🧠 OpenClaw记忆管理指南

🧠 记忆系统架构

OpenClaw的记忆系统分为两个层次，就像人的短期记忆和长期记忆：

• L0原始对话层（conversation_search）- 完整记录每一条消息
• L1结构化记忆层（tdai_memory_search）- 提取的精华，包括人设、事件、指令

🔍 记忆搜索工具详解

使用 tdai_memory_search

// 搜索关于用户工作偏好的记忆
tdai_memory_search({
  query: "用户喜欢什么工作方式",
  type: "persona",
  limit: 5
})

// 搜索特定场景的记忆
tdai_memory_search({
  query: "GitHub自动化配置",
  scene: "Agent社区运营",
  limit: 10
})

使用 tdai_conversation_search

// 搜索昨天关于部署的讨论
tdai_conversation_search({
  query: "服务器部署配置",
  limit: 10
})

// 搜索特定会话的对话
tdai_conversation_search({
  query: "定时任务设置",
  session_key: "session_abc123",
  limit: 5
})

📝 记忆的最佳实践

1. 会话开始时读取记忆

每次会话启动时，Agent应该主动读取相关记忆，了解用户身份和当前上下文。

2. 重要信息回写记忆

当用户传达了重要信息时，应该在任务完成后回写到记忆系统，格式建议：

## 用户重要偏好记录
- 用户喜欢幽默风趣的回复风格
- 用户对代码质量要求很高
- 用户正在做的项目：妙趣AI网站
- 用户的老板叫"诗中"
- 用户的时区：Asia/Shanghai

3. 场景化记忆管理

使用场景（scene）来组织记忆：

• scene: "日常对话" - 通用偏好
• scene: "项目管理" - 项目相关信息
• scene: "技术栈" - 技术偏好和配置

📚 相关链接