OpenClaw记忆系统实战：短期记忆 + 长期记忆配置指南与工程落地

MRDONG1

381人浏览 · 2026-04-24 11:23:20

MRDONG1 · 2026-04-24 11:23:20 发布

一、为什么你必须做“记忆系统”

大多数人在用AI时都会遇到一个问题：

AI很聪明，但它“记不住你”。

具体表现为：

上一轮对话信息丢失
无法形成用户画像
不能持续执行长期任务
每次都要重复输入上下文

这不是模型能力问题，而是系统架构问题。

OpenClaw（或类似Agent框架）解决的核心就是：

让AI具备“类似人类的记忆结构”

二、记忆系统的本质结构

一个完整的AI记忆系统，必须拆成两层：

1️⃣ 短期记忆（Short-term Memory）

类似“工作记忆”：

当前对话上下文
最近几轮交互
当前任务状态

特点：

生命周期短
高实时性
高相关性

2️⃣ 长期记忆（Long-term Memory）

类似“长期记忆”：

用户偏好
历史行为
知识沉淀
任务经验

特点：

可持久化
可检索
可进化

3️⃣ 一个关键结论

❗ 没有长期记忆的AI，只是“聊天工具”
❗ 没有短期记忆的AI，连对话都做不好

三、OpenClaw记忆架构设计

一个实战级系统，通常是这样：

用户输入
↓
短期记忆（上下文窗口）
↓
长期记忆检索（向量数据库）
↓
上下文融合（Context Engineering）
↓
大模型推理
↓
输出结果
↓
写入记忆（短期 / 长期）

四、短期记忆实战配置

1. 核心目标

让AI“看起来记住了刚刚发生的事”

2. 数据结构设计

建议结构：

{
"messages": [
{"role": "user", "content": "用户输入"},
{"role": "assistant", "content": "AI回复"}
]
}

3. 窗口控制策略（重点）

短期记忆不是越多越好。

推荐三种策略：

（1）固定窗口

保留最近 N 条消息：

messages.slice(-10)

优点：简单
缺点：容易丢重要信息

（2）Token裁剪（推荐）

根据token数量动态裁剪：

while (totalTokens > limit) {
removeOldestMessage()
}

（3）摘要压缩（进阶）

把旧对话压缩成摘要：

用户在开发蓝牙设备系统，关注多设备连接问题

👉 这是高阶玩法

4. 短期记忆最佳实践

保留最近3~10轮对话
对历史进行摘要
保留“任务目标”

五、长期记忆实战配置

1. 长期记忆的核心：可检索

不是简单存数据，而是：

能在需要时“找回来”

2. 技术选型

常见方案：

向量数据库（推荐）
- FAISS
- Milvus
- Pinecone

3. 数据存储结构

{
"id": "uuid",
"content": "用户喜欢用Vue开发",
"embedding": [...],
"metadata": {
"type": "preference",
"timestamp": 1710000000
}
}

4. 写入策略（非常关键）

不是所有内容都值得存。

建议只存：

用户偏好
关键事实
长期任务
高价值对话

❌ 不要存：

无意义闲聊
重复信息
噪声数据

5. 检索策略

典型流程：

用户输入 → embedding
向量检索（Top K）
返回最相关记忆

6. 记忆注入（关键步骤）

把检索到的内容插入上下文：

用户历史信息：
- 用户是开发者
- 正在做蓝牙设备项目

当前问题：
……

六、短期 + 长期融合策略

这是最核心的工程点。

1. 上下文拼接顺序（推荐）

系统提示词
↓
长期记忆
↓
短期记忆
↓
当前问题

2. 为什么这样？

长期记忆 → 提供背景
短期记忆 → 保持连贯
当前问题 → 核心任务

3. Token分配建议

假设 8K 上下文：

系统提示：10%
长期记忆：30%
短期记忆：40%
用户输入：20%

七、OpenClaw实战代码示例（简化版）

async function runAgent(userInput) {
// 1. 获取短期记忆
const shortMemory = getRecentMessages()

// 2. 检索长期记忆
const longMemory = await vectorSearch(userInput)

// 3. 构建上下文
const context = [
...systemPrompt,
...longMemory,
...shortMemory,
{ role: "user", content: userInput }
]

// 4. 调用模型
const response = await llm(context)

// 5. 写入短期记忆
saveToShortMemory(userInput, response)

// 6. 判断是否写入长期记忆
if (isImportant(userInput)) {
saveToLongMemory(userInput)
}

return response
}