欢迎使用 FlowZap，快速、清晰、掌控的绘图应用。

你的 AI 智能体很聪明，但它依然会失忆

2026/3/7

Tags: AI 智能体, 智能体记忆, 记忆架构, rag, openclaw, 多智能体系统

Jules Kovac

Jules Kovac

Business Analyst, Founder

你的 AI 智能体很聪明，但它依然会失忆

大多数 AI 智能体失败，并不是因为模型不够聪明，而是因为系统忘记了真正重要的内容。 上下文窗口只是短期工作记忆。关闭标签页、切换频道，或者触达 token 上限，你的“记忆”就会消失。

如果你正在折腾 OpenClaw、ZeroClaw、NanoClaw，或者你自己的 claw 风格运行时，这篇文章讨论的是一个看似无聊、却极其关键的层：你的智能体究竟如何记住事情。

这里所说的“记忆”，指的是跨轮次、跨任务、跨会话存储与检索信息的系统级结构，而不是“我把上下文窗口开到 16k 了”。

下面这 7 种模式，基本覆盖了智能体记忆架构里的核心做法：

  • 会话记忆 —— 当前对话的短期工作状态。
  • 滚动摘要 —— 被压缩后的历史记录。
  • 画像记忆 —— 用户和智能体的稳定身份与偏好。
  • 语义记忆 —— memorySearch、knowledge vault、RAG 存储。
  • 情节记忆 —— run、事件日志、历史 episode。
  • 混合检索 —— 语义、关键词、近期性三者结合。
  • 共享记忆 —— 多个智能体或多个渠道共用一层状态。

 

 

模式 1 —— 会话记忆

会话记忆就像当前对话的白板：智能体在消息之间持续携带的活跃历史。在 OpenClaw 中，这几乎就是 conversation history buffer 本身。

 

工作方式

  • 渠道把新消息和最近历史一起发送进来。
  • 运行时把它与本地会话状态合并。
  • 系统组装 prompt 并发送给 LLM。
  • 返回结果再写回同一段历史中。

 

性能与体验影响

  • 性能： 一开始成本很低，但随着历史变长，成本和延迟会持续上升。
  • 体验： 短期连续性非常好，但一旦历史被静默截断，智能体就会突然“失忆”。

 

OpenClaw 对应关系

  • 开箱即用： 是。
  • 位置： 对话日志与运行时维护的会话内存状态。

 

FlowZap Code – 会话记忆

User { # User
n1: circle label:"User sends message"
n2: rectangle label:"See agent reply"

n1.handle(right) -> Agent.n3.handle(left)
Agent.n8.handle(right) -> n2.handle(left)
}

Agent { # Agent
n3: rectangle label:"Receive message"
n4: rectangle label:"Load session history"
n5: rectangle label:"Assemble prompt"
n6: rectangle label:"Call LLM"
n7: rectangle label:"Receive LLM reply"
n8: rectangle label:"Return answer to user"
n9: rectangle label:"Persist updated session"

n3.handle(right) -> n4.handle(left)
n4.handle(right) -> n5.handle(left)
n5.handle(right) -> n6.handle(left)
n6.handle(right) -> LLM.n10.handle(left)
n7.handle(right) -> n8.handle(left)
n8.handle(bottom) -> n9.handle(top) [label="Save session"]
}

 

 

模式 2 —— 滚动摘要记忆

滚动摘要记忆就是“会议纪要”模式：你不再一直携带完整转录，而是定期把最近几轮对话压缩成摘要，再继续往前推进。

 

工作方式

  • 暂时保留完整历史。
  • 当达到阈值时，概括最近一段内容。
  • 在 prompt 中用摘要替换详细历史。

 

性能与体验影响

  • 性能： 能显著降低长对话中的 prompt 体积。
  • 体验： 智能体会“记住大意”，但会丢失逐行细节。

 

OpenClaw 对应关系

  • 开箱即用： 部分支持。
  • 位置： Memory Flush、MEMORY.md、memory/ 等压缩机制中。

 

 

模式 3 —— 画像记忆

画像记忆是“我是谁”这一层：用户和智能体的稳定事实，比如名字、时区、工具、偏好和约束条件。

 

工作方式

  • 会话开始时加载画像信息。
  • 每个 prompt 都结合系统 persona、用户画像和当前消息。
  • 重要新信息可以写回画像层。

 

性能与体验影响

  • 性能： 额外开销小且稳定。
  • 体验： 智能体会更像“真正记住了你”。

 

OpenClaw 对应关系

  • 开箱即用： 是。
  • 位置： SOUL.md、USER.md、MEMORY.md 等 Markdown 记忆文件。

 

 

