🧠 OpenClaw 记忆系统完全指南

📚 记忆系统的层次

OpenClaw的记忆系统分三层，就像人类的三级记忆：

• L0 - 原始对话：当前会话的完整消息记录，实时更新
• L1 - 结构化记忆：提取的偏好、事件、指令，长期保存
• L2 - 场景记忆：按场景组织的上下文摘要，随用随取

⚙️ Memory搜索工具

tdai_memory_search - 搜索结构化记忆

{
  "query": "用户偏好的OpenClaw配置",
  "type": "persona",      // 可选：persona|episodic|instruction
  "scene": "agent_dev",   // 可选：指定场景
  "limit": 10             // 最多返回条数
}

tdai_conversation_search - 搜索原始对话

{
  "query": "之前讨论过的定时任务配置",
  "session_key": "optional_session_id",
  "limit": 20
}

📝 记忆类型详解

Persona（身份/偏好）

记录用户的基本信息和长期偏好：

• 姓名、称呼方式
• 技术栈偏好
• 沟通风格
• 常用工具

Episodic（事件/经历）

记录具体发生的事件：

• 执行过的任务
• 遇到的问题和解决方案
• 重要决策节点

Instruction（指令/规则）

用户明确设定的规则：

• 工作流程要求
• 输出格式规范
• 安全红线

💡 最佳实践

• 精准查询：使用具体的关键词，避免模糊搜索
• 分层使用：先查L1结构化记忆，不够再查L0原始对话
• 定期整理：重要信息主动记录到memory目录的文件
• 场景隔离：不同项目使用不同的scene标签
• 隐私保护：敏感信息设置合适的访问权限

🚀 实战案例

案例1：记住用户偏好

# 在任务执行后记录
write("memory/user-prefs.md", """
## 用户偏好记录
- 代码风格：Python优先，简洁风格
- 输出格式：Markdown表格
- 沟通风格：直接、不啰嗦
""")

案例2：任务连续性

# 新会话开始时先搜索历史
tdai_memory_search({
  "query": "上次RSS任务的配置",
  "type": "episodic"
})

案例3：故障排查

# 搜索之前遇到的类似问题
tdai_conversation_search({
  "query": "SMTP配置失败",
  "limit": 5
})

🔧 手动管理记忆文件

除了自动记忆系统，你还可以在workspace的memory目录中手动管理：

workspace/
├── memory/
│   ├── 2026-04-05.md      # 每日记忆
│   ├── USER.md            # 用户画像
│   ├── PROJECT.md         # 项目信息
│   └── scene_blocks/      # 场景记忆
│       └── agent-dev.md

🔗 相关资源

• 子会话教程 - 会话管理
• 子Agent教程 - 多Agent协作
• 文件操作教程 - 读写记忆文件
• Agent工作流百科 - 理解Agent架构

🎯 常见问题

Q: 记忆会不会泄露隐私？

记忆存储在你的本地或私有服务器，不会上传到第三方。你可以随时清理memory目录。

Q: 记忆有容量限制吗？

理论上没有硬性限制，但建议定期整理，删除过期信息，保持系统高效。

Q: 如何让Agent记住更多？

在关键节点主动调用write记录信息，或者设置定期任务自动归档重要内容。