记忆力机制

一、摘要

随着OpenClaw技术的出现，“龙虾”重新定义了AI Agent的技术范式，我们在企业本地私有化部署AI应用开发场景时，其长期记忆机制会是重点关注的技术之一，因为这在很大程度上能体现出大模型“泛化能力”的强弱，或者说是否“智能”。

记忆的内容是否安全合规，数据风险是否可控也一直是企业重点关注的。此项技术的发展从AI终端应用到智能体编排再到现在的OpenClaw，从最初的临时上下文简单缓存到持久化长期记忆再到完全透明可操控，这一演进历程是当下这个时代AI技术演变的必然结果。

本文将专门针对记忆力机制这一技术从AI应用——>AI Agent——>OpenClaw这一历程展开论述，深度剖析其内核。

备注1:

1、我们首先新建一个会话；

2、发出第一条指令：你是一个专业的数学计算专家，执着于帮助用户进行各类数学计算并能够精确给出结果，但是只能回答数学计算相关问题，其他问题一律拒绝回答。

二、AI应用

2.1、概念

AI应用是指以大语言模型或多模态模型为智能核心，经过产品化封装、面向终端用户或业务场景提供直接服务的软件系统。其核心特征为被动响应、会话级上下文、标准化交互与强安全对齐，不向用户开发底层模型调度、工作流编排与长期记忆管理能力，区别于可定制化构建的AI Agent智能体平台。

AI应用可以内置Agent能力，但它本身仍然是面向最终用户的成品产品，不是构建平台。例如常见的豆包、Deepseek、千问、腾讯元宝等一众APP。

2.2、记忆力场景

我们以豆包为例，承接备注1

当在该会话下发起首个问题时，所有回复均会优先校验预设回复条件并据此作答。需注意：关闭当前会话并新建后，上下文为全新状态，此前设定的前置条件不会被继承与复用。记忆力机制的具体用法，请参考下方图示说明：

2.3、记忆机制

2.3.1、特点

- 只记得当前聊天，关掉会话、新开一个，先前的设定全部作废；
- 没有跨会话记忆，没有真正意义上的长期记忆，今天通过豆包进行的一系列偏好、习惯等，过一段时间大概率会忘记；
- 记忆保留轮数有限，不是无止境的记住当前会话下的所有内容，聊多了超出上下文窗口就会“遗忘”前面的内容；
- 记忆不可编辑、不可查看，无法通过任何手段知道它记住了什么，更无法编辑其内容；
- 其记忆的内容本质是一个无状态缓存，没有存在专属的向量库或知识库中，只是临时加载在对话里。

2.3.2、结论

豆包等通用AI应用的会话记忆本质上是上下文窗口缓存，不是真正意义上的长期记忆，但也属于记忆。在当前会话中，用户设定的角色定位、规则等提示词会被纳入上下文，模型在生成回复时会遍历并遵循这些条件；但该记忆仅作用在当前会话，关闭会话后全部失效，且无法编辑、查看或持久化存储，超出上下文窗口也会遗忘历史内容。

三、AI Agent

3.1、概念

这里的AI Agent我们以扣子智能体平台搭建的智能体为例，不针对AI Agent本身的概念做过多解释。稍微区别一下AI Agent和AI应用的区别，一个是能够自己思考、调用工具、分布做事的机器人；一个是直接聊天用的属于面向终端用户的通用AI应用（但是豆包这一类产品本身也可以是AI Agent，其架构内部可能内置了Agent能力）

3.2、记忆力场景

我们在任意智能体平台（百度智能云千帆、扣子等）搭建一个通用智能体，通过智能体后台编排统计观测效果，承接备注1

相较于AI应用其记忆力机制最大的差异在于给定的第一条提示词将不仅仅局限于当前会话，通过存储在专属知识库或向量库中的形式来实现跨会话记忆和记忆的持久化存储，也就是说当我们关闭当前会话或者直接新建一个会话，前者的记忆依然能够被新的会话复用。

