sanguo/sanguo_quant_live

Fork 0

Files

T

cfdaily b4927c871c auto-sync: 2026-04-06 23:15:02

2026-04-06 23:15:02 +08:00

7.7 KiB

Raw Blame History

OpenClaw 记忆体系调研成果报告

项目: sanguo_quant_live 三国量化实战项目
调研人: 庞统（副军师）
日期: 2026-04-06
分类: 技术调研 / 架构分析

一、OpenClaw 官方记忆体系核心设计

1.1 核心理念

File-first 设计原则：

所有记忆都以纯Markdown文件存储在磁盘上
模型只"记住"写入磁盘的内容，不存在隐藏状态
完全可读、可编辑、可版本控制

1.2 基础双层结构

文件	位置	用途	维护者
`MEMORY.md`	工作区根目录	长期记忆，保存持久事实、偏好、决策	总军师
`memory/YYYY-MM-DD.md`	工作区memory目录	每日笔记，详细记录当天对话	系统自动

1.3 三层防失忆机制

Memory Flush（记忆刷新）
当会话上下文接近token限制时，触发静默智能体轮次，提醒模型在压缩前将重要信息写入持久记忆文件。
Compaction（压缩）
上下文满了之后，使用LLM对历史对话进行总结压缩，保持上下文清爽。
Dreaming（梦境整理）
可选的后台自动化整合过程：
- 每日深夜重新浏览每日短期记忆
- 评分提取重要信息升级到长期记忆（MEMORY.md）
- 自动归档旧记忆，保持长期记忆精简

二、OpenClaw 记忆检索核心技术

2.1 混合检索（Hybrid Search）

默认配置：向量检索 (0.7) + 关键词BM25检索 (0.3)

检索方式	优势	适用场景
向量语义检索	找到语义相似的内容	概念、思路、方法回忆
BM25关键词检索	精确匹配术语	ID、代码符号、特定名称

配置示例：

{
  "agents": {
    "defaults": {
      "memorySearch": {
        "enabled": true,
        "provider": "gemini",
        "query": {
          "hybrid": {
            "enabled": true,
            "vectorWeight": 0.7,
            "textWeight": 0.3
          },
          "maxResults": 8,
          "temporalDecay": {
            "enabled": true,
            "halfLifeDays": 30
          }
        }
      }
    }
  }
}

2.2 支持的Embedding提供商

OpenAI
Gemini (Google)
Voyage
本地模型 (via Ollama)

三、社区成熟的进阶记忆方案

3.1 QMD 混合检索方案（推荐进阶用户）

项目: https://github.com/sac3433/openclawmemory

特性：

三层检索：BM25 + Vector + LLM重排序
100% 本地运行，无API成本
支持目录递归检索
适合需要高精度检索的场景

3.2 LanceDB 专业记忆（企业/专业用户）

项目: https://github.com/CortexReach/memory-lancedb-pro

特性：

LanceDB高性能向量存储
Cross-Encoder重排序提升准确率
多作用域隔离
完整管理CLI工具

3.3 ClawIntelligentMemory 三层自动化架构

项目: https://github.com/denda188/ClawIntelligentMemory

架构：

原始对话 → memory/YYYY-MM-DD.md（原始日志）
    ↓
MEMORY.md（精选记忆，控制在3000字符以内）
    ↓
life/archives/（归档记忆，按需检索）

自动化流程：

任务完成 → 自动生成 ~150字摘要
积累20个摘要 → 生成 ~200字宏观摘要
每6小时 → 自动维护记忆系统
每日06:00 → QMD索引重建
每日03:00 → 夜间深度分析整理

3.4 12层记忆架构（顶级复杂场景）

项目: https://github.com/coolmanns/openclaw-memory-architecture

特性：

知识图谱存储事实关系
多语言语义搜索 (GPU 7ms响应)
激活/衰减记忆权重系统
Domain RAG 领域适配

四、ClawHub 记忆相关技能

技能	功能
`memory-complete`	SESSION-STATE.md、RECENT_CONTEXT.md、AGENTS memory protocol、HEARTBEAT自动捕获
`viking-memory`	基于OpenViking的向量化长期记忆，提供语义检索HTTP API
`agent-brain`	本地优先持久记忆，SQLite存储

