07-记忆系统指南

07 记忆系统指南 07 记忆系统指南 Modified June 10 ⠀ Dreaming 记忆整理系统（v2026.4.5 新增） ⠀ v2026.4.5 引入了实验性的 Dreaming（做梦） 机制 — 这是 OpenClaw 对记忆自动整理的一次大胆尝试。它模拟人类睡眠中的记忆巩固过程，在后台自动整理、提炼、淘汰记忆。 ⠀ 三阶段架构 ⠀ Dreaming 系统由三个协作阶段组成（不是竞争关系，各自有独立的调度和恢复行为）： ⠀ ⠀ 三个阶段在后台独立运行，不会阻塞正常对话。 ⠀ Recall Decay（回忆衰减） ⠀ Dreaming 系统引入了可配置的记忆老化控制： ⠀ ⠀ 这意味着 OpenClaw 可以自动「遗忘」过时的信息，而不需要你手动清理。越新的记忆越容易被召回，越旧的逐渐淡出 — 跟人类记忆的工作方式一样。 ⠀ dreams.md 文件 ⠀ Dreaming 的产出内容写入 dreams.md 文件（位于 workspace 目录下），与每日日志（memory/YYYY MM DD.md）分开存放。这样设计的好处是 dreams.md 可以被显式读取，但不会自动拉入默认召回上下文，避免占用过多上下文窗口空间。 ⠀ Code block Plain Text /.openclaw/workspace/ ├── MEMORY.md 长期记忆（手动维护） ├── USER.md 用户画像 ├── dreams.md Dreaming 系统产出（自动维护） ├── memory/ │ ├── 2026 04 25.md 今天的日志 │ └── ... └── sessions/ └── .jsonl ⠀ Dream Diary（梦境日记 UI） ⠀ v2026.4.5 同时在 Control UI 的 Dreams 面板中添加了 Dream Diary 界面，可以直观查看 Dreaming 系统的活动记录 — 包括每次做梦的时间、阶段、处理了哪些记忆、提升了哪些内容。 ⠀ Dreaming 与手动记忆管理的关系 ⠀ Dreaming 是一个补充机制，不替代手动管理： ⠀ • MEMORY.md — 仍然是你手动维护的核心长期记忆 • dreams.md — Dreaming 系统自动产出的整理结果 • memory/YYYY MM DD.md — 每日日志，不受 Dreaming 影响 ⠀ 如果你不需要 Dreaming 功能，它默认处于实验状态，需要主动启用才会运行。 ⠀ 记忆最佳实践 ⠀ 1. 定期整理 MEMORY.md ⠀ MEMORY.md 是 AI 每次启动都会加载的文件。如果它太大太杂，会浪费上下文空间，还可能让 AI 混淆。 ⠀ 建议： • 每周花 5 分钟整理一次 • 删除过时的信息（比如已完成的项目） • 合并重复的条目 • 保持分类清晰 ⠀ 2. 善用日志文件 ⠀ 日常的临时信息写入日志，不要塞进 MEMORY.md： ⠀ Code block Plain Text 好的做法 MEMORY.md → 只放长期有效的信息 memory/2026 02 25.md → 今天的临时笔记 不好的做法 MEMORY.md → 什么都往里塞，越来越臃肿 ⠀ 3. 让 AI 主动记录 ⠀ 重要对话后，主动让 AI 记录： ⠀ Code block Plain Text 你：把今天讨论的技术方案要点记下来 AI：好的，我把以下要点写入了今天的日志： 1. 认证方案选择 NextAuth.js v5 2. 数据库从 MySQL 迁移到 PostgreSQL 3. 缓存层用 Redis，TTL 设为 1 小时 ⠀ 4. 分类存储 ⠀ 在 MEMORY.md 中用清晰的标题分类： ⠀ Code block Plain Text 技术栈 ... 项目决策 ... 团队信息 ... 工作流程 ... ⠀ 5. 不要存敏感信息 ⠀ 密码、API Key、Token 等敏感信息不要写入记忆文件。用环境变量或密钥管理器。 ⠀ 6. 