🧠 OpenClaw知识库管理最佳实践

📚 OpenClaw记忆分层架构

层级	存储	检索	寿命	容量
L0	对话历史	顺序扫描	Session	10万token
L1	Key-Value	精确匹配	永久	无限制
L2	语义向量	相似度搜索	永久	无限制

💾 L1结构化记忆操作

# memory_set - 写入记忆
tool call memory_set namespace="user_preferences" key="timezone" value="Asia/Shanghai"

# memory_get - 读取记忆
tool call memory_get namespace="user_preferences" key="timezone"
# → "Asia/Shanghai"

# memory_list - 列出记忆
tool call memory_list namespace="user_preferences"
# → { timezone: "Asia/Shanghai", language: "zh-CN", theme: "dark" }

# memory_delete - 删除记忆
tool call memory_delete namespace="user_preferences" key="theme"

# memory_search - 搜索记忆
tool call memory_search namespace="*" query="时区"

🌐 L2场景记忆（Semantic Memory）

适合存储非结构化知识，支持自然语言查询：

# scene_memory_record - 记录场景事件
tool call scene_memory_record 
  scene="OpenClaw玩法资讯网站运营"
  type="episodic"
  content="2026-04-15完成大规模SEO生成，创建9个教程页面"
  importance="high"

# scene_memory_search - 语义搜索
tool call scene_memory_search query="SEO优化历史操作"

# scene_memory_update - 更新场景热度
tool call scene_memory_update scene="OpenClaw玩法资讯网站运营" heat_boost=10

# scene_memory_get - 获取场景详情
tool call scene_memory_get scene="OpenClaw玩法资讯网站运营"

记忆类型定义

类型	用途	示例
persona	用户画像/偏好	"用户喜欢幽默风格"
episodic	事件记录	"2026-04-15完成XXX任务"
instruction	规则/指令	"所有代码必须用Python"

🎯 实战模式：用户画像构建

# Agent启动时读取用户画像
def load_user_profile():
    preferences = memory_get(namespace="user_preferences", key="*")
    habits = scene_memory_search(
        type="persona",
        query="用户习惯 工作模式"
    )
    
    return {
        "preferences": preferences,
        "habits": habits,
        "recent_context": get_recent_episodes(limit=5)
    }

# 对话中动态更新
def update_from_conversation(message):
    # 提取新偏好
    if "我喜欢早上处理复杂任务" in message:
        memory_set(
            namespace="user_preferences",
            key="peak_hours",
            value="morning"
        )
    
    # 记录重要事件
    if contains_achievement(message):
        scene_memory_record(
            scene="用户成就",
            type="episodic",
            content=extract_achievement(message),
            importance="high"
        )

📊 工作流状态持久化

# 复杂工作流使用Memory做断点续传
class StatefulWorkflow:
    def __init__(self, workflow_id):
        self.workflow_id = workflow_id
        self.checkpoint_key = f"workflow:{workflow_id}:checkpoint"
    
    def save_checkpoint(self, step_name, data):
        memory_set(
            namespace="workflows",
            key=f"{self.workflow_id}:{step_name}",
            value={
                "timestamp": time.time(),
                "data": data,
                "status": "in_progress"
            }
        )
    
    def resume_from_checkpoint(self):
        checkpoint = memory_get(
            namespace="workflows",
            key=self.checkpoint_key
        )
        if checkpoint and checkpoint["status"] == "in_progress":
            return checkpoint["data"]
        return None
    
    def complete(self):
        memory_set(
            namespace="workflows",
            key=self.checkpoint_key,
            value={"status": "completed", "completed_at": time.time()}
        )

🧹 记忆维护策略

# 设置记忆TTL
tool call memory_set 
  namespace="temp_calculations"
  key="session_123"
  value={"result": 42}
  ttl=3600  # 1小时后自动删除

# 定期归档旧记忆
def archive_old_memories(days=30):
    old_episodes = scene_memory_search(
        query="*",
        before=time.time() - days * 86400,
        importance="low"
    )
    for episode in old_episodes:
        move_to_archive(episode)
        delete_from_active(episode)

🔍 记忆检索优化

# 多路召回策略
def retrieve_relevant_context(query, k=10):
    results = []
    
    # 1. 精确匹配（L1）
    exact = memory_get(namespace="*", key=query)
    if exact:
        results.append({"source": "exact", "score": 1.0, "data": exact})
    
    # 2. 语义搜索（L2）
    semantic = scene_memory_search(query=query, limit=k)
    results.extend([{"source": "semantic", "score": r.score, "data": r} for r in semantic])
    
    # 3. 场景匹配
    scenes = scene_memory_list()
    for scene in scenes:
        if query_matches_scene(query, scene):
            scene_data = scene_memory_get(scene)
            results.append({"source": "scene", "score": 0.8, "data": scene_data})
    
    # 重排序
    return rerank_by_relevance(results, query)

# 记忆注入提示词
def build_prompt_with_memory(user_query):
    context = retrieve_relevant_context(user_query)
    
    return f"""
[用户画像]
{format_user_profile()}

[相关历史]
{format_context(context)}

[当前问题]
{user_query}

请基于以上信息回答。
"""