OpenClaw【四、记忆系统】

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。

在 OpenClaw 2026 版本中，记忆与上下文管理（Memory & Context） 是其区别于普通聊天机器人的核心能力。它不仅仅是一个简单的“历史记录”，而是一个分层的、可检索的、支持自定义逻辑的知识库系统。

OpenClaw 的记忆架构分为三层：

短期记忆 (Short-term Memory)：当前对话窗口的原始上下文（Token 限制内）。
长期记忆 (Long-term Memory / RAG)：基于向量数据库的历史对话摘要和关键事实。
工作记忆 (Working Memory)：当前任务执行过程中的临时状态（如：正在处理的文件名、上一步的报错信息）。

以下是配置详解与自定义记忆逻辑实现的保姆级教程。

首先，你需要在 config.yaml 中启用并配置记忆模块。OpenClaw 默认支持多种向量数据库后端（Chroma, Milvus, FAISS, Qdrant）。

1. 基础配置示例

memory: # 是否启用长期记忆 enabled: true

# 向量数据库后端选择: ‘chroma’ (默认，轻量), ‘milvus’, ‘qdrant’, ‘faiss’ backend: chroma

# 向量数据库连接配置 vector_store:

GPT plus 代充 只需 145chroma: persist_directory: ./data/chroma_db # 本地持久化路径 # 如果是远程服务: # host: localhost # port: 8000

# 嵌入模型 (Embedding Model) - 用于将文本转化为向量 # 推荐使用本地 Ollama 运行的 embedding 模型，如 nomic-embed-text 或 m3e embedding:

provider: ollama model: nomic-embed-text:latest base_url: http://localhost:11434

# 记忆检索策略 retrieval:

GPT plus 代充 只需 145# 每次对话自动检索的最大相关片段数 top_k: 5 # 相似度阈值 (0-1)，低于此值的内容不被视为相关 threshold: 0.75 # 时间衰减因子：越旧的记忆权重越低 (0.0-1.0) time_decay: 0.95

# 记忆维护策略 maintenance:

# 当对话轮数超过此值时，触发自动摘要并存入长期记忆 summary_threshold: 10 # 自动清理超过 N 天的原始日志 (可选) retention_days: 30

理解流程是自定义逻辑的前提：

用户输入 -> 预处理 (清洗、脱敏)。
检索 (Retrieve)：根据用户输入，在向量库中搜索 Top-K 相关历史记忆。
增强 (Augment)：将检索到的记忆 + 当前对话 + 系统提示词 (System Prompt) 组装成完整的 Prompt。
生成 (Generate)：LLM 基于完整 Prompt 输出回复。
存储 (Store)：
- 将当前对话追加到短期上下文。
- 如果达到 summary_threshold，触发后台异步任务：调用 LLM 对近期对话进行摘要，提取关键实体（人名、地点、任务状态），存入向量库。

OpenClaw 允许开发者通过 Python 脚本完全接管记忆的写入、读取和遗忘逻辑。这是实现“个性化 AI”的关键。

场景：实现一个“用户偏好记忆”系统

目标：当用户说“我喜欢喝美式咖啡”时，AI 不仅记住这句话，还要将其标记为 PREFERENCE 类型，并在未来任何涉及饮料的对话中优先调用。

步骤 1：创建自定义记忆处理器

在 skills/custom/ 目录下创建 custom_memory.py。

GPT plus 代充 只需 145# skills/custom/custom_memory.py from openclaw.memory.base import BaseMemoryHandler from openclaw.core.llm import get_llm_client from openclaw.utils.logger import logger import json from datetime import datetime

class UserPreferenceHandler(BaseMemoryHandler):

""" 自定义处理器：专门处理用户偏好类记忆 """ def __init__(self, config): super().__init__(config) self.category_tag = "USER_PREFERENCE" self.llm = get_llm_client() async def should_save(self, message: str, context: dict) -> bool: """ 判断当前消息是否需要存入特殊记忆库 逻辑：让 LLM 判断这句话是否包含用户偏好 """ prompt = f""" 判断以下用户输入是否表达了明确的个人偏好（如喜欢/讨厌的食物、颜色、工作方式等）。 如果是，返回 JSON: {{"is_preference": true, "content": "提取的核心偏好"}} 如果不是，返回 JSON: {{"is_preference": false}} 用户输入: {message} """ response = await self.llm.generate(prompt, temperature=0.1) try: data = json.loads(response.strip()) return data.get("is_preference", False) except: return False async def process_and_save(self, message: str, context: dict): """ 执行具体的保存逻辑 """ # 1. 提取结构化数据 extract_prompt = f"从 '{message}' 中提取偏好主题和具体内容，格式为 JSON: {{'topic': '...', 'detail': '...'}}" extracted = await self.llm.generate(extract_prompt, temperature=0.1) # 2. 构建记忆元数据 memory_entry = { "text": message, "metadata": { "type": self.category_tag, "timestamp": datetime.now().isoformat(), "source": "user_explicit", "extracted_data": json.loads(extracted) } } # 3. 写入向量库 (带特定标签) # OpenClaw 底层支持 add_documents 方法，可传入 metadata 过滤 await self.vector_store.add_texts( texts=[message], metadatas=[memory_entry["metadata"]], ids=[f"pref_{datetime.now().timestamp()}"] ) logger.info(f"💾 已保存用户偏好记忆: {message}") async def retrieve_relevant(self, query: str, top_k: int = 3): """ 自定义检索逻辑：优先检索偏好类记忆 """ # 使用 metadata 过滤，只查找 type=USER_PREFERENCE 的记录 results = await self.vector_store.similarity_search( query=query, k=top_k, filter={"type": self.category_tag} ) return results