五、本次网络搜索结果汇总

5.1 搜索覆盖范围

✅ 官方文档：memory概念、架构、配置
✅ GitHub开源社区：各种社区改进方案
✅ ClawHub官方技能市场：记忆相关技能
✅ 中文技术博客/知乎/CSDN等：使用教程和经验分享
✅ B站/抖音等社交媒体：视频教程

5.2 找到的成熟方案

方案	来源	成熟度	适用场景
官方标准双层记忆 + 混合检索	OpenClaw官方	⭐⭐⭐⭐⭐⭐	所有场景，推荐起点
QMD混合检索（BM25+Vector+LLM重排序）	社区	⭐⭐⭐⭐⭐	需要更高精度
LanceDB专业记忆	社区	⭐⭐⭐⭐	企业/专业用户
ClawIntelligentMemory三层自动化	社区	⭐⭐⭐⭐	想要自动化记忆整理
12层记忆架构 + 知识图谱	社区	⭐⭐⭐	超大复杂项目

5.3 ClawHub技能市场已有的记忆技能

memory-complete - 完整记忆协议支持
viking-memory - 向量化长期记忆HTTP服务
agent-brain - 本地SQLite持久记忆

六、与 Claude Code 记忆体系对比

5.1 Claude Code 记忆架构

五层架构：

Managed - 系统全局规则
User - 用户全局规则
Project - 项目规则（Git提交）
Local - 用户私有项目规则（不提交Git）
AutoMem/TeamMem - 自动记忆/团队共享记忆

核心特性：

从当前目录向上遍历查找，越近优先级越高
支持 @include 模块化包含其他文件（最大深度5层，防循环）
支持 frontmatter paths 字段，路径glob匹配规则，不同文件不同规则
单文件最大 40,000 字符限制

5.2 对比总结

维度	Claude Code	OpenClaw
设计目标	单人软件开发，精细化规则	多Agent分布式团队协作
记忆存放	规则型记忆，层级覆盖	文件分层 + 向量检索
团队协作	TeamMem支持，但原生设计偏向单人	原生分布式，每个Agent独立工作区，Sanguo Mail通信归档
上下文管理	每次会话加载所有记忆，容易膨胀	只加载最近两天对话，长期记忆通过检索获取，保持上下文简洁
适用场景	单Repo持续开发	长期多Agent量化研究项目

六、最佳实践推荐

6.1 新手入门配置

1. 使用官方标准方案
2. 配置 Gemini Embedding
3. 启用混合检索 (Vector 0.7 + BM25 0.3)
4. 开启自动记忆刷新
5. 配置每日Dreaming整理

6.2 进阶用户配置

1. 官方基础 + QMD混合检索
2. 启用Dreaming后台整理
3. 使用ClawIntelligentMemory自动化三层架构

6.3 企业生产配置

1. LanceDB专业记忆插件
2. Cross-Encoder重排序
3. 多作用域隔离
4. 定期Dreaming归档

七、常见问题排查

问题	解决方案
记忆不工作	1. 检查Embedding API Key配置；2. `openclaw doctor` 检查；3. 检查memory目录是否有内容
压缩丢失信息	1. 启用预压缩memory flush；2. 使用LosslessClaw插件；3. 重要信息手动保存到MEMORY.md
检索不准确	1. 启用混合检索；2. 调整vector/text权重；3. 考虑QMD+LLM重排序；4. 优化Embedding模型选择

八、资源汇总

官方资源

官方文档：https://docs.openclaw.ai/zh-CN/concepts/memory
GitHub：https://github.com/openclaw/openclaw
ClawHub：https://www.clawhub.com

社区资源

中文教程合集：https://github.com/xianyu110/awesome-openclaw-tutorial
OpenClaw 101：https://github.com/mengjian-github/openclaw101

调研完成
报告版本: v1.0 (2026-04-06)

7.7 KiB Raw Blame History Unescape Escape