聊得热火朝天，隔天关掉窗口再打开，AI 就把你忘得一干二净。这种聊完即焚的体验，让 AI 很难成为真正的长期助理。

我们都期待 AI 能像个长期同事：记得你的偏好，记得上周的项目背景，记得做过的决策。

AI 的记忆并不是玄学，它其实是产品设计 + 工程机制的组合。最近大火的OpenClaw，就是一个很好的例子。

今天我们试着拆解 OpenClaw 的记忆机制，看看它是如何用本地 Markdown 文件来解决这个难题的。

01. 先讲清楚两个概念：Context vs Memory

在讨论 AI 记忆时，容易混淆两个概念。先厘清一下：

Context（上下文）

把它理解为“短期工作台”。

它是与AI交互的单次请求中，模型能“直接看到”的所有信息。

特点：临时、有限、昂贵。你的 Prompt 窗口多大，它就只能装多少。一旦窗口关了，或者字数超了，信息就丢了。

Memory（长期记忆）

它是“档案室”。

它是那些跨会话、跨天保存的信息资产。

特点：持久、可增长、可检索。它不直接在模型眼前，但随时可以去查。

使用一款AI产品，考察“它记不记得住”，本质上是召回链路的体验设计，即能不能在需要的时候，准确地从“档案室”（Memory）里抽出对的那张纸，放到“工作台”（Context）上。

02. 把黑盒变白盒：模型每次到底“看到了什么”？

OpenClaw 的每一次对话，都是一条精密组装的信息流水线。

当你向它发出一个指令，OpenClaw 在后台其实组装了四块积木喂给模型：

• System Prompt（系统指令）：定义了它的人格、底线和核心规则。
• Project Context（项目/工作区上下文）：这是 OpenClaw 的特色（也就是那堆 Markdown 文件），告诉它当前项目的全貌。
• Conversation History（对话历史）：除了聊天记录，还包含工具调用痕迹，以及为了省 Token 做的多轮压缩摘要。
• Current Message（当前输入）：用户刚刚发的那条指令。

以上四块积木，就是 OpenClaw 的输入组装器。在每一次对话中，模型都会看到这四块内容，然后生成更符合当前上下文的回复。

03. 记忆放在哪：把“记忆”产品化成可管理资产

OpenClaw 没有把记忆藏在云端数据库里，而是直接放在了你的工作区目录下。

它的记忆形态，就是本地可读可写的 Markdown 文件。

这种设计带来了三个明显的产品价值：

• 透明（Transparent）：用户能直接打开文件，看见 AI 到底给自己记了什么。
• 可编辑（Editable）：记错了？你可以像改 Word 文档一样直接去改。觉得乱了？你可以手动整理。
• 可迁移（Portable）：你的记忆就是几个.md文件。复制到另一台电脑，甚至发给同事，那个 AI 就瞬间拥有了同样的“脑子”。

在 OpenClaw 的实践中，这种记忆被分成了两层：

• Layer 1（流水账）：类似memory/2026-02-02.md的每日增量日志。
• Layer 2（精华库）：类似MEMORY.md的长期归纳摘要。

~/clawd/├── MEMORY.md              - Layer 2: Long-term curated knowledge└── memory/    ├── 2026-01-26.md      - Layer 1: Today's notes    ├── 2026-01-25.md      - Yesterday's notes    ├── 2026-01-24.md      - ...and so on    └── ...

把“记忆”从一个隐式的功能（Hidden Feature），变成了一个显式的资产（Explicit Asset）。可控性带来了信任感。

04. 记忆怎么“用起来”：检索 → 取回 → 回填

光存下来没用，关键是怎么用。OpenClaw 的记忆调用链路，类似人类查资料的过程：

第一步：检索（memory_search）

当你要问个事，AI 先去“档案室”里翻目录。它会根据阈值（相似度多少才算相关）和数量上限（比如只看前 5 条），找出最相关的片段。

第二步：读取（memory_get）

找到了线索后，它会按图索骥，读取具体文件的具体段落。

第三步：写入/更新

它不需要专门的“写入”工具。因为它能读写文件，所以“写记忆” = “编辑文件”。这让它的记忆维护能力和通用的文件编辑能力复用了。

长期记忆的关键不仅仅是“存”，而是在正确的时机（Trigger），把对的片段（Top-K）拉回到 Context 里。

05. 为什么它能“越聊越懂你”：索引与检索的工程流水线

为什么你不需要说关键词，它也能懂你的意思？因为整个记忆的处理过程是一条标准流水线：

1. 监听（Watch）：随时盯着文件变动（监视 MEMORY.md + memory//*.md），一定要检测到“有新东西”才开始动。

2. 切片（Chunking）：把长文章切成小块。为什么要切？因为太长了检索不准，太短了意思不完整。这里有个overlap（重叠）参数，就像切藕一样，切断了还得连着点丝，保证语义连贯。

3. 向量化（Embedding）：把这些切片扔给 Embedding 模型，变成一串数字（向量）。

4. 本地存储：存在一个本地的 SQLite 文件里。这里存了切片内容、向量数据、关键词索引。

5. 混合检索（Hybrid Search）：这是OpenClaw的检索核心。

    ·语义检索（向量搜索）：召回“意思相近”的内容。（搜“水果”能找到“苹果”）

    ·关键词检索（BM25搜索）：补漏人名、ID、日期这种硬指标。

    ·加权融合：把两者的结果按权重（语义0.7 : 关键词0.3）合并。

06. 多 Agent / 多工作区：为什么“隔离”是高级体验

你肯定不希望写代码的 AI 突然跟你聊起昨天写的菜谱。

OpenClaw 的设计目标很明确：不同任务/身份的记忆互不污染。

物理隔离：每个 Agent 绑定独立的工作区和索引文件。

逻辑分域：

这是信息边界的设计。本质是为了降低误召回（幻觉）的风险，防止跨域串话。

07. 设计AI产品的启示

最后，抛开技术细节，这套机制能给所有设计 AI 产品的人带来什么启示？

长期记忆是套组合拳：它 = 存储形态 + 索引机制 + 召回策略。

把记忆资产化：让用户看见、能改、能带走。“可控性”是 AI 时代最稀缺的奢侈品。

决胜在召回：真正的体验差异点，不在于你存了多少，而在于你能不能在该出现的时候，默认且稳定地把它找出来。