3.3、记忆机制

3.3.1、特点

- 跨会话永久记忆，在手动设定的时间范围内理论上是能够一直记住；
- 可以主动写入既定的记忆内容，可以人为的通过提示词或记忆模块等操作实现主动让它记住个人偏好、项目规划、语言风格等内容；
- RAG技术的运用使得其记忆能够被检索，在于智能体的交互中不会因为聊多了忘事儿，需要时自动会去知识库查询；
- 通过专属知识库、向量数据库、记忆模块儿等手段使得其记忆的内容完全可控，可以编辑、删除、查看等；

3.3.2、结论

由此可见基于智能体开发和应用平台构建的AI Agent可通过向量数据库、用户专属知识库、记忆模块等手段来实现可持久化、可检索、可管理的长期记忆，能够持续积累用户偏好、业务规则与历史信息，更接近真实智能体的行为逻辑。

四、OpenClaw

4.1、概念

一种全新的智能体技术范式，叫开源本地优先AI智能体框架（OpenClaw Agent），与传统的AI的区别在于跳出仅提供文本建议的局限性，能够做到直接操作系统、完成真实任务，实现“指令->执行->结果”闭环。在让智能体主动执行任务上实现了质的飞跃。

4.2、记忆力场景

承接备注1区别于AI应用和传统AI Agent的底层逻辑，OpenClaw的记忆规则采用文件及记忆的设计逻辑，它能够主动将有关记忆写入指定文档，每次启动前都会主动浏览必要文件内容并作为入参进行问题答复。

比如我对某条回复表示赞同，他会主动将这部分内容写入文件：

又或者：

更有甚者：

4.3、记忆机制

4.3.1、特点

1、三层记忆架构
1. 1、L0：即时上下文（Hot Context）
仅当前会话、内存缓存
内容：最近几条对话、实时交互
特点：临时、不持久、会话结束即丢
作用：保证当前对话流畅
1.2、 L1：短期 / 日常记忆（Daily Logs）
文件：memory/YYYY-MM-DD.md
内容：当天对话、决策、事件、原始日志
加载：每次启动自动加载当天 + 前一天
特点：自动记录、可追溯、短期有效
作用：提供最近历史上下文
1.3、 L2：长期记忆（核心）
文件：MEMORY.md（工作区根目录）
内容：跨会话永久有效的核心信息
用户偏好、固定规则、长期目标
重要决策、业务约定、身份设定
加载：每次会话开始自动注入系统提示
特点：永久、可编辑、可检索、全局共享
作用：让 Agent 永远 “记得” 核心信息

2、长期记忆特点：

- 所有记忆写入本地纯文本Markdown文件，用户可以直接打开编辑、删除等操作，没有黑盒；
- 针对重要决策、偏好、持久事实等能够自动写入，或说“你记住这个”来实现手动写入；
- 能够跨层级快速查找记忆，并且只召回相关内容不塞满上下文；
- 最终的文件本次存储，数据可控。

4.3.2、结论

OpenClaw 采用文件驱动的三层分级记忆架构，以 MEMORY.md 为核心实现跨会话、可编辑、可检索、本地持久的长期记忆。它将记忆完全透明化、可版本化，通过自动写入、分层加载、关键词检索，让 Agent 具备稳定的长期记忆能力，同时保证数据可控与隐私安全。

附件

维度	豆包（通用 AI 应用）	扣子（Agent 编排）	OpenClaw（开源 Agent）
记忆类型	临时上下文缓存	向量库 + 知识库	本地 Markdown 文件
长期记忆	❌ 无	✅ 持久化	✅ 文件级持久
跨会话	❌ 不支持	✅ 支持	✅ 完全支持
可编辑	❌ 不可	✅ 可管理	✅ 直接编辑文件
透明性	黑盒	半透明	✅ 完全透明
检索	无	RAG 检索	✅ 文件检索 + 关键词
存储位置	云端	云端 / 自建	✅ 本地磁盘
核心优势	简单易用	强大编排	透明、可控、可版本化