04. 记忆系统：让 AI 记住你

> 每次会话，AI 都是全新的。文件就是它的记忆。

## AI 的失忆症

大模型有一个根本性的问题：**没有持久记忆**。每次会话开始，它什么都不记得。你昨天告诉它的偏好、上周做的决定、上个月踩的坑——全部归零。

OpenClaw 的解决方案很朴素：**把记忆写成文件**。

## 三层记忆架构

```
MEMORY.md          ← 长期精炼记忆（重要决定、经验教训、用户偏好）
memory/
├── 2026-02-14.md  ← 每日原始记录（发生了什么）
├── 2026-02-15.md
├── ...
└── 2026-02-23.md
思源笔记            ← 知识库（给人看的，不是给 AI 看的）
```

### 第一层：每日笔记 `memory/YYYY-MM-DD.md`

这是原始记录。每天发生了什么、做了什么决定、踩了什么坑，全部写在这里。格式不讲究，重要的是**写下来**。

比如 2/15 的记录：

```markdown
# 2026-02-15 (春节)

### Bootstrap 完成 (16:26)
- 确认身份：Jarvis 🦾
- 填写 USER.md、IDENTITY.md、MEMORY.md

### Sub-agent 体系构建 (16:28)
- 注册 4 个 sub-agent：explorer、coder、reviewer、analyst

### 教训：config.patch 会中断 sub-agent (17:58)
- 两次配置变更都触发 gateway 重启
- 重启导致正在运行的 analyst 任务结果丢失
- 规则：有 sub-agent 在跑时，不做任何会触发重启的操作
```

### 第二层：长期记忆 `MEMORY.md`

这是精炼后的记忆。从每日笔记中提取值得长期保留的信息：用户偏好、系统架构、经验教训、重要事件。

MEMORY.md 不是日志，是**心智模型**。就像人类不会记住每天吃了什么，但会记住"我对花生过敏"。

```markdown
## 经验教训

- 有 sub-agent 在跑时，不做任何会触发重启的操作
- 复杂任务每 30 分钟汇报一次进度
- analyst 做深度研究时数据收集消耗大量 token，可能写不完报告

## 系统架构

### Provider 体系
- primary: provider-a (relay-a.example.com) — sonnet 为默认
- fallback chain: provider-a → provider-b → provider-c → provider-d
- contextPruning: cache-ttl 模式，ttl=30m（详见第三篇）
```

### 第三层：思源笔记

思源笔记是给人看的知识库，不是给 AI 看的工作记忆。聊天中有价值的内容（知识点、观点、决策）会同步到思源的 DailyNote，方便我以后查找。

这三层的关系：**每日笔记是原始素材，MEMORY.md 是精炼智慧，思源笔记是知识沉淀**。

## "边聊边存"原则

最初我想等对话结束再统一整理记忆。很快发现这行不通——OpenClaw 的上下文有限，等到要整理时，早期的对话已经被裁剪了。

所以改成了**边聊边存**：

- 每个重要决定后，立即写到 daily notes
- 原则：如果丢了会让我 frustrated，就现在存
- 一个话题结束，立刻总结

这条规则写进了 AGENTS.md：

```markdown
### ⚡ 边聊边存 - 不要等压缩！

- 每个重要决定后：**立即**写到 daily notes
- 别等上下文爆了才想起来存，那时候已经晚了
```

## memorySearch：给记忆加上搜索引擎

文件记忆有一个问题：文件多了之后，AI 怎么知道该读哪个？

OpenClaw 内置了 `memorySearch`——基于 embedding 的语义搜索。AI 可以用自然语言搜索记忆文件，找到相关内容。

但配置这个东西，是整个假期最折腾的事之一。

### 找 Embedding Provider 的曲折之路

OpenClaw 的 memorySearch 支持多种 embedding provider：`openai | local | gemini | voyage`，也支持 OpenAI 兼容的自定义端点。

问题是：我现有的 LLM provider 都不支持 embedding。

- **relay-a.example.com**：测试 text-embedding-3-small/3-large/ada-002，全部 `model_not_found`
- **qwen-portal (portal.qwen.ai)**：embedding 端点返回 404
- **DashScope (dashscope.aliyuncs.com)**：返回 401，端点存在但 key 不通用

最终找到了 **ModelScope**（api-inference.modelscope.cn）。它提供 OpenAI 兼容的 embedding API，而且有免费额度。

