新闻详情

新闻详情

首页 / 资讯中心 / 详情

OpenClaw 记忆系统完全解析:短期/中期/长期记忆架构 + 插件方案对比

发布时间:2026/11/17 15:01:55来源:尧图网络
OpenClaw 记忆系统完全解析:短期/中期/长期记忆架构 + 插件方案对比
1. 为什么你的 OpenClaw 总是“失忆”OpenClaw 记忆系统是这套 Agent 框架里最容易被低估的模块。很多人第一次跑 OpenClaw会发现它每次新开会话就像换了个人昨天刚聊过的项目背景、定好的命名规范、踩过的坑今天全部归零。这不是 Bug而是 OpenClaw 默认只启用了最基础的会话上下文短期记忆一关会话就丢中期日志和长期记忆文件都需要你主动配置才会真正参与检索。OpenClaw 记忆系统能做什么简单说它把“记住东西”拆成三层短期记忆负责当前会话的上下文一致性中期记忆按天落盘成 Markdown 日志长期记忆则是你手动精选的 MEMORY.md、AGENTS.md 这类核心文件。适合谁适合所有把 OpenClaw 当长期协作 Agent 用的人——写代码、做运维、跑内容流水线只要跨会话就要记忆。我试过只靠默认配置跑一周结果是每天重复解释同一套项目约束效率极低。后来把三层记忆和向量检索插件接上才真正跑通“今天问的事明天它还知道”。这篇就按落地顺序讲先给 config.toml 骨架再对比插件方案最后演示一次记忆读写验证让你在本地把链路跑通。2. TaoToken 前置给记忆检索接上模型能力OpenClaw 的记忆系统本身只负责存储和检索真正让“语义搜索”和“记忆总结”跑起来还需要一个稳定的模型调用入口。TaoToken 在这里的角色是统一 API 网关你用它拿到 Key配到 OpenClaw 的 provider 里记忆插件做 embedding 或做日志总结时就走这条链路。官网入口在 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 注册后在控制台创建 API Key。API 基址是 https://taotoken.net/api 注意这个地址不带任何查询参数配置时直接填。需要提前准备的东西一个可用的 TaoToken API Key控制台里生成形如 sk- 开头OpenClaw 已安装并能正常启动本文基于 2026.3.x 版本本地磁盘预留约 200MB给本地 embedding 模型缓存用提示如果你打算用本地向量方案memory-lancedb-localembedding 在本地算TaoToken 只用于对话和日志总结如果走云端向量方案embedding 请求也会经过 TaoToken。两种模式下面都会给配置。拿到 Key 后先验证一下网关连通性避免后面把记忆插件的报错误判成配置问题curl https://taotoken.net/api/v1/models \ -H Authorization: Bearer sk-你的Key返回模型列表就说明 Key 和网络都正常。这一步别跳过我踩过的坑里有一半是 Key 没生效却去查插件配置。3. 可复制配置config.toml 骨架与插件启用OpenClaw 的记忆配置集中在 config.toml 的[memory]段和[extensions]段。下面这份骨架可以直接抄按注释改路径和 Key 即可。# ~/.openclaw/config.toml [provider] # 统一走 TaoToken 网关 base_url https://taotoken.net/api api_key sk-你的Key model claude-3-5-sonnet [memory] # 三层记忆的落盘位置 workspace ~/.openclaw/workspace daily_dir memory # 中期memory/YYYY-MM-DD.md long_term MEMORY.md # 长期精选记忆 session_limit 100000 # 短期会话 token 上限 # 检索策略keyword | fts | hybrid search_type hybrid [memory.retention] daily_keep_days 30 # 中期日志保留天数 auto_compact true # 会话结束自动压缩摘要 [extensions.memory-lancedb-local] enabled true remoteEmbedding false # 本地算 embedding零 API 成本 embeddingModel Xenova/all-MiniLM-L6-v2 storage ~/.openclaw/lancedb三层记忆的职责在这份配置里对应得很清楚session_limit管短期daily_dir管中期long_term管长期search_type hybrid让关键词和向量一起参与召回。如果你更看重精度、且不介意 embedding 走网络把本地插件换成云端向量方案[extensions.memory-lancedb] enabled true provider openai base_url https://taotoken.net/api api_key sk-你的Key改完配置后重载openclaw config validate openclaw --reloadconfig validate会检查 TOML 语法和必填项报错信息很直白先过这一关再启动。