记忆系统
OpenClaw 的记忆系统赋予 Agent 跨会话的持久记忆能力，使其能够记住用户偏好、历史决策和对话上下文，提供真正个性化的交互体验。
四层记忆架构
OpenClaw 采用 SOUL → TOOLS → USER → Session 的四层分层架构，每一层拥有不同的生命周期和加载策略。
| 层级 | 存储位置 | 生命周期 | 说明 |
|---|---|---|---|
| SOUL | SOUL.md | 永久不可变 | Agent 的人格、价值观、核心身份定义 |
| TOOLS | Skills + Extensions | 按需加载 | 当前可用工具和技能列表 |
| USER | MEMORY.md + 向量数据库 | 持久化 | 用户偏好、决策、历史事实 |
| Session | 内存 + sessions.json | 会话级 | 当前对话实时上下文 |
设计意图
分层架构确保了不可变身份（SOUL）与动态知识（USER / Session）的清晰分离。SOUL 层定义 Agent「是谁」，创建后不应被修改；而 USER 和 Session 层则随着交互持续演进。
Daily Logs（每日日志）
每天的交互记录以 append-only 方式写入 memory/YYYY-MM-DD.md 文件。
workspace/
└── memory/
├── 2026-03-08.md
├── 2026-03-09.md
└── 2026-03-10.md ← 今天的日志加载策略：Session 启动时，Agent 自动读取今天和昨天的日志，以获取近期上下文。更早的日志不会主动加载，但可通过向量记忆搜索检索。
日志格式
Daily Log 是纯 Markdown 文件，Agent 在交互过程中以追加方式写入关键事件、决策和用户请求摘要。文件只增不删，保证完整的审计轨迹。
Long-term Memory（长期记忆）
MEMORY.md 是持久化的长期记忆文件，用于存储跨会话需要保留的重要信息：
- 决策记录 — 用户做出的重要选择和偏好设定
- 用户偏好 — 沟通风格、技术栈、常用工具等
- 历史事实 — 需要长期记住的关键信息
加载限制
MEMORY.md 仅在 main / private session 中加载。群组会话（group session）不会加载长期记忆，以保护用户隐私。详见会话管理。
Agent 可以在对话过程中主动写入 MEMORY.md，但更常见的触发时机是 Pre-Compaction（自动压缩）流程。
Pre-Compaction（自动记忆保存）
当 Session 接近 token 上限时，OpenClaw 会触发自动的记忆保存与上下文压缩流程，避免关键信息丢失。
触发流程
Session token 接近阈值（约 4000 tokens 剩余）
│
▼
┌─────────────────────────┐
│ 1. 检测阈值 │
│ 监控当前 token 用量 │
└────────┬────────────────┘
│
▼
┌─────────────────────────┐
│ 2. 静默保存 │
│ 写入 MEMORY.md │
│ 写入 Daily Log │
└────────┬────────────────┘
│
▼
┌─────────────────────────┐
│ 3. 压缩上下文 │
│ 旧消息被压缩摘要 │
│ 返回 NO_REPLY │
└─────────────────────────┘对用户透明
Pre-Compaction 是一次 silent agentic turn（静默代理回合），用户不会看到任何提示。Agent 在后台自动完成保存和压缩，然后继续正常对话。返回的 NO_REPLY 标记表示这次回合不需要向用户发送消息。
压缩策略
- 较旧的消息被压缩为摘要，保留关键信息
- 最近的消息保持原样，确保对话连贯性
- 重要的决策和偏好被写入
MEMORY.md，不会因压缩而丢失
向量记忆搜索
OpenClaw 结合两种检索策略实现高质量的记忆搜索：
| 策略 | 方式 | 适用场景 |
|---|---|---|
| Embedding 向量搜索 | 语义相似度匹配 | 模糊回忆、概念关联查询 |
| BM25 关键词搜索 | 精确关键词匹配 | 精确名称、特定术语检索 |
底层存储使用 SQLite-vec，兼顾轻量部署和向量检索性能。
搜索工具
Agent 可使用两个内置工具访问记忆：
memory_search — 语义搜索
基于语义相似度检索相关记忆片段，返回约 400 token 的 chunks。
memory_search("用户上次提到的部署方案")
→ 返回语义最相关的记忆片段适用场景
当你不确定具体细节但记得大致内容时，使用 memory_search 进行模糊检索。它会综合 Embedding 和 BM25 两种策略返回最相关的结果。
memory_get — 精确读取
读取特定记忆文件的全部内容，适用于已知文件路径的场景。
memory_get("memory/2026-03-09.md")
→ 返回该文件完整内容记忆系统最佳实践
给 Agent 配置者的建议
- SOUL.md 写好就不要改 — 它定义了 Agent 的核心身份，频繁修改会导致人格不一致
- 善用 MEMORY.md — 重要的用户偏好和决策应该被记录，而不是依赖 Session 上下文
- Daily Log 自动管理 — 无需手动维护，Agent 会自行追加
- 信任 Pre-Compaction — 长对话中不必担心信息丢失，自动压缩会保留关键内容