可用模型：`Qwen/Qwen3-Embedding-0.6B`（1024 维），还有 4B 和 8B 版本。

### 配置 memorySearch

```json5
{
  "agents": {
    "defaults": {
      "memorySearch": {
        "provider": "openai",
        "model": "Qwen/Qwen3-Embedding-0.6B",
        "remote": {
          "baseUrl": "https://api-inference.modelscope.cn/v1/",
          "apiKey": "your-modelscope-api-key"
        }
      }
    }
  }
}
```

### Monkey Patch：最脏但最有效的解决方案

配好之后，memorySearch 报错了。两个问题：

**问题一：`encoding_format` 参数**

ModelScope 要求显式传 `encoding_format: "float"`，但 OpenClaw 默认不传这个参数。

**问题二：内容审查**

ModelScope 有内容审查机制。我的 daily notes 里有一条新闻提到"箭毒蛙毒素"（英国指控俄罗斯用它杀害纳瓦尔尼），embedding 请求直接被拦截，返回 400。

解决方案：直接改 OpenClaw 的源码，打了两个 monkey patch：

1. 在 embedding 请求中强制加 `encoding_format: "float"`
2. batch 请求 400 时逐条重试，单条被拦截的返回空向量（不影响其他内容）

```javascript
// Patch 1: 强制加 encoding_format
body.encoding_format = "float";

// Patch 2: 内容审查容错
// batch 400 → 逐条重试 → 被拦截的返回零向量
```

打完 patch，memorySearch 正常工作了。15 个 chunks、12 个文件、14 个向量索引完成。

**⚠️ 重要提醒：OpenClaw 更新后需要重新打 patch。** 这是 monkey patch 的代价——每次更新都可能覆盖你的修改。

### 效果

配好 memorySearch 后，AI 可以用语义搜索找到相关记忆：

```
memory_search("provider-b 配置")
→ 命中 memory/2026-02-21.md 和 MEMORY.md 中的 provider 配置段落
```

不再需要手动告诉它"去读 2/21 的笔记"，它自己能找到。

## 记忆维护

记忆不是写了就完事。需要定期维护：

1. **心跳期间回顾**：每隔几天，利用 heartbeat 读最近的 daily notes，把值得保留的精炼到 MEMORY.md
2. **清理过时信息**：MEMORY.md 里的信息会过时（比如"当前在用 Opus"改成了 Sonnet），需要更新
3. **思源同步**：有价值的内容同步到思源笔记，方便我自己查找

这就像人类回顾日记并更新心智模型。每日文件是原始笔记，MEMORY.md 是精炼的智慧。

## 记忆系统的哲学

OpenClaw 的记忆系统有一个我很喜欢的设计哲学：**透明且可控**。

- 所有记忆都是 markdown 文件，你随时可以读、改、删
- AI 记了什么你一清二楚，不是某个黑盒数据库
- 你可以手动编辑 MEMORY.md，纠正 AI 的"记忆"
- 可以 git 版本控制，追踪记忆的演化

这比任何"AI 自动记忆"的方案都让我放心。

> 每次会话，AI 都是全新的。文件就是它的记忆。

## AI 的失忆症

大模型有一个根本性的问题：**没有持久记忆**。每次会话开始，它什么都不记得。你昨天告诉它的偏好、上周做的决定、上个月踩的坑——全部归零。

OpenClaw 的解决方案很朴素：**把记忆写成文件**。

## 三层记忆架构

### 第一层：每日笔记 `memory/YYYY-MM-DD.md`

这是原始记录。每天发生了什么、做了什么决定、踩了什么坑，全部写在这里。格式不讲究，重要的是**写下来**。

比如 2/15 的记录：

```markdown
# 2026-02-15 (春节)

### Bootstrap 完成 (16:26)
- 确认身份：Jarvis 🦾
- 填写 USER.md、IDENTITY.md、MEMORY.md

### Sub-agent 体系构建 (16:28)
- 注册 4 个 sub-agent：explorer、coder、reviewer、analyst

### 第二层：长期记忆 `MEMORY.md`

这是精炼后的记忆。从每日笔记中提取值得长期保留的信息：用户偏好、系统架构、经验教训、重要事件。

MEMORY.md 不是日志，是**心智模型**。就像人类不会记住每天吃了什么，但会记住"我对花生过敏"。

```markdown
## 经验教训

- 有 sub-agent 在跑时，不做任何会触发重启的操作
- 复杂任务每 30 分钟汇报一次进度
- analyst 做深度研究时数据收集消耗大量 token，可能写不完报告

