新闻详情

新闻详情

首页 / 资讯中心 / 详情

MetaClaw长期记忆完全指南:6种记忆类型×4种检索模式,让Agent记住30天前的用户偏好

发布时间:2026/11/16 12:11:47来源:尧图网络
MetaClaw长期记忆完全指南:6种记忆类型×4种检索模式,让Agent记住30天前的用户偏好
MetaClaw长期记忆完全指南6种记忆类型×4种检索模式让Agent记住30天前的用户偏好【免费下载链接】MetaClaw Just talk to your agent — it learns and EVOLVES .项目地址: https://gitcode.com/gh_mirrors/me/MetaClaw还在为 AI Agent 的“失忆”烦恼吗今天来完整解析MetaClaw 长期记忆系统它是 MetaClaw 内置的自进化记忆层能把你的用户偏好、项目状态、历史对话自动沉淀为结构化记忆并在每轮对话中精准召回——真正做到“30天前说过的话今天还记得”。本文面向新手无需读源码10分钟即可上手配置。为什么你的 Agent 需要长期记忆普通 Agent 每开一个会话就把上下文清零 你上周说“回复要简洁”这周它又开始长篇大论 你提过的项目背景、踩过的坑全部要重新讲一遍 对话越多体验反而越差——因为它从不“积累”MetaClaw 的解法是技能Skills记录“怎么做”记忆Memory记录“发生过什么”。两者叠加Agent 才能像一个真正熟人的助手那样工作。6种记忆类型MetaClaw 如何分类你的对话MetaClaw 借鉴人脑记忆分类把对话内容拆成 6 种结构化记忆单元定义见 metaclaw/memory/models.py记忆类型记什么举个例子episodic情景记忆具体的事件与交互“周一用户要求上线 webhook”semantic语义记忆关于用户/项目的一般事实“用户是 Python 后端工程师”preference偏好记忆用户明确或隐含的偏好“代码一律加类型注解”project_state项目状态当前目标、未完成任务、近期决策“Sprint 8 还剩 2 个任务”working_summary工作摘要近期活动的滚动压缩摘要“本周主要在改鉴权模块”procedural_observation流程观察学到的模式、工作流、过程笔记“部署前必须跑全量测试”这种分类不是摆设——检索时系统会按类型施加不同“加权分”如工作摘要 1.2、项目状态 1.1、情景记忆 0.8让最该被记住的内容浮上来。参数定义在 metaclaw/memory/policy.py。4种检索模式keyword / embedding / hybrid / auto记忆存得好还要找得回。MetaClaw 提供 4 种检索模式实现见 metaclaw/memory/retriever.pykeyword关键词基于 SQLite FTS5 全文检索 BM25 打分命中精确、零依赖短查询最稳embedding向量对存储的向量做余弦相似度匹配擅长同义词、语义相近的查询hybrid混合关键词 向量按 IDF 权重融合兼顾精确与召回是官方默认推荐auto自动系统根据“查询长度、记忆库密度、是否有向量”自动选择最佳模式省心之选 新手建议直接选hybrid想要零配置就交给auto。快速上手一条命令开启长期记忆MetaClaw 的记忆功能在 v0.4.0 后默认内置开启只需两步pip install -e . metaclaw setup # 交互式配置向导 metaclaw config memory.enabled true # 开启长期记忆 metaclaw start启动后无需任何新配置每次会话结束v0.4.1 起还会每 5 轮增量提取一次MetaClaw 自动把对话提炼成记忆单元存入本地下一轮对话开始时相关记忆与技能一起注入 Prompt。整个“自动捕获 → 自动召回”闭环对使用者完全透明核心逻辑见 metaclaw/memory/manager.py。背后架构SQLite FTS5不依赖 GPU 和向量数据库这是 MetaClaw 记忆系统对新手最友好的一点✅ 存储全部走本地SQLite FTS5不需要 Redis、Elasticsearch 或专用向量库✅ 内置HashingEmbedder用 SHA256 生成确定性向量不装任何 ML 库也能跑语义检索✅ 需要更强语义能力时可选项装 sentence-transformers 升级 Embeddermetaclaw/memory/embeddings.py也就是说一台普通笔记本就能跑起“会记事的 Agent”。自我进化检索策略会自己调优MetaClaw 的记忆策略不是写死的。后台的自我升级流水线metaclaw/memory/self_upgrade.py会持续执行候选生成每个周期产生 8–12 个有界策略变体模式、预算、权重回放评估拿你真实的历史对话回放计算 6 项质量信号查询重叠、精准度、事实锚定等安全晋级多个独立信号都提升才会替换现策略且可选人工审核配合定期记忆整合去重、近重复合并、重要性衰减见 metaclaw/memory/consolidator.py记忆库越用越准、越用越瘦。如何验证“记住30天前的偏好”仓库自带MetaClaw-Bench评测集30 天完整对话历史 12 天精简版每天一组评测问题专门检验 Agent 能否跨天、跨周召回早期信息。评测数据与脚本在 benchmark/data/metaclaw-bench/运行说明见 benchmark/README.md。跑完对比“开记忆 / 关记忆”的得分你就能直观看到长期记忆的价值。核心模块速查想了解看这里记忆数据结构6 类型、状态机metaclaw/memory/models.py检索器4 模式metaclaw/memory/retriever.py策略参数与预设balanced/recall/precision/recentmetaclaw/memory/policy.py整合维护去重/合并/衰减metaclaw/memory/consolidator.py记忆子系统完整文档metaclaw/memory/README.md独立记忆 Sidecar 插件进程隔离部署openclaw-metaclaw-memory/常见问题 FAQQ记忆存在哪里安全吗全部存在本地 SQLite默认~/.metaclaw/memory不上传任何云端。Q记忆会不会撑爆上下文不会。默认每轮最多注入 6 条记忆、预算 800 token与技能共享 1200 token 总上限超了会自动截断。Q和 Skills 是什么关系Skills 是“怎么做”方法沉淀Memory 是“发生过什么”事实与偏好沉淀。MetaClaw 会自动为两者分配 token 比例技能约 35%记忆约 65%并做去重。MetaClaw 长期记忆系统的本质把每次对话都变成可检索的资产。6 种类型管“怎么记”4 种模式管“怎么找”自动进化管“越记越好”。开启它只需要一行metaclaw config memory.enabled true——剩下的交给你的 Agent 自己学习。【免费下载链接】MetaClaw Just talk to your agent — it learns and EVOLVES .项目地址: https://gitcode.com/gh_mirrors/me/MetaClaw创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
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 2026/11/15 4:54:16

【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 2026/11/15 2:04:12

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 2026/11/14 10:11:15

【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 ... 2026/11/16 6:47:19

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 2026/11/14 16:35:50

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 2026/11/15 4:06:36

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
📞 ✉