OpenClaw 记忆系统优化研究报告
研究日期: 2026-02-17
研究者: 阿米狗（AI Assistant）
原方案作者: @Ktaohzk（大三医学生）
原始推文: https://x.com/Ktaohzk/status/2018987689790296254
原始代码: https://github.com/ktao732084-arch/openclaw_memory_supersystem-v1.0
一、研究背景
当前痛点
OpenClaw 默认记忆方案（MEMORY.md + memory/YYYY-MM-DD.md）在长期使用中存在以下问题：
| 问题 | 表现 |
|---|---|
| 记忆膨胀 | MEMORY.md 持续增长，可达 8000+ tokens |
| 检索噪音 | 返回"相关但无用"的内容 |
| 无结构 | 事实、推断、日志全部混在一起 |
| 无遗忘机制 | 旧信息不会自动降权，需手动清理 |
| 元认知缺失 | 无法区分"确定的事实"和"AI的推断" |
研究目标
评估 @Ktaohzk 提出的"三层记忆架构"方案的可行性，并制定适合当前系统的优化路径。
二、方案概述：神经科学启发的三层记忆架构
作者用神经科学思路类比人脑记忆机制，将 AI 记忆系统重新设计为三层结构。
人脑类比
| 人脑机制 | AI 对应设计 |
|---|---|
| 前额叶工作记忆（容量小，随时可用） | Layer 1: < 2000 tokens，每次对话注入 |
| 海马体长期记忆（容量大，按需检索） | Layer 2: JSONL 结构化存储 |
| 情景记忆（原始事件，带时间戳） | Layer 3: 双格式日志（MD + JSONL） |
| 睡眠整合（碎片→长期记忆） | Consolidation: 空闲期自动整理 |
| 遗忘曲线（重要的记得慢） | 衰减公式: score × e^(-λ × days) |
三层结构示意
┌──────────────────────────────────────────┐
│ Layer 1: 工作记忆（< 2000 tokens） │
│ 每次对话直接注入 Prompt │
│ 包含: 身份 / Top Facts / 近期事件 │
└──────────────────────────────────────────┘
▲ 按需检索
┌──────────────────────────────────────────┐
│ Layer 2: 结构化长期记忆（JSONL） │
│ facts.jsonl / beliefs.jsonl │
│ summaries.jsonl │
│ active/ ←→ archive/（分池管理） │
└──────────────────────────────────────────┘
▲ Consolidation 提取
┌──────────────────────────────────────────┐
│ Layer 3: 原始事件日志（双格式） │
│ 2026-02-17.md（人读） │
│ 2026-02-17.jsonl（机读） │
└──────────────────────────────────────────┘
三、核心设计解析
3.1 Fact vs Belief 区分（元认知）
最重要的设计之一，解决 AI"把猜测当事实"的幻觉问题：
| 类型 | 来源 | 置信度 | 使用方式 |
|---|---|---|---|
| Fact | 用户明确说过 | 0.9–1.0 | 直接引用 |
| Belief | AI 推断 | 0.3–0.8 | 商量口气，标注不确定 |
| Summary | 多条 Fact 聚合 | 动态 | 概括性引用 |
示例对比：
"你之前提到你是医学生"→ Fact（高置信度，直接说）"我记得你好像对神经科学感兴趣？"→ Belief（中置信度，用问句）
3.2 自动衰减机制（遗忘曲线）
不同类型记忆，衰减速度不同：
| 类型 | 衰减率 λ | 半衰期 | 设计理由 |
|---|---|---|---|
| Fact | 0.008 | ~87天 | 事实相对稳定 |
| Belief | 0.07 | ~10天 | 推断需要快速验证或遗忘 |
| Summary | 0.025 | ~28天 | 摘要中等时效 |
| Event | 0.15 | ~5天 | 原始事件快速遗忘 |
衰减公式：
新权重 = 旧权重 × e^(-衰减率 × 天数)
效果：旧的、不重要的记忆自动降权，无需手动清理。
3.3 Consolidation（记忆整合）
触发条件：20分钟无消息（空闲期），不影响正常对话。
7阶段整理流程：
收集 → 筛选 → 提取 → 分类 → 衰减计算 → 归档 → 快照生成
核心：每次整理完成后，生成新的 Layer 1 快照（< 2000 tokens），供下次对话注入。
3.4 智能检索 Router
多路检索策略：
- 关键词检索：基于关键词索引
- 实体检索：基于实体关系图
- Rerank：综合 匹配分数 × 0.4 + 重要性 × 0.3 + 记忆分 × 0.3
- 结果分级注入：
- 置信度 > 0.8 → 直接注入 Prompt
- 置信度 0.5–0.8 → 带标记注入
- 置信度 < 0.5 → 仅提供引用路径