## 系统架构

### 第三层：思源笔记

思源笔记是给人看的知识库，不是给 AI 看的工作记忆。聊天中有价值的内容（知识点、观点、决策）会同步到思源的 DailyNote，方便我以后查找。

这三层的关系：**每日笔记是原始素材，MEMORY.md 是精炼智慧，思源笔记是知识沉淀**。

## "边聊边存"原则

最初我想等对话结束再统一整理记忆。很快发现这行不通——OpenClaw 的上下文有限，等到要整理时，早期的对话已经被裁剪了。

所以改成了**边聊边存**：

- 每个重要决定后，立即写到 daily notes
- 原则：如果丢了会让我 frustrated，就现在存
- 一个话题结束，立刻总结

这条规则写进了 AGENTS.md：

```markdown
### ⚡ 边聊边存 - 不要等压缩！

- 每个重要决定后：**立即**写到 daily notes
- 别等上下文爆了才想起来存，那时候已经晚了
```

## memorySearch：给记忆加上搜索引擎

文件记忆有一个问题：文件多了之后，AI 怎么知道该读哪个？

OpenClaw 内置了 `memorySearch`——基于 embedding 的语义搜索。AI 可以用自然语言搜索记忆文件，找到相关内容。

但配置这个东西，是整个假期最折腾的事之一。

### 找 Embedding Provider 的曲折之路

OpenClaw 的 memorySearch 支持多种 embedding provider：`openai | local | gemini | voyage`，也支持 OpenAI 兼容的自定义端点。

问题是：我现有的 LLM provider 都不支持 embedding。

最终找到了 **ModelScope**（api-inference.modelscope.cn）。它提供 OpenAI 兼容的 embedding API，而且有免费额度。

可用模型：`Qwen/Qwen3-Embedding-0.6B`（1024 维），还有 4B 和 8B 版本。

### 配置 memorySearch

### Monkey Patch：最脏但最有效的解决方案

配好之后，memorySearch 报错了。两个问题：

**问题一：`encoding_format` 参数**

ModelScope 要求显式传 `encoding_format: "float"`，但 OpenClaw 默认不传这个参数。

**问题二：内容审查**

ModelScope 有内容审查机制。我的 daily notes 里有一条新闻提到"箭毒蛙毒素"（英国指控俄罗斯用它杀害纳瓦尔尼），embedding 请求直接被拦截，返回 400。

解决方案：直接改 OpenClaw 的源码，打了两个 monkey patch：

1. 在 embedding 请求中强制加 `encoding_format: "float"`
2. batch 请求 400 时逐条重试，单条被拦截的返回空向量（不影响其他内容）

```javascript
// Patch 1: 强制加 encoding_format
body.encoding_format = "float";

// Patch 2: 内容审查容错
// batch 400 → 逐条重试 → 被拦截的返回零向量
```

打完 patch，memorySearch 正常工作了。15 个 chunks、12 个文件、14 个向量索引完成。

**⚠️ 重要提醒：OpenClaw 更新后需要重新打 patch。** 这是 monkey patch 的代价——每次更新都可能覆盖你的修改。

### 效果

配好 memorySearch 后，AI 可以用语义搜索找到相关记忆：

```
memory_search("provider-b 配置")
→ 命中 memory/2026-02-21.md 和 MEMORY.md 中的 provider 配置段落
```

不再需要手动告诉它"去读 2/21 的笔记"，它自己能找到。

## 记忆维护

记忆不是写了就完事。需要定期维护：

这就像人类回顾日记并更新心智模型。每日文件是原始笔记，MEMORY.md 是精炼的智慧。

## 记忆系统的哲学

OpenClaw 的记忆系统有一个我很喜欢的设计哲学：**透明且可控**。

这比任何"AI 自动记忆"的方案都让我放心。

最后修改：2026 年 02 月 24 日

如果觉得我的文章对你有用，请随意赞赏

04. 记忆系统：让 AI 记住你

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

基于思源笔记的写作、管理和分发流程

2024年计划与达成情况概览【更新至四月底】

【减脂漫谈】减脂45kg的思考和行动计划

基于Kindle、纸间书摘、思源笔记的全平台同步阅读及闪卡流程

08.老婆生日、半马完结

04.一本书、一部剧与一个23年OKR

02.春节返程与阅读感悟

心路旅程：向光而行 —— 2024个人年度总结（非工作向）

01.新的一年从惨开始

离奇的梦-校园里的凶杀案

04. 记忆系统：让 AI 记住你

发表评论 取消回复 使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

04. 记忆系统：让 AI 记住你

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款