USER.md等等)
9. 支持多Agent路由, 不同渠道可以使用不同的记忆空间
10. 通过分层信任&沙盒隔离&选择性遗忘来抵抗提示注入与污染

通过以上模型, 把复杂的技术藏在了基本的markdown文件下, 即有长期记忆, 又考虑到了隐私和成本问题.

这套起效的关键点在于:

1. 需要配置memorySearch模型
2. 需要让心跳任务把对话里的重要信息记录到当天
3. 定期整理前天记录里的长期事实和记忆, 人物偏好等, 提取到长期记忆文件

这套起效的关键点在于:

1. 需要手动配置合适的
2. 默认是3条记忆召回和记忆全部内容

根据我几天的实践, 400刀左右消耗, 我感觉不合适. 原因如下:

1. 乱召回, 由于只是基础的算法, 导致我问一个:, 会召回300字左右的: 论坛配置, 我的编程偏好, 我老婆的人物关系......污染上下文, 让ai回答的更不准, 上下文长了幻觉重了后, 突然就不知道要怎么回复了.
2. 消耗大, 乱召回带来的上下文额外增大(单个对话输入18w tokens), embedding花费等, 导致成本很高

成本高效果还不好, 我建议别试了.

1. Graphiti 时序知识图谱, 对于时间会有很强感知, 比如昨天, 三天前, 上周, 它能准确提供对应记忆
2. VecLite , 超轻量, 比sqlite+embedding还轻, 可能适合树莓派那种设备

如果想测试, 可以考虑在主openclaw设备外额外添加一个测试效果. 因为切换记忆系统会影响已存记忆, 一般需要清空重建向量数据库

仅供参考.

今天周日, 昨晚调整记忆一直通宵弄到早上10点, 研究文档, 研究逻辑, 中午才睡, 下午4点起床敲了这么多字, 基于本人的浅薄认知. 希望能给诸位提供点参考意义.