备份记忆 ⠀ 记忆文件是纯文本，非常适合用 Git 管理或定期导出： ⠀ Code block Plain Text Git 管理 cd /.openclaw/workspace && git init && git add MEMORY.md USER.md memory/ git commit m "backup: memory snapshot 2026 02 25" 定期打包备份 tar czf /backups/memory $(date +%Y%m%d).tar.gz /.openclaw/workspace/ ⠀ 常见问题 ⠀ Q: AI 怎么突然不记得之前说的话了？ ⠀ 最常见的原因是 compaction。当对话太长，早期消息会被压缩成摘要，细节可能丢失。 ⠀ 解决方案： • 重要信息主动让 AI 写入记忆文件 • 开启 memoryFlush，compaction 前自动保存 • 增大 reserveTokensFloor，保留更多上下文 ⠀ Q: 记忆文件太大了怎么办？ ⠀ 用 openclaw memory status 查看索引状态，直接编辑 /.openclaw/workspace/MEMORY.md 整理内容。超过 30 天的日志可以手动归档到 memory/archive/ 目录。建议 MEMORY.md 控制在 500 行以内。 ⠀ Q: 能不能让 AI 忘记某些事？ ⠀ 可以。直接编辑记忆文件删除对应内容，或者告诉 AI： ⠀ Code block Plain Text 你：忘掉关于旧项目 X 的所有信息 AI：好的，我已从记忆中删除了关于项目 X 的 5 条记录。 ⠀ Q: 多个 Agent 能共享记忆吗？ ⠀ 默认不共享。每个 Agent 有独立的 workspace 和记忆文件。 ⠀ 如果需要共享，可以用符号链接： ⠀ Code block Plain Text 让 coding Agent 共享 main Agent 的 MEMORY.md ln s /.openclaw/workspace/MEMORY.md /.openclaw/workspace coding/MEMORY.md ⠀ 但要注意并发写入可能导致冲突。更安全的做法是通过独立 workspace 隔离，仅在需要时手动同步。 ⠀ Dreaming 记忆整理系统（v2026.4.5 新增） ⠀ v2026.4.5 引入了实验性的 Dreaming（做梦） 机制 — 这是 OpenClaw 对记忆自动整理的一次大胆尝试。它模拟人类睡眠中的记忆巩固过程，在后台自动整理、提炼、淘汰记忆。 ⠀ 三阶段架构 ⠀ Dreaming 系统由三个协作阶段组成（不是竞争关系，各自有独立的调度和恢复行为）： ⠀ ⠀ 三个阶段在后台独立运行，不会阻塞正常对话。 ⠀ Recall Decay（回忆衰减） ⠀ Dreaming 系统引入了可配置的记忆老化控制： ⠀ ⠀ 这意味着 OpenClaw 可以自动「遗忘」过时的信息，而不需要你手动清理。越新的记忆越容易被召回，越旧的逐渐淡出 — 跟人类记忆的工作方式一样。 ⠀ dreams.md 文件 ⠀ Dreaming 的产出内容写入 dreams.md 文件（位于 workspace 目录下），与每日日志（memory/YYYY MM DD.md）分开存放。这样设计的好处是 dreams.md 可以被显式读取，但不会自动拉入默认召回上下文，避免占用过多上下文窗口空间。 ⠀ ⠀ Dream Diary（梦境日记 UI） ⠀ v2026.4.5 同时在 Control UI 的 Dreams 面板中添加了 Dream Diary 界面，可以直观查看 Dreaming 系统的活动记录 — 包括每次做梦的时间、阶段、处理了哪些记忆、提升了哪些内容。 ⠀ Dreaming 与手动记忆管理的关系 ⠀ Dreaming 是一个补充机制，不替代手动管理： ⠀ • MEMORY.md — 仍然是你手动维护的核心长期记忆 • dreams.md — Dreaming 系统自动产出的整理结果 • memory/YYYY MM DD.md — 每日日志，不受 Dreaming 影响 ⠀ 如果你不需要 Dreaming 功能，它默认处于实验状态，需要主动启用才会运行。 ⠀ 记忆最佳实践 ⠀ 1. 定期整理 MEMORY.md ⠀ MEMORY.md 是 AI 每次启动都会加载的文件。如果它太大太杂，会浪费上下文空间，还可能让 AI 混淆。 ⠀ 建议： • 每周花 5 分钟整理一次 • 删除过时的信息（比如已完成的项目） • 合并重复的条目 • 保持分类清晰 ⠀ 2. 善用日志文件 ⠀ 日常的临时信息写入日志，不要塞进 MEMORY.md： ⠀ ⠀ 3. 让 AI 主动记录 ⠀ 重要对话后，主动让 AI 记录： ⠀ ⠀ 4. 分类存储 ⠀ 在 MEMORY.md 中用清晰的标题分类： ⠀ ⠀ 5. 不要存敏感信息 ⠀ 密码、API Key、Token 等敏感信息不要写入记忆文件。用环境变量或密钥管理器。 ⠀ 6. 备份记忆 ⠀ 记忆文件是纯文本，非常适合用 Git 管理或定期导出： ⠀ ⠀ 常见问题 ⠀ Q: AI 怎么突然不记得之前说的话了？ ⠀ 最常见的原因是 compaction。当对话太长，早期消息会被压缩成摘要，细节可能丢失。 ⠀ 解决方案： • 重要信息主动让 AI 写入记忆文件 • 开启 memoryFlush，compaction 前自动保存 • 增大 reserveTokensFloor，保留更多上下文 ⠀ Q: 记忆文件太大了怎么办？ ⠀ 用 openclaw memory status 查看索引状态，直接编辑 /.openclaw/workspace/MEMORY.md 整理内容。超过 30 天的日志可以手动归档到 memory/archive/ 目录。建议 MEMORY.md 控制在 500 行以内。 ⠀ Q: 能不能让 AI 忘记某些事？ ⠀ 可以。直接编辑记忆文件删除对应内容，或者告诉 AI： ⠀ ⠀ Q: 多个 Agent 能共享记忆吗？ ⠀ 默认不共享。每个 Agent 有独立的 workspace 和记忆文件。 ⠀ 如果需要共享，可以用符号链接： ⠀ ⠀ 但要注意并发写入可能导致冲突。更安全的做法是通过独立 workspace 隔离，仅在需要时手动同步。 ⠀ Q: 记忆搜索不准确怎么办？ ⠀ OpenClaw 使用 sqlite vec 支持混合搜索（关键词 + 语义），搜索质量通常不错。如果仍然不够精确： ⠀ 1. 运行 openclaw memory index 确保索引是最新的 2. 开启 RAG + 知识库插件，扩大搜索范围 3. 给记忆内容加标签，提高匹配精度 ⠀ Q: 换了电脑怎么迁移记忆？ ⠀ 记忆就是文件，直接复制或用 Git 同步： ⠀ ⠀ Q: 记忆系统会影响响应速度吗？ ⠀ 影响很小。主要开销在启动时加载记忆文件（通常 < 1 秒）和 memory search 搜索。如果觉得慢，精简 MEMORY.md 内容、归档旧日志文件，或运行 openclaw memory index 重建索引。 ⠀ 下一步 ⠀ 记忆系统搞定了，你的 AI 助手现在能记住你是谁、你在做什么、你喜欢什么。去 08. 多 Agent 路由 学习如何运行多个 AI 助手，让它们各司其职。 课程信息 ⠀ • 作者：老金 • GitHub：https://github.com/KimYx0207 • 公众号：老金带你玩AI • X（Twitter）：老金带你玩AI • 个人博客：https://aiking.dev • 难度等级：🟡 进阶 • 阅读时间：25 分钟 • 前置知识：已完成快速开始（03 快速开始指南） ⠀ 本篇你将学会： 理解 AI 的记忆机制、配置记忆存储、管理和优化 AI 的记忆 ⠀ 小白速通： 只看前 2 节（"为什么 AI 需要记忆"、"记忆架构"），了解概念就够了。OpenClaw 的记忆系统开箱即用，不需要额外配置 ⠀ 为什么 AI 需要记忆？ ⠀ 你跟朋友聊天，不需要每次都自我介绍。