Memory（记忆系统）

📚 什么是Memory？

在OpenClaw和Agent Skills的世界里，Memory不是一个虚无缥缈的概念，而是实实在在的技术组件。它是Agent的"大脑硬盘"，没有它，Agent就是个"金鱼脑"——（据说金鱼的记忆只有7秒，虽然科学证明这是谣言，但AI没有Memory的时候是真的只有7秒）

Memory的两大门派

⏱️ 短期记忆：Context Window

短期记忆，技术上叫做Context Window（上下文窗口）。它是AI能"一次性记住"的对话内容。

想象一下：你和AI聊天，已经聊了1000句话。第1001句话，AI回答你的时候，它会看前面多少句？这就是Context Window决定的。

不同模型的"记忆力"

📚 长期记忆：从日记本到图书馆

短期记忆的问题是：对话一结束，记忆就消失了。下次再聊，AI又是全新的开始。

长期记忆解决了这个问题。它让AI能跨对话、跨时间、跨会话记住信息。

RAG：检索增强生成

RAG（Retrieval-Augmented Generation）是目前最流行的长期记忆方案。

RAG的工作流程：

🔧 OpenClaw实战：Memory系统怎么用

场景1：个人助理Agent记住用户偏好

# 假设你是一个日程管理Agent
# 用户第一次告诉你他喜欢早上9点开会

User: "我习惯早上9点开始工作"

# Agent自动将这条信息存入Memory
# 下次用户说"帮我安排会议"时...

User: "帮我安排一个明天的会议"

# Agent先检索Memory
# 发现：用户习惯早上9点开始工作

Agent: "好的，我帮你安排在明天上午9点，这是你平时开始工作的时间。"

场景2：客服Agent记住对话上下文

# 用户3天前提了一个问题
User (3天前): "我的订单#12345还没收到"

# Agent记录：用户在跟进订单#12345

# 3天后...
User (今天): "有进展吗？"

# Agent检索Memory，发现之前的对话
Agent: "关于订单#12345，我已经帮你查到物流信息，
        预计明天送达。上次你说地址是朝阳区..."

场景3：代码助手记住项目规范

# 你告诉代码助手项目的编码规范
User: "我们项目使用4空格缩进，
        函数名用camelCase，
        异步函数必须加try-catch"

# 这条规范被存入Memory

# 下次让AI写代码...
User: "写一个读取文件的函数"

# AI检索Memory，发现项目规范
# 自动按规范生成代码

code:
async function readFileContent(filePath) {
    try {
        const content = await fs.readFile(filePath, 'utf8');
        return content;
    } catch (error) {
        console.error('读取文件失败:', error);
        throw error;
    }
}

OpenClaw中的Memory工具调用

# 在OpenClaw中，Agent可以使用以下Memory工具：

# 1. 搜索长期记忆（结构化记忆）
tdai_memory_search(
    query="用户的工作习惯",
    type="persona",  # 可以是 persona, episodic, instruction
    limit=5
)

# 2. 搜索对话历史（原始对话）
tdai_conversation_search(
    query="订单#12345",
    limit=10
)

# 3. 读取场景记忆（Scene Memory）
read_file("/root/.openclaw/memory-tdai/scene_blocks/xxx.md")

🧹 Memory管理：别让AI变成囤积狂

有了Memory，新的问题出现了：Memory也会爆炸。

想象一下：你的AI助手和1000个用户聊过天，每个用户都有100条记忆。那就是10万条记忆。检索的时候，怎么找到最相关的那几条？

Memory管理的核心原则

🚀 前沿：Memory技术的未来

Memory系统正在快速发展，以下是一些值得关注的方向：

• MemGPT：让AI像操作系统一样管理内存，实现无限上下文
• 记忆反射：AI自动反思和总结对话，生成高层次记忆
• 多模态记忆：不只记住文字，还能记住图片、音频、视频
• 跨Agent记忆：多个Agent共享记忆，形成集体智慧

📖 相关阅读

RAG详解 向量数据库 Context Window Embeddings Agent架构