模式 4 —— 语义记忆

语义记忆就是你的长期知识库：将事实、笔记、文档和对话切块、向量化，然后通过相似度检索回来。

 

工作方式

  • 文本被切块并嵌入到向量数据库中。
  • 查询时，对问题做 embedding，执行向量搜索，再进行 rerank，最后把最相关的内容注入 prompt。

 

性能与体验影响

  • 性能： 每次查询都会增加 IO 与 token 成本。
  • 体验： 如果做得好，智能体会像“记住了一切”。

 

OpenClaw 对应关系

  • 开箱即用： 是，尤其是启用 memorySearch 时。
  • 位置： SQLite+vec 或外部向量后端。

 

 

模式 5 —— 情节记忆

情节记忆是智能体的经验日志：每个 episode 都是一段过去的运行，包含上下文、计划、工具和结果。

 

工作方式

  • 每一次任务运行都形成一个结构化 episode。
  • 在处理新任务前，智能体先检索相似 episode 作为参考。

 

性能与体验影响

  • 性能： 需要额外的存储和索引。
  • 体验： 智能体会逐渐表现出“从经验中学习”的感觉。

 

OpenClaw 对应关系

  • 开箱即用： 原始信号已经存在。
  • 位置： 日志、span、指标以及 run 历史中。

 

 

模式 6 —— 混合检索记忆

混合检索就是“别再争论哪一种最好，三种一起上”的模式：在构建上下文前，同时结合向量检索、关键词或 ID 检索，以及近期性检索。

在实际生产中，这通常是最稳健的模式，因为三种检索方式刚好覆盖不同的盲区。

打开混合检索架构图

 

工作方式

  • 规划器决定要启用哪些检索模式。
  • 语义检索、精确检索和近期检索并行执行。
  • 结果被合并、重排，形成一个统一的上下文集合。

 

性能与体验影响

  • 性能： 检索调用更多，因此需要更严格的超时与结果上限控制。
  • 体验： 智能体既能找到模糊引用，也能找到准确实体与编号。

 

OpenClaw 对应关系

  • 开箱即用： 从概念上完全支持。
  • 位置： 你的路由层、中间件或 skill graph 中。

 

FlowZap Code – 混合检索

User { # User
n1: circle label:"Ask mixed query"
n2: rectangle label:"See answer"

n1.handle(right) -> Agent.n3.handle(left)
Agent.n18.handle(right) -> n2.handle(left)
}

Agent { # Agent
n3: rectangle label:"Plan retrieval strategy"
n4: rectangle label:"Trigger semantic search"
n5: rectangle label:"Trigger keyword search"
n6: rectangle label:"Trigger recent-history search"
n7: rectangle label:"Merge and rerank"
n8: rectangle label:"Build prompt with hybrid context"
n9: rectangle label:"Call LLM"
n18: rectangle label:"Return answer"

n3.handle(bottom) -> n4.handle(top) [label="Semantic"]
n3.handle(right) -> n5.handle(left) [label="Keyword"]
n3.handle(left) -> n6.handle(right) [label="Recent"]
n7.handle(right) -> n8.handle(left)
n8.handle(right) -> n9.handle(left)
n9.handle(right) -> LLM.n19.handle(left)
}

 

 

模式 7 —— 共享记忆

共享记忆是多智能体 / 多渠道系统的中央大脑：规划器、研究智能体和执行智能体都读写同一层状态，而不是各自背着超大的 prompt。

 

工作方式

  • 编排器把工作拆成多个子任务。
  • 专家智能体从共享状态中读取，也把结果写回去。
  • 编排器从共享状态拼装最终答案。

 

性能与体验影响

  • 性能： 更少的大 prompt，更多的小读写。
  • 体验： 多智能体系统看起来更一致，而不是彼此割裂。

 

OpenClaw 对应关系

  • 开箱即用： 很大程度上是支持的。
  • 位置： 多个渠道与多个辅助智能体共享的同一记忆树或数据库。

 

 

这些模式如何映射到 OpenClaw

如果你今天已经在用 OpenClaw，那么你其实已经拥有了大部分模式：

  • 会话记忆 —— 对话历史与当前会话状态。
  • 滚动摘要 —— 上下文裁剪前的压缩。
  • 画像记忆 —— SOUL.md、USER.md、MEMORY.md。
  • 语义记忆 —— memorySearch、knowledge-vault、向量后端。
  • 情节记忆 —— 日志、span 与 run 历史。
  • 混合检索 —— 语义检索、原始文件与近期历史的组合。
  • 共享记忆 —— 多个渠道与多个智能体共享的一棵记忆树。

真正重要的，不是再加一个数据库，而是明确你在什么位置使用了哪一种记忆模式，并把它清晰画出来。

 

 

Inspirations:

返回所有博客文章