OpenClaw · Memory System

让 AI 拥有"记忆"

四层架构，让对话真正"懂你"

四层架构语义检索 Pi 集成

01 / 10

The Problem

金鱼记忆—— AI 的诅咒

你是不是受够了——每次都要从零开始教 AI？

刚说完"这个客户叫张三"，下一秒 AI 就忘了
多轮任务做到一半，AI 开始重复之前的错误
每次新对话，都要重新交代背景——烦不烦？

这不是 AI 的 bug，是架构问题。
传统对话每轮都是"全新开始"，模型只看到当前输入。

02 / 10

Architecture

四层架构—— 记忆的进化

OpenClaw 用四层架构，把 AI 从"金鱼"变成"记忆大师"

Layer 01

会话历史
记住"刚才聊了什么"

Layer 02

系统提示词
记住"应该怎么做"

Layer 03

技能系统
记住"用什么工具"

Layer 04

长期记忆
记住"过去发生了什么"

03 / 10

Layer 01 & 02

会话历史 + 系统提示词

会话历史

JSONL 格式持久化，树状结构
上下文溢出时自动压缩裁剪
按渠道类型区别处理

SessionManager.open()
.getHistory(10)

系统提示词

buildAgentSystemPrompt() 构建
包含工具定义、安全护栏
运行时元数据动态注入

systemPrompt
  + tools
  + skills snapshot

04 / 10

Layer 03 & 04

技能系统 + 长期记忆

Skills 技能系统

会话启动时一次性快照
按需加载，约 24 tokens/技能
workspace > 用户 > 内置三级优先级

SKILL.md
→ 快照注入
→ 按需调用

长期记忆

AI 主动调用 memory_search()
语义检索，非全量加载
跨会话、跨天的知识保留

memory_search({
  query: "用户偏好",
  maxResults: 5
})

05 / 10

Flow

Prompt 组装流程

一条消息进来，记忆系统如何组装完整上下文？

用户消息 → 会话历史 → 系统提示词 → Skills → 长期记忆 → 组装 → 模型

const finalPrompt = [
  systemPrompt,      // buildAgentSystemPrompt()
  history,           // sessionManager.getHistory(10)
  relevantMemory,    // memory_search({query: ...})
  userMessage
].join('\n\n');

06 / 10

Pi Integration

Pi 集成—— 不是插件，是内嵌

不是子进程，不是 RPC——是内嵌方式

01

会话生命周期
完全自主控制

02

自定义工具
直接注入

03

多账户认证
无缝轮换

04

提供商无关
灵活切换

createAgentSession() — 深度定制，超越传统 Agent 调用方式

07 / 10

Principles

为什么这样设计？

01

分层解耦
每层独立，修改互不影响

02

语义检索
记忆可搜索，非全量加载

03

会话隔离
workspace 记忆互不污染

04

自动压缩
上下文溢出时智能裁剪

特性	传统方案	OpenClaw
历史管理	手动维护	SessionManager 自动
上下文加载	全量加载	按需裁剪
记忆检索	被动注入	memory_search 主动
Skills 加载	每轮扫描	会话快照

08 / 10

Scenarios

真实应用场景

01

跨天连续对话
4月5日说"记住这个客户叫张三"，4月6日问"那个张三的项目进展如何？"——AI 记得

02

复杂任务接力
"帮我分析昨天的销售数据" → "再对比一下前天的"——不用重复背景，直接继续

03

多 Agent 记忆隔离
main / architect / designer 每个 Agent 有独立的 SessionManager，工作互不污染

09 / 10

让 AI 真正"懂你"
从今天开始

openclaw.ai →

10 / 10