注册处理器

在 OpenClaw 启动时，需要在 config 或主程序中注册这个 Handler

通常在 main.py 或 plugins 入口

def register_custom_memory(app):

GPT plus 代充 只需 145handler = UserPreferenceHandler(app.config.memory) app.memory_manager.register_handler("preference", handler) logger.info("✅ 用户偏好记忆处理器已加载")

步骤 2：在主程序中注册自定义逻辑

修改 main.py 或在 plugins/init.py 中引入：

# main.py (片段) from skills.custom.custom_memory import register_custom_memory

def start_openclaw():

GPT plus 代充 只需 145# ... 初始化配置 ... app = OpenClawApp(config) # 注册自定义记忆逻辑 register_custom_memory(app) # 启动服务 app.run()

步骤 3：在 Agent 提示词中调用自定义记忆

为了让 AI 真正“使用”这些记忆，需要修改 Agent 的 System Prompt (agents/default_agent.yaml)。

agent: name: “PersonalAssistant” role: |

GPT plus 代充 只需 145你是一个贴心的个人助理。 【记忆使用指南】 1. 在回答用户关于喜好、习惯的问题前，必须先查询 "USER_PREFERENCE" 类型的记忆。 2. 如果检索到相关偏好（如用户喜欢美式咖啡），请在回答中自然融入，不要生硬地引用。 3. 如果用户提出了新的偏好，请调用 save_memory 技能进行保存。

# 动态注入检索结果的占位符 (OpenClaw 会自动替换 {{retrieved_memories}}) system_prompt_suffix: |

--- 相关历史记忆 --- {{retrieved_memories}} ------------------

1. 主动遗忘 (Forgetting Mechanism)

为了防止向量库无限膨胀或记住过时信息（如“我明天要去北京”，但今天已经回来了），可以实现过期清理逻辑。

实现思路：
在 process_and_save 时，给记忆加上 expiry_date 元数据。
创建一个定时任务（Cron Job），每天扫描向量库，删除 expiry_date < now 的记录。

GPT plus 代充 只需 145# 伪代码示例 async def cleanup_expired_memories(vector_store):

today = datetime.now() # 查询所有带有 expiry_date 且已过期的记录 ID expired_ids = await vector_store.query_metadata_filter( filter={"expiry_date": {"$lt": today.isoformat()}} ) if expired_ids: await vector_store.delete(ids=expired_ids) logger.info(f"🗑️ 已清理 {len(expired_ids)} 条过期记忆")

2. 记忆摘要压缩 (Summarization Chain)

对于长对话，直接存原文会浪费 Token 且检索不准。OpenClaw 支持配置摘要链。

配置：在 config.yaml 中设置 maintenance.summary_model 为一个擅长总结的小模型（如 qwen2.5:1.8b），以节省成本。
逻辑：每 10 轮对话，后台静默运行一次：“总结过去 10 轮对话的关键事实、待办事项和用户情绪，生成一段 200 字以内的摘要”，然后将摘要存入向量库，而非原始对话。

3. 多模态记忆 (Multimodal Memory)

2026 版 OpenClaw 支持将图片、截图的特征向量也存入记忆库。

场景：用户发了一张冰箱的照片问“里面还有什么吃的？”。
实现：使用 CLIP 或多模态 Embedding 模型（如 nomic-embed-vision）将图片转为向量。检索时，将用户的问题也转为多模态向量进行匹配，从而找回之前的图片记忆。

配置好自定义记忆后，如何验证是否生效？

查看向量库内容：
OpenClaw 提供了一个 CLI 工具查看记忆：
```
GPT plus 代充 只需 145python main.py –memory-view –filter “type=USER_PREFERENCE” 
```
这会列出所有被标记为偏好的记忆条目。

观察日志：
查看 logs/memory_ops.log，你会看到类似记录：

[INFO] Retrieving memories for query: “我想喝点什么?” [INFO] Found 2 matches with score > 0.75 [DEBUG] Injected context: “User prefers Americano coffee.”

实战测试：
- 第一轮：“记住，我讨厌吃香菜。” -> 检查日志是否触发 should_save 并写入。
- 第二轮（间隔几分钟后）：“今晚吃什么好？” -> 观察 AI 回复是否主动避开香菜，并提及“记得你不喜欢香菜”。

OpenClaw 的记忆系统不仅仅是“存下来”，而是“理解、筛选、重组”。

初级用法：配置 config.yaml 开启 Chroma + Ollama Embedding，享受自动的 RAG 能力。
中级用法：调整 threshold 和 top_k，优化检索精度。
高级用法：编写 BaseMemoryHandler 子类，实现结构化提取、主动遗忘、多模态检索和领域专用记忆库。