核心用法
openclaw-mem 是 OpenClaw 代理的记忆基础设施管理技能，解决 LLM 上下文窗口有限导致的"遗忘"问题。核心架构分为两层：
- 每日日志层（memory/YYYY-MM-DD.md）：追加式会话记录，自动加载今昨两日内容
- 长期记忆层（MEMORY.md）：经人工策展的持久化事实，私聊会话启动时加载
显著优点
1. 文件即真理：纯 Markdown 存储，无黑盒数据库，可版本控制、人工审计
2. 混合检索：向量相似度 + BM25 关键词的加权融合，兼顾语义理解与精确匹配
3. 防压容错：自动 memory flush 机制在上下文压缩前静默写入 durable notes
4. 模块化扩展：支持 Mem0/Cognee/Supermemory 等外接记忆插件
5. 精细调优：Temporal Decay（时间衰减）和 MMR（最大边缘相关性）解决陈旧信息霸榜与结果冗余问题
潜在缺点与局限性
- 冷启动成本：首次配置需理解两层架构的取舍，易误把临时指令存错位置
- Embedding 依赖：语义搜索需额外 API key（Codex OAuth 不覆盖），本地模型需手动配置路径
- 文件大小硬限制：MEMORY.md >20k 字符自动截断，大项目需主动分片维护
- 群组会话降级：MEMORY.md 仅在私聊加载，群聊场景记忆能力显著削弱
- QMD 实验性：高性能本地检索需额外安装 Bun 环境与 GGUF 模型，首次运行下载耗时
适合人群
- 长期项目协作者（需跨周/月保持上下文）
- 多代理工作流设计者（依赖 AGENTS.md 规则持久化）
- 对"可解释 AI"有要求的用户（文件级透明审计）
常规风险
| 风险场景 | 缓释措施 |
|---------|---------|
| 规则仅存于聊天，压缩后丢失 | 强制 AGENTS.md 写入 "search memory before acting" |
| Embedding 配置错误导致检索失效 | 校验 API key，优先使用 OpenAI/Gemini 等主流端点 |
| MEMORY.md 膨胀致关键信息截断 | 月度蒸馏，将成熟规则迁移至 Skill 文件 |
| 敏感信息随日志持久化 | 排除 credentials/ 与 openclaw.json 于版本控制外 |
关键配置检查项
# 健康诊断三命令 openclaw /context list # 确认 MEMORY.md 加载状态与截断情况 wc -c ~/.openclaw/workspace/*.md # 审计文件体积 openclaw config get agents.defaults.compaction.memoryFlush # 确认 flush 启用