四、代码评估
4.1 代码质量
- 版本: v1.1.7（持续迭代中）
- 规模: 500+ 行 Python，多模块架构
- 可靠性: 功能完整，有 fallback 机制
4.2 模块结构
memory-system-skill/
├── scripts/memory.py # 核心 CLI（500+ 行）
├── prompts/
│ ├── filter.md # Phase 2 筛选 Prompt
│ ├── extract.md # Phase 3 提取 Prompt
│ ├── verify_belief.md # Phase 4b 验证 Prompt
│ └── snapshot.md # Phase 7 快照 Prompt
└── templates/config.json # 默认配置
4.3 实测性能
| 指标 | 传统方案 | v1.0 |
|---|---|---|
| 每次对话 Token 消耗 | 3000–8000 | < 2000（↓60%） |
| 检索精准度 | ~60% | ~90%（↑50%） |
| 记忆分类 | ❌ | ✅ Fact/Belief/Summary |
| 自动衰减 | ❌ | ✅ |
| 元认知能力 | ❌ | ✅ |
| 单条记忆添加 | 即时 | ~39ms |
| 100条整理 | 手动 | ~51ms |
五、可行性评估
5.1 依赖分析
| 功能 | 依赖 | 我们现状 |
|---|---|---|
| 规则筛选（Phase 2 基础版） | 无 | ✅ 可用 |
| 实体识别（Layer 1–2） | 无 | ✅ 可用 |
| LLM 筛选（Phase 2 增强版） | OpenAI API | ❌ 未配置 |
| 语义检索 | Embedding API | ❌ 未配置 |
| 衰减计算 | 无 | ✅ 可用 |
| Consolidation 自动触发 | Cron/heartbeat | ✅ 可配置 |
关键结论：原方案最强的特性（LLM 增强筛选 + 语义检索）依赖 OpenAI API。纯规则版仍有价值，但效果打折。
5.2 集成难度
现有系统（OpenClaw 默认）：
- 文件记忆：MEMORY.md + memory/YYYY-MM-DD.md
- 向量搜索：memory_search（已禁用，无 embedding key）
- Compaction + memoryFlush（已配置）
- contextPruning（今日已配置）
集成该方案需要：
- 将 Python 脚本部署到工作区
- 将 LLM 调用从 OpenAI 改为 Anthropic（或适配当前 OAuth）
- 配置 cron 任务触发 Consolidation
- 修改 AGENTS.md 的记忆读取逻辑，从 Layer 1 快照读取
六、建议方案
方案 A：轻量借鉴（立即可执行）
不引入 Python 脚本，在现有文件结构里应用核心思路：
MEMORY.md 改造：
## [FACTS] 确定事实（置信度 0.9+）
- Ami 在马尼拉 [score: 0.95, added: 2026-01-29]
- 偏好中文沟通 [score: 0.90, added: 2026-01-29]
## [BELIEFS] 推断信念（置信度 0.5-0.8）
- 可能对流媒体合租感兴趣 [score: 0.70, added: 2026-02-01]
## [PROJECTS] 项目
- iShare: /Users/mini/Work/ClaudeCowork/ [活跃]
手工衰减：每周 heartbeat 跑一次衰减评估，降权或删除低分记忆。
适合场景：立即落地，无需新工具，效果有限但实用。
方案 B：完整集成（需要 API Key）
完整移植原方案，将 LLM 调用改为 Anthropic Claude（通过现有 OAuth），集成为 OpenClaw Skill。
步骤：
- Fork 原代码，替换 LLM 调用层（OpenAI → Anthropic Messages API）
- 包装为 SKILL.md + scripts/
- 配置 cron 触发 consolidation（每天凌晨或空闲期）
- 修改 AGENTS.md 读取 Layer 1 快照
适合场景：长期方案，完整效果，开发成本约 4-6 小时。
方案 C：等待官方（观望）
OpenClaw 官方已有 memory_search + contextPruning 机制，等官方把向量搜索成本降低或提供本地 embedding。
适合场景：不想折腾，等系统成熟。
七、结论
@Ktaohzk 的方案在概念上非常扎实，值得借鉴。
| 维度 | 评分 | 备注 |
|---|---|---|
| 架构设计 | ★★★★★ | 三层分层 + 衰减机制是亮点 |
| 代码质量 | ★★★★☆ | 功能完整，模块清晰 |
| 落地难度 | ★★★☆☆ | 需要 API key，集成有成本 |
| 宣传数字真实性 | ★★★★☆ | 数字真实，但依赖 LLM 版本 |
| 推荐程度 | ★★★★☆ | 强烈推荐借鉴核心思路 |
当前建议：先执行方案 A（轻量借鉴），改造现有 MEMORY.md 结构；待有 OpenAI/Gemini API key 后，推进方案 B（完整集成）。
研究报告由阿米狗生成 · 2026-02-17