因为朋友记得你是谁、你喜欢什么、上次聊了什么。 ⠀ 但 AI 不一样。大语言模型本质上是"无状态"的 — 每次对话结束，它就把你忘得一干二净。下次你再说"继续上次的方案"，它会一脸茫然地问你"什么方案？" ⠀ 这就是记忆系统要解决的核心问题：让 AI 像一个真正的助手一样，记住你是谁、你在做什么、你喜欢什么。 ⠀ 没有记忆的 AI 助手： ⠀ ⠀ 有记忆的 AI 助手： ⠀ ⠀ 差距一目了然。 ⠀ 记忆系统的三大价值 ⠀ 价值 说明 举例 连续性 跨会话保持上下文 记住你正在做的项目、进度、决策 个性化 了解你的偏好和习惯 知道你喜欢 TypeScript、不用分号、偏好函数式风格 效率 减少重复沟通 不用每次都解释你的技术栈、团队结构、工作流程 价值 价值 说明 说明 举例 举例 连续性 连续性 跨会话保持上下文 跨会话保持上下文 记住你正在做的项目、进度、决策 记住你正在做的项目、进度、决策 个性化 个性化 了解你的偏好和习惯 了解你的偏好和习惯 知道你喜欢 TypeScript、不用分号、偏好函数式风格 知道你喜欢 TypeScript、不用分号、偏好函数式风格 效率 效率 减少重复沟通 减少重复沟通 不用每次都解释你的技术栈、团队结构、工作流程 不用每次都解释你的技术栈、团队结构、工作流程 ⠀ OpenClaw 记忆架构 ⠀ OpenClaw 的记忆系统设计哲学非常务实：Markdown 文件 + sqlite vec（轻量级的向量数据库，用于语义搜索） 向量索引，兼顾透明可控和智能检索。 ⠀ AI 的记忆源头是写在磁盘上的 Markdown 文件和会话日志。你可以直接用文本编辑器查看、修改、删除 AI 的记忆，完全透明可控。同时，系统使用 sqlite vec 做向量存储，支持语义搜索、混合搜索（hybrid search）、时间衰减（temporal decay）、最大边际相关性（MMR）和查询扩展（query expansion）等高级检索能力。 ⠀ 三层记忆架构 ⠀ OpenClaw 把记忆分成三层，各司其职： ⠀ ⠀ 记忆源 ⠀ OpenClaw 的记忆来自三类文件： ⠀ ⠀ 记忆源汇总： • MEMORY.md — 手动维护的长期记忆 • workspace/memory/ .md — 每日日志 • dreams.md — Dreaming 系统自动整理的记忆产出（v2026.4.5 新增） • sessions/ .jsonl — 会话历史记录 ⠀ 各层记忆详解 ⠀ 会话记忆 (Session Memory) ⠀ 会话记忆就是当前对话的上下文。你跟 AI 说的每一句话、AI 的每一个回复，都在会话记忆里。 ⠀ 特点： • 速度最快，AI 可以直接引用 • 容量有限，受模型上下文窗口约束（通常 128K 200K tokens） • 会话结束就消失 • 对话太长时会触发 compaction（压缩），旧消息会被摘要 ⠀ ⠀ 短期记忆 (Daily Logs) ⠀ 每天一个 Markdown 文件，记录当天的重要信息。 ⠀ ⠀ 加载策略： • 每次新会话启动时，自动加载今天和昨天的日志 • 可以通过配置调整加载天数 ⠀ 长期记忆 (MEMORY.md) ⠀ 精选的、持久的重要信息。这是 AI 的"核心记忆"。 ⠀ ⠀ 记忆存储与检索 ⠀ OpenClaw 的记忆系统使用 sqlite vec 作为向量存储后端，结合 Markdown 文件实现透明可控的记忆管理。 ⠀ 向量存储：sqlite vec ⠀ ⏭️ 小白可跳过 — 这部分是技术深入分析，记忆系统默认配置已经够用 ⏭️ 小白可跳过 — 这部分是技术深入分析，记忆系统默认配置已经够用 ⠀ sqlite vec 是 OpenClaw 的默认向量存储方案。它基于 SQLite 扩展，零配置、单文件，同时支持向量语义搜索。 ⠀ sqlite vec 开箱即用，不需要额外配置。