如何给 OpenClaw 搭建一套「永不失忆」的记忆系统

原文来自 Cali Castle (@calicastle) 的 Twitter Article

从丢失两天记忆到三层自动化架构，一个完整的踩坑教程。

我的设置条件：

• Mac mini 上 24/7 运行着 OpenClaw
• 启用了 qmd 记忆 memory_backend
• 通过 Claude 订阅获取的 token

我的 AI Agent 失忆了

不是那种「哎呀我忘了你喜欢喝什么咖啡」的小失忆，是整整两天的对话、决策、action items，全部蒸发。

像你精心写了两天的文档，结果忘了按 Cmd+S。

事情是这样的：我用 OpenClaw 跑了一套 main agent + sub-agents 的系统，前三天一切丝滑，agent 记得我的偏好，知道项目进度，甚至能 reference 前天讨论的某个技术细节。

我当时觉得，这就是未来。

快进到第四天。

我问它：「昨天那个 Linear issue 的结论是什么？」

它一脸无辜：「我没有找到相关的上下文。」

两天的 context，没了。 因为 session 过期了，context window 刷新了，而我压根没有任何自动化的记忆捕获机制。

这挺蠢的。

这就像你雇了一个天才员工，但每天早上他走进办公室，都不记得昨天发生了什么。

所以我花了一个周末，搭了一套三层记忆系统。现在我的 agent 真的「永不失忆」了。以下是完整的搭建教程，你可以照着做，也可以直接把这篇文章喂给你的 agent 让它自己执行。

核心架构：三层记忆 + 语义搜索

先说整体思路。其实记忆系统的设计跟做产品的信息架构很像。你需要不同粒度的信息层，每一层有自己的更新频率和生命周期。

我的方案是这样的：

• Layer 1：Daily Context Sync — 每天自动捕获，粒度最细
• Layer 2：Weekly Memory Compound — 每周知识蒸馏，去粗取精
• Layer 3：Hourly Micro-Sync — 白天的安全网，防止遗漏
• 底层：Vector Search — 语义检索，让 agent 能搜索自己的过去

MEMORY.md 是精华中的精华，保持精简，每个 session 启动时自动注入到 agent 的 context 里。memory/ 目录下的日志文件是原始素材，按需检索。

这个分层很关键。你不能把所有东西都塞进 context window，那是把整个图书馆搬进考场，不如带一张精心整理的 cheat sheet，需要查资料时再去翻书。

Layer 1：Daily Context Sync（每晚自动捕获）

这是整个系统的基石。每天晚上 11 点，一个 cron job 自动触发，spawn 一个独立的 agent（用 Sonnet，便宜够用），它会：

1. 调用 sessions_list 拉取当天所有 session
2. 用 sessions_history 读取每个 session 的完整对话
3. 蒸馏成一份结构化的日志，写入 memory/YYYY-MM-DD.md
4. 跑 qmd update 和 qmd embed 重新索引向量搜索

几个要点：

• sessionTarget 设成 isolated，这样记忆同步不会污染你的主 session
• 用 Sonnet 而不是 Opus，因为这是个蒸馏任务，不需要最强的推理能力，省钱
• 日志文件用结构化的 markdown 格式：## 标题分区，bullet points 列要点，这样后续的语义搜索效果更好

Layer 2：Weekly Memory Compound（每周知识复利）

日志是原始素材，但你不能让 agent 每次启动都读七天的日志，太长了，噪音太多。

所以每周日晚上 10 点，另一个 cron job 会触发「知识复利」流程：

1. 读取本周全部 7 个日志文件
2. 更新 MEMORY.md，提取新的偏好、决策模式、项目状态变化
3. 剪枝，删除过时的信息
4. 重新索引 qmd

我把这个叫「知识复利」是有原因的。每一周的蒸馏都会让 MEMORY.md 变得更精准、更懂你。

这种积累是指数级的。

Layer 3：Hourly Micro-Sync（安全网）

光有每晚的全量同步还不够。如果你下午三点做了一个重要决策，到晚上十一点才捕获，中间如果有其他 session 需要这个 context 怎么办？

所以我加了一层安全网，白天每隔几个小时做一次轻量级检查。

注意几个设计细节：

• 不是每小时都跑，选了 10 点、1 点、4 点、7 点、10 点这五个时间段，覆盖工作时间
• 它是 append 模式，不会覆盖之前的内容
• 如果最近三小时没有什么有意义的活动，它什么都不做，安静退出
• 不发通知，这层就是个安静的安全网，你甚至感知不到它的存在

底层：Vector Search（语义搜索）

三层记忆解决了「写入」的问题，但「读取」同样关键。你不能让 agent 每次都读完所有文件，那也太慢太贵了。

这就是 qmd 的作用。它提供语义搜索能力，结合了 BM25 关键词搜索和 vector search 向量搜索，还有 reranking。

它会在所有记忆文件里搜索，返回最相关的片段。

关键配置是在 AGENTS.md 里写明规则，强制 agent 用搜索而不是暴力读取。就像你不会为了查一个单词把整本词典从头翻到尾，你直接查索引。

每次记忆写入后都要跑 qmd update 和 qmd embed 来保持索引新鲜。这就是为什么上面每个 cron job 的最后一步都有这两个命令。

效果怎么样

搭完这套系统之后，体感变化是立竿见影的。

以前每次新 session 开始，agent 都像个新来的实习生，什么都要重新解释。现在它启动就带着 MEMORY.md 的完整 context，知道我是谁，知道项目在什么阶段，知道上次讨论到哪了。

需要回忆更久远的细节？它会自动用 qmd 搜索，几秒钟就能找到三天前某次对话的具体结论。

最让我惊喜的是 weekly compound 的效果。跑了两轮之后，MEMORY.md 里关于我的工作习惯的描述准确得有点吓人。它甚至总结出了我 review 代码时的偏好模式，这些东西我自己都没明确意识到。

我的核心观点

搭完这套系统之后，我越来越相信一件事：

Memory infrastructure 比 agent intelligence 重要得多。

我们现在整个行业都在卷模型能力，更大的 context window，更强的推理，更快的响应。但其实，一个有完善记忆系统的普通模型，比一个失忆的顶级模型有用得多。

这跟人一样。一个记忆力好、做事有条理的普通人，长期表现往往好过一个聪明但丢三落四的天才。

所以如果你也在跑 OpenClaw 或者自建 AI agent，我的建议是：别急着换最新的模型，先把记忆基础设施搭好。 这是投资回报率最高的事情。

感谢 @ericosiu 关于 agent memory infrastructure 的文章，给了我最初的灵感。在他的框架基础上，我加了 hourly micro-sync 安全网和 vector search 语义检索层，适配了 OpenClaw 的 cron 和 isolated session 机制。站在巨人肩膀上，永远是最快的路。

这套系统我已经跑了一周，目前零失忆。