一、智能体记忆的物理载体：工作区文件体系设计

OpenClaw采用基于文件系统的显式记忆管理方案，所有记忆数据以Markdown格式存储在标准化目录结构中。这种设计突破了传统数据库存储的”黑箱”特性，使开发者可直接通过文本编辑器查看和修改记忆内容。

1.1 核心文件布局规范

工作区根目录包含5类关键文件：

• AGENTS.md：系统配置文件，定义记忆保留策略（如对话历史保留天数）、安全过滤规则（如禁止存储敏感词列表）和会话隔离机制。采用YAML格式的配置块，例如：

  memory_retention:
  daily_logs: 7
  session_summaries: 30
  security_filters:
  - "credit_card"
  - "id_number"

• SOUL.md：人格定义文件，通过JSON格式描述AI的回复风格参数：

  {
  "tone": "professional",
  "response_length": "medium",
  "emotion_level": 0.3
  }

• MEMORY.md：长期记忆库，采用Markdown表格存储结构化知识：

  | 关键实体 | 关联属性 | 最后更新 |
  |---------|---------|---------|
  | 用户A   | 偏好：科技类 | 2024-03-15 |
  | 项目X   | 截止日：2024-06-30 | 2024-03-14 |

• memory/目录：按日期组织的对话日志，每个文件包含：
  • 会话上下文快照
  • 临时决策记录
  • 用户情绪分析结果

1.2 动态加载机制

系统启动时通过WorkspaceLoader类实现差异化加载：

class WorkspaceLoader:
    def __init__(self, workspace_path):
        self.core_files = ['AGENTS.md', 'SOUL.md', 'USER.md']
        self.session_type = detect_session_type()  # 主会话/子会话
    def load_bootstrap_files(self):
        loaded = {}
        for file in self.core_files:
            loaded[file] = parse_markdown(os.path.join(self.workspace_path, file))
        if self.session_type == 'primary':
            loaded['MEMORY.md'] = parse_long_term_memory()
        return loaded

子会话加载时自动应用安全过滤，通过正则表达式移除敏感内容：

def apply_security_filters(content):
    with open('AGENTS.md') as f:
        filters = json.load(f)['security_filters']
    for pattern in filters:
        content = re.sub(pattern, '[REDACTED]', content, flags=re.IGNORECASE)
    return content

二、双层记忆架构设计

OpenClaw采用”短期日志+长期记忆”的混合架构，通过不同的存储策略满足不同场景需求。

2.1 日志层：高频更新的工作记忆

每日日志文件（YYYY-MM-DD.md）具有以下特性：

• 存储内容：包含原始对话文本、实体识别结果、意图分类标签
• 更新频率：每轮对话后追加记录，支持毫秒级写入
• 检索优化：通过倒排索引实现快速关键词检索
• 自动清理：根据AGENTS.md配置自动归档或删除过期日志

典型日志条目示例：

## 会话 #12345 (2024-03-15 14:30:22)
**用户输入**：解释量子计算的基本原理
**系统响应**：量子计算利用量子叠加...
**识别实体**：
- 量子计算 (TECHNOLOGY)
- 基本原理 (CONCEPT)
**情绪分析**：中性 (0.7)

2.2 长期层：结构化的知识图谱

MEMORY.md作为长期记忆库，采用三级分类体系：

1. 事实型记忆：客观存在的事实数据
2. 经验型记忆：通过多轮对话总结的规律
3. 策略型记忆：系统行为决策规则

知识入库流程包含四个步骤：

graph TD
    A[对话日志] --> B{重要度评估}
    B -->|阈值>0.8| C[实体关系抽取]
    B -->|阈值<0.8| D[丢弃]
    C --> E[知识融合]
    E --> F[冲突检测]
    F -->|无冲突| G[MEMORY.md写入]
    F -->|有冲突| H[人工仲裁]

三、记忆触发策略与上下文管理

系统通过三种机制实现记忆的精准调用：

3.1 会话启动时的主动加载

主会话启动时执行完整记忆加载流程：

1. 读取AGENTS.md获取基础配置
2. 加载SOUL.md初始化人格参数
3. 合并USER.md中的用户画像数据
4. 读取MEMORY.md构建长期记忆索引
5. 加载最近两日的对话日志

3.2 对话过程中的动态检索

采用两阶段检索策略：

1. 快速匹配：在当日日志中检索最近10轮对话
2. 深度检索：当快速匹配失败时，在长期记忆库中执行语义搜索

检索实现示例：

def retrieve_memory(query, context_window=5):
    # 阶段1：日志检索
    today_log = load_today_log()
    recent_context = today_log[-context_window:]
    if any(q in turn['user_input'] for turn in recent_context for q in query.keywords):
        return recent_context
    # 阶段2：长期记忆检索
    memory_index = build_semantic_index('MEMORY.md')
    results = memory_index.query(query.embedding)
    return enhance_with_long_term(results, query)

3.3 记忆更新与遗忘机制

系统通过以下规则维护记忆新鲜度：

• 近期强化：最近3天使用的记忆项权重提升30%
• 使用衰减：每30天未访问的记忆项权重减半
• 冲突覆盖：新记忆与旧记忆冲突时，优先保留高置信度项

权重计算算法：

最终权重 = 基础权重 × (1 + 近期强化系数) × 衰减因子
其中：
近期强化系数 = min(0.3, 使用次数/10)
衰减因子 = 0.5^(未访问天数/30)

四、典型应用场景实践

4.1 客户服务场景

某电商系统部署后实现：

• 自动归纳客户咨询热点，生成每日FAQ更新到MEMORY.md
• 根据客户历史对话记录提供个性化推荐
• 敏感信息自动脱敏，符合金融行业合规要求

4.2 知识管理场景

某研发团队使用方案：

• 将技术文档解析为结构化记忆条目
• 自动关联代码提交记录与需求文档
• 通过语义搜索实现跨项目知识复用

4.3 教育辅导场景

智能辅导系统实现：

• 长期跟踪学生学习进度
• 根据错题记录动态调整辅导策略
• 生成个性化学习路径规划

五、性能优化与扩展建议

1. 存储优化：对超过10MB的MEMORY.md文件实施分片存储
2. 检索加速：为长期记忆库建立Elasticsearch索引
3. 多模态支持：扩展图片/音频记忆存储格式
4. 分布式架构：通过消息队列实现记忆同步

这种文件系统为基础的记忆管理方案，在保持透明可解释性的同时，通过合理的架构设计实现了商业级应用所需的性能与可靠性。开发者可根据具体业务需求，通过修改AGENTS.md中的配置参数灵活调整系统行为。