如果需要自定义扩展路径，可以通过以下配置覆盖： ⠀ ⠀ 优点： • 零配置，开箱即用（enabled 默认为 true） • 单文件数据库，不需要安装额外服务 • 支持向量语义搜索和 BM25 混合搜索 • 记忆源文件（Markdown）仍然可以直接用编辑器查看和修改 • 如果 sqlite vec 扩展加载失败，自动回退到 JS 内存中的余弦相似度计算 ⠀ Embedding 提供商 ⠀ ⏭️ 小白可跳过 — 这部分是技术深入分析，记忆系统默认配置已经够用 ⏭️ 小白可跳过 — 这部分是技术深入分析，记忆系统默认配置已经够用 ⠀ sqlite vec 需要配合 embedding（把文本转换成数字向量的技术，让 AI 能理解语义相似性） 模型将文本转为向量。OpenClaw 支持多种 embedding 提供商： ⠀ 提供商 说明 OpenAI text embedding 3 small 等 Gemini Google 的 embedding 模型 Mistral Mistral 的 embedding 模型 Voyage Voyage AI 的 embedding 模型 提供商 提供商 说明 说明 OpenAI OpenAI text embedding 3 small 等 text embedding 3 small 等 Gemini Gemini Google 的 embedding 模型 Google 的 embedding 模型 Mistral Mistral Mistral 的 embedding 模型 Mistral 的 embedding 模型 Voyage Voyage Voyage AI 的 embedding 模型 Voyage AI 的 embedding 模型 ⠀ ⠀ Embedding 提供商通过 agents.defaults.memorySearch.provider 配置。如果不设置，OpenClaw 会按以下优先级自动选择：本地模型（如果配置了 local.modelPath）→ OpenAI → Gemini → Voyage → Mistral。也可以设置 provider: "local" 使用本地 GGUF 模型，完全离线运行。 ⠀ 高级检索能力 ⠀ ⏭️ 小白可跳过 — 这部分是技术深入分析，记忆系统默认配置已经够用 ⏭️ 小白可跳过 — 这部分是技术深入分析，记忆系统默认配置已经够用 ⠀ OpenClaw 的记忆检索不是简单的关键词匹配，而是一套完整的智能检索系统： ⠀ 能力 说明 Hybrid Search（混合搜索） 同时使用关键词匹配和向量语义搜索，综合排序 Temporal Decay（时间衰减） 越新的记忆权重越高，旧记忆逐渐淡化 MMR（最大边际相关性） 搜索结果去重，避免返回高度相似的内容 Query Expansion（查询扩展） 自动扩展搜索词，提高召回率 能力 能力 说明 说明 Hybrid Search（混合搜索） Hybrid Search（混合搜索） 同时使用关键词匹配和向量语义搜索，综合排序 同时使用关键词匹配和向量语义搜索，综合排序 Temporal Decay（时间衰减） Temporal Decay（时间衰减） 越新的记忆权重越高，旧记忆逐渐淡化 越新的记忆权重越高，旧记忆逐渐淡化 MMR（最大边际相关性） MMR（最大边际相关性） 搜索结果去重，避免返回高度相似的内容 搜索结果去重，避免返回高度相似的内容 Query Expansion（查询扩展） Query Expansion（查询扩展） 自动扩展搜索词，提高召回率 自动扩展搜索词，提高召回率 ⠀ 这些能力开箱即用，不需要额外配置。 ⠀ v2026.4.24 更新： 混合搜索现在在结果中暴露原始的 vectorScore（向量语义分数）和 textScore（关键词匹配分数），方便调试搜索质量。会话记录搜索也新增了可见性和 Agent 间策略控制。 v2026.4.24 更新： 混合搜索现在在结果中暴露原始的 vectorScore（向量语义分数）和 textScore（关键词匹配分数），方便调试搜索质量。会话记录搜索也新增了可见性和 Agent 间策略控制。 ⠀ 记忆配置详解 ⠀ 记忆系统的行为可以通过 /.openclaw/openclaw.json（JSON5 格式）精细控制。 ⠀ 基础配置 ⠀ 记忆系统默认启用，不需要额外配置。OpenClaw 通过 memory core 插件提供记忆功能（默认加载）。 ⠀ 如果你想关闭记忆系统： ⠀ ⠀ 记忆文件存储在 workspace 目录下（默认 /.openclaw/workspace），可以通过 agents.defaults.workspace 修改 workspace 路径。记忆系统默认加载今天和昨天的日志（memory/YYYY MM DD.md）以及长期记忆（MEMORY.md，仅在私聊会话中加载）。 ⠀ Compaction 与记忆刷新 ⠀ 这是 OpenClaw 记忆系统最聪明的设计之一。当对话越来越长，上下文窗口快要满的时候，OpenClaw 会触发 compaction（压缩）。在压缩之前，它会自动提醒 AI 把重要信息存到记忆文件里。 ⠀ ⠀ 工作流程：上下文使用率达到阈值 → 触发 memoryFlush（隐藏的 Agent 轮次）→ AI 自动把重要信息写入日志 → 执行 compaction 压缩旧消息 → 对话继续。 ⠀ 你也可以在对话中手动触发压缩，使用聊天命令 /compact。 ⠀ 字段 说明 reserveTokensFloor 压缩后至少保留多少 tokens 的上下文 softThresholdTokens 距离压缩还有多少 tokens 时触发记忆刷新 字段 字段 说明 说明 reserveTokensFloor reserveTokensFloor 压缩后至少保留多少 tokens 的上下文 压缩后至少保留多少 tokens 的上下文 softThresholdTokens softThresholdTokens 距离压缩还有多少 tokens 时触发记忆刷新 距离压缩还有多少 tokens 时触发记忆刷新 ⠀ 记忆加载行为 ⠀ 每次会话启动时，OpenClaw 自动加载以下记忆： ⠀ • MEMORY.md — 长期记忆（仅在私聊会话中加载，群聊中不加载） • memory/YYYY MM DD.md — 今天和昨天的日志 ⠀ 这个行为是内置的，不需要额外配置。如果你想让记忆搜索覆盖更多文件（比如 workspace 外的 Markdown），可以通过 extraPaths 扩展搜索范围： ⠀ ⠀ 路径可以是绝对路径或相对于 workspace 的路径。目录会被递归扫描，但只索引 Markdown 文件（.md）。 ⠀ 为什么要注意记忆大小？因为记忆也占上下文窗口。日志写得太详细时，会挤占正常对话的空间。建议 MEMORY.md 控制在 3000 tokens 以内。 ⠀ 按 Agent 配置记忆 ⠀ 不同的 Agent 可以有不同的记忆行为。通过给每个 Agent 配置独立的 workspace，实现记忆隔离： ⠀ ⠀ 每个 Agent 的 workspace 下有独立的 MEMORY.md 和 memory/ 目录。如果某个 Agent 完全不需要记忆功能，可以在它的 workspace 里不放任何记忆文件即可。 ⠀ 对话上下文管理 ⠀ 上下文窗口是 AI 的"工作记忆"，理解它的工作方式对用好记忆系统至关重要。 ⠀ 什么是上下文窗口？ ⠀ 上下文窗口就是模型一次能"看到"的所有文本。包括： ⠀ ⠀ 常见模型的上下文窗口：Claude Sonnet 4.6 200K tokens、GPT 5.2 128K tokens、Gemini 3.1 Pro 1M tokens。 ⠀ 滑动窗口策略 ⠀ 当对话越来越长，上下文窗口快满了怎么办？OpenClaw 使用滑动窗口策略： ⠀ ⠀ compaction 的过程：检测到上下文使用率超过阈值 → 触发 memoryFlush，AI 保存重要信息到记忆文件 → 将早期消息压缩成摘要 → 释放上下文空间，继续对话。 ⠀ 上下文预算管理 ⠀ OpenClaw 通过 compaction 机制自动管理上下文空间。