4. 验证请求一次记忆读写跑通链路配置对不对跑一次写入加召回就知道。OpenClaw 的记忆插件暴露了memory_store和memory_recall两个工具在对话里直接调用即可。先写入一条带分类和重要度的记忆memory_store( textOpenClaw 记忆系统采用短期/中期/长期三层架构中期日志落在 memory/YYYY-MM-DD.md, categoryfact, importance0.8 )预期返回类似stored: memories/2026-03-05-001.json说明写入成功。接着做一次语义召回故意用不同的措辞测试向量检索是否生效memory_recall(queryOpenClaw 怎么分层保存记忆, limit3)如果返回里包含刚才那条“三层架构”的记忆说明 embedding 和检索链路都通了。这里的关键点是query 里没有出现“短期/中期/长期”这些原词能召回就证明走的是语义匹配而不是纯关键词。再验证中期日志是否真的落盘ls -la ~/.openclaw/workspace/memory/ cat ~/.openclaw/workspace/memory/$(date %F).md你应该能看到当天的 Markdown 日志文件里面按时间线记录了会话要点。长期记忆则检查MEMORY.md是否被你手动更新过——注意长期记忆不会自动写入这是设计选择需要你主动整理。三种方案验证时的表现差异可以对照这张表方案写入耗时召回方式离线可用openclaw-memory极快关键词匹配是memory-core快SQLite 全文搜索是memory-lancedb-local首次慢下模型向量语义搜索是memory-lancedb 云端快向量语义搜索否5. 本篇常见错排查5.1 召回为空但写入成功最常见的原因是 embedding 模型没下载完就发起了查询。本地方案首次运行会拉取约 140MB 的模型网络中断会导致索引为空。检查~/.openclaw/lancedb目录是否有数据文件没有就删掉重建索引openclaw --rebuild-memory-index5.2 报 401 或鉴权失败记忆插件做 embedding 时会读[provider]的 Key。如果你在[extensions.memory-lancedb]里单独写了 api_key两处不一致就会 401。统一用 TaoToken 的 Key并确认 base_url 是https://taotoken.net/api不要多加路径后缀。5.3 中期日志不生成auto_compact true只在会话正常结束时触发压缩。如果你直接 kill 进程日志不会落盘。养成正常退出会话的习惯或者手动触发一次总结。另外检查daily_dir路径是否有写权限。5.4 移动端或低资源环境崩溃在 Android 等环境里ONNX runtime 可能和本地 embedding 模型不兼容表现为启动即崩。这时把本地向量插件关掉改用纯 API 模式[extensions.memory-lancedb-local] enabled false [extensions.memory-lancedb] enabled true base_url https://taotoken.net/api api_key sk-你的Key5.5 记忆越存越乱没有分类和重要度评分的记忆召回质量会快速下降。写入时坚持填category和importance并定期把日志里的关键结论迁移到MEMORY.md。向量检索解决“找得到”人工精选解决“找得准”两者缺一不可。6. 把记忆链路固定成日常习惯跑通之后真正决定效果的不是插件多高级而是你有没有稳定的维护动作。我的做法是每天会话结束让 OpenClaw 自动压缩日志每周花十分钟把日志里的决策和教训搬进MEMORY.md每月清理一次超过保留期的日志。短期记忆交给会话上下文中期交给日志长期交给精选文件向量检索负责在需要时把三者串起来。如果你还在选型阶段从memory-lancedb-local起步性价比最高零 API 成本、完全离线、语义搜索够用。等团队协作或精度要求上来再切到云端向量方案。需要长期跑编码和 Agent 任务的话可以了解下 Coding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 把模型调用和记忆检索的额度一起规划。接入细节和参数说明在接入文档https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 里有完整对照Key 管理在 API Keys 页面https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。想先直观感受模型在记忆场景下的表现可以直接开模型对话https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 试一轮。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