用AI助手，却总要反复重新介绍自己？你是否也遇到过这样的情况：每次打开对话，都要先跟AI说明自己的身份、正在做的项目、还有各种使用偏好；对话稍长，AI就开始遗忘前文，昨天刚帮你梳理的好方案，今天再聊，又要重新解释一遍背景和需求。
这从来不是AI不够聪明，而是大模型的结构性限制——它的“记忆”，只存活在当前的对话窗口里。窗口关闭，所有记忆便一键归零。
而OpenClaw的Memory系统，正是为破解这一痛点而生。更关键的是，它的解法，出人意料地简单。
原理只有一句话：用文件代替记忆
OpenClaw 的 Memory 不依赖任何数据库魔法，核心思路极其朴素：
把 AI 应该记住的事情，写进 Markdown 文件。下次对话时，把这些文件读进来。
就这样。
具体来说，有两种文件类型：
每日日志 ：memory/2026-03-13.md ，记录当天发生的事、做了哪些决定、有哪些上下文。每次会话开始时，系统自动读入今天和昨天的日志。
长期记忆 ：MEMORY.md ，精选的持久性信息——你的偏好、项目状态、重要决策、不变的背景知识。这个文件会一直陪着 AI。
这两个文件就是 AI 的"大脑外挂"。所有需要跨对话持久化的东西，最终都落在这里。
它是怎么"找"到相关记忆的？
有人会问：如果记录了几个月的日志，文件越来越多，AI 每次都要全部读进来吗？
不用。OpenClaw 内置了两个工具：
memory_search ——语义搜索。你问"我上次配路由器是怎么设置的"，它不是靠关键词匹配，而是理解问题的意思，从所有日志里找出最相关的片段。
memory_get ——精准读取。当你知道要找哪个文件的哪几行，直接拿，不绕弯子。
更有意思的是搜索的工作方式。OpenClaw 把 Markdown 文件切成约 400 个 token 的小块，为每块生成向量嵌入，存进 SQLite。搜索时同时跑两条路：
-
向量搜索 ：找语义上相似的内容，哪怕你用了完全不同的词
-
BM25 关键词搜索 ：找精确匹配，适合 ID、变量名、错误信息这类高精度词
两者的得分按权重合并（默认向量权重 0.7，关键词权重 0.3），最后输出综合排名的结果。这叫混合搜索，是当前工程上效果最稳定的方案。
两个容易被忽视的细节
旧记忆会自动"退场"
一个月前你记录了一条信息，今天搜索时它的相关性可能不如上周的记录。OpenClaw 支持时间衰减 （Temporal Decay）：
ounter(line
得分 = 原始分 × e^(-λ × 距今天数)
默认半衰期 30 天——30 天前的记录权重只剩原来的一半，90 天前的只剩 12.5%。越新的记忆越有优先级。
但有一个例外：MEMORY.md 和那些没有日期的长期文件（比如 memory/projects.md ）永远不衰减 。它们是常青树，始终以全权重参与搜索。
这个设计很合理。昨天的会议纪要有时效性，但你的工作偏好、项目背景是长期有效的。两类信息用不同规则处理。
重复结果会被主动去掉
如果你记录了 10 天关于同一个话题的日志，搜索时可能拿到 10 条几乎一样的片段。OpenClaw 用 MMR（最大边际相关性） 算法处理这个问题：
每次选结果时，既考虑它跟问题的相关性，也惩罚它跟已选结果的相似度。结果是——你拿到的是多角度、不重复的信息，而不是一堆克隆。
"记住"这件事，需要主动触发
这里有一个关键认知：AI 不会自动记住你说的话，需要明确写入文件。
有三种写入时机：
你主动说 ：告诉 AI “把这个记下来”，它会把内容写进 MEMORY.md 或当天的日志。
快要到上下文窗口上限时 ：OpenClaw 会在会话接近压缩点之前，静默触发一次记忆刷新——提醒 AI 把这次对话里的重要内容写进文件，再压缩上下文。这个过程用户不可见，但确保关键信息不因压缩而丢失。
HEARTBEAT 检查时 ：如果你配置了定期运行的 Agent，它每次运行后会把完成情况写进日志，保持跨轮次的状态同步。
写文件的原则很简单：
-
决策和偏好 →
MEMORY.md -
当天发生的事 →
memory/YYYY-MM-DD.md -
只要说了"记住这个"，就会落盘
搜索不够用？还有 QMD 方案
对于记录量非常大的用户，OpenClaw 还提供了一个进阶方案：QMD backend （实验性）。
QMD 是一个本地优先的搜索工具，结合了 BM25 + 向量 + 重排序，搜索质量比默认方案更高。整个索引和搜索都在本地运行，不依赖任何云服务。
配置也不复杂：
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line
memory: {
backend: "qmd",
qmd: {
includeDefaultMemory: true,
update: { interval: "5m" },
limits: { maxResults: 6 }
}
}
装好 QMD CLI，配上这几行，就切换到新引擎了。如果 QMD 出问题，OpenClaw 会自动降级回默认方案，不影响使用。
记忆的边界在哪里？
有几个问题值得说清楚。
跨 Agent 不共享记忆。 每个 Agent 有独立的索引，你的 Content Agent 的记忆，Dev Agent 看不到。要共享，得手动把文件复制过去，或者在配置里加 extraPaths 指向同一个目录。
记忆文件是明文。 本质上就是 Markdown 文件，谁有文件系统访问权限谁就能读。不要把密码、密钥这类敏感信息写进记忆文件。
只索引 Markdown。 Memory 系统不会帮你检索代码文件、PDF、图片，只有 .md 文件。如果你有其他格式的参考文档，可以把关键内容摘出来写进 Markdown。
一个实际配置例子
如果你想开启完整的记忆功能，这是一个合理的起点：
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line
agents: {
defaults: {
memorySearch: {
provider: "openai",
query: {
hybrid: {
enabled: true,
vectorWeight: 0.7,
textWeight: 0.3,
mmr: {
enabled: true,
lambda: 0.7
},
temporalDecay: {
enabled: true,
halfLifeDays: 30
}
}
}
}
}
}
开启混合搜索 + 去重 + 时间衰减，这三个功能组合在一起，搜索体验会好很多。
如果不想用 OpenAI 的嵌入 API，设置 provider: "local" 即可切换到本地模型，首次运行会自动下载约 600MB 的 GGUF 模型文件。
写在最后
Memory 是 AI Agent 能否真正"可用"的分水岭。
一个没有记忆的 AI，每次都是陌生人。一个有记忆的 AI，才能叫助手。
OpenClaw 的解法没有任何神秘感——就是 Markdown 文件加上语义搜索。但这种简单带来了一个重要的好处：你的记忆是你自己的 。文件存在本地，随时可以查看、编辑、备份，也可以迁移到任何地方。
几个核心要点：
-
两层架构：每日日志（短期）+ MEMORY.md（长期），各司其职
-
语义搜索 + 关键词搜索混合，不怕你换着花样问
-
时间衰减让旧信息自然退场，最新的上下文始终优先
-
写记忆需要主动触发，告诉 AI "记住这个"就会落盘
-
文件是明文 Markdown，完全掌控在你手里
如果你在用 OpenClaw，但还没有认真配过 Memory，现在是时候了。两个文件加几行配置，AI 从此记得住你。