当对话接近上下文窗口上限时，会自动触发压缩。你可以通过 reserveTokensFloor 控制压缩后保留多少上下文空间： ⠀ ⠀ reserveTokensFloor 越大，压缩越激进（保留的旧消息越少）。默认值 20000 tokens 对大多数场景够用。 ⠀ 💡 实用建议： 如果记忆文件太大导致上下文空间不足，最有效的做法是精简 MEMORY.md 的内容（建议控制在 3000 tokens 以内），而不是调整配置参数。 💡 实用建议： 如果记忆文件太大导致上下文空间不足，最有效的做法是精简 MEMORY.md 的内容（建议控制在 3000 tokens 以内），而不是调整配置参数。 ⠀ 用户画像和偏好记忆 ⠀ OpenClaw 有一个专门的文件 USER.md 来存储用户画像。这跟 MEMORY.md 不同 — MEMORY.md 存的是各种杂项记忆，USER.md 专门描述"你是谁"。 ⠀ USER.md 结构 ⠀ ⠀ 自动学习用户偏好 ⠀ OpenClaw 没有专门的"自动学习"配置开关。用户偏好的记录依赖于 AI 模型自身的判断 — 当你在对话中表达偏好时，AI 会主动将其写入 USER.md 或 MEMORY.md。 ⠀ 你可以通过 SOUL.md（Agent 人格文件）来引导 AI 更主动地记录偏好： ⠀ ⠀ 这种方式比配置文件更灵活 — 你可以用自然语言精确描述 AI 应该记住什么、怎么记住。 ⠀ 主动让 AI 记住 ⠀ 直接告诉 AI 你想让它记住什么： ⠀ ⠀ AI 会根据内容类型，自动决定写入 MEMORY.md 还是 USER.md： • 个人偏好、习惯 → USER.md • 项目信息、决策、事实 → MEMORY.md • 临时笔记、当天事项 → memory/YYYY MM DD.md ⠀ 记忆工具 ⠀ AI 有专门的工具来操作记忆： ⠀ memory search — 语义搜索 ⠀ 从所有记忆文件中搜索相关内容。 ⠀ ⠀ 搜索范围： • MEMORY.md — 长期记忆 • USER.md — 用户画像 • memory/ .md — 所有日志文件 ⠀ memory get — 精确读取 ⠀ 读取某个记忆文件的特定内容。 ⠀ ⠀ 记忆写入 ⠀ AI 通过标准的文件写入工具来更新记忆文件。没有专门的"记忆写入"工具 — 这是故意的设计，保持简单。 ⠀ ⠀ 知识库集成 (RAG) ⠀ 当你需要 AI 记住大量结构化知识（比如公司文档、产品手册、代码库），普通的记忆文件就不够用了。这时候需要 RAG（Retrieval Augmented Generation，检索增强生成）。 ⠀ 什么是 RAG？ ⠀ 简单说：AI 回答问题之前，先从知识库里搜索相关内容，然后带着这些内容去回答。 ⠀ ⠀ OpenClaw 的 RAG 实现 ⠀ OpenClaw 的记忆搜索本身就具备 RAG 能力 — 通过 memorySearch 索引 workspace 下的 Markdown 文件，支持语义搜索。如果你想索引 workspace 之外的文件，可以通过 extraPaths 扩展： ⠀ ⠀ 对于更高级的知识检索需求，OpenClaw 支持 QMD 后端（实验性功能），它结合了 BM25 + 向量搜索 + 重排序： ⠀ ⠀ ⚠️ QMD 需要单独安装（bun install g https://github.com/tobi/qmd），且需要支持扩展的 SQLite 构建。如果 QMD 不可用，OpenClaw 会自动回退到内置的 SQLite 搜索引擎。 ⚠️ QMD 需要单独安装（bun install g https://github.com/tobi/qmd），且需要支持扩展的 SQLite 构建。如果 QMD 不可用，OpenClaw 会自动回退到内置的 SQLite 搜索引擎。 ⠀ 知识源类型 ⠀ OpenClaw 的 memorySearch 默认只索引 Markdown 文件（.md）。如果使用 QMD 后端