OpenClaw Memory

核心用法

OpenClaw Memory Librarian 是一款后台运行的上下文管理技能，通过三阶段工作流优化 AI Agent 的记忆效率：

1. 读取 - 扫描 memory/YYYY-MM-DD.md 格式的每日日志文件
2. 提炼 - 将原始对话中提取的「信号」（Signal）按四象限归档至月度期刊 memory/journal/YYYY-MM.md：决策记录、配置变更、阻塞与解决方案、核心洞察
3. 清理 - 自动删除 14 天以上的原始日志，释放上下文窗口空间

用户可通过自然语言指令触发完整周期或仅执行摘要保留原始文件。

显著优点

• Token 经济性：将冗长对话历史压缩为结构化知识，显著降低上下文填充成本
• 信号提取机制：内置噪声过滤规则，区分有效信息（架构决策、安全变更）与冗余内容（问候语、中间状态确认）
• 可追溯性：月度期刊支持文件链接回源，保持知识链条完整
• 自动化运维：无需人工干预的保留策略执行

潜在局限与风险

• 硬依赖前置配置：必须手动开启 sessionMemory 实验性功能，否则完全失效，配置门槛较高
• 摘要质量不确定性：自动化信号提取可能遗漏隐性上下文或过度简化复杂决策过程
• 14 天保留期刚性：无法针对不同项目敏感度自定义保留策略，存在误删风险
• 实验性功能风险：依赖标记为 experimental 的底层能力，API 稳定性无长期保障
• 无版本回滚：删除操作不可逆，摘要错误将导致原始信息永久丢失

适合人群

• 高频使用 OpenClaw 平台的开发者与知识工作者
• 长会话场景下受困于上下文窗口限制的高级用户
• 需要建立可检索决策日志的技术团队

常规风险提示

运行前务必确认 sessionMemory 已启用；建议首次使用时附加「保留原始文件」参数观察摘要质量；关键决策节点建议人工复核月度期刊后再执行清理。

核心功能

OpenClaw Memory Librarian 是一个背景运行的记忆管理助手，专门解决长期使用 Agent 后上下文窗口膨胀、历史记录混乱的问题。它通过「读取-总结-清理」三阶段工作流，将散乱的日常对话日志转化为结构化的月度知识库。

显著优点

1. token 效率优化：将冗长对话压缩为决策摘要，显著降低后续对话的上下文加载成本
2. 结构化知识提取：强制分类为「决策/变更/阻塞/洞察」四类信号，避免重要信息淹没在噪声中
3. 自动化运维：14天自动清理策略减少手动管理负担，兼顾近期细节与远期概览
4. 零外部依赖：纯本地文件操作，无网络传输风险

潜在局限与风险

• 数据丢失不可逆：14天自动删除是硬性策略，误删后无法恢复（尽管提供「仅总结不删除」模式）
• 摘要质量依赖 Agent 能力：若总结阶段 Agent 理解偏差，关键信息可能被错误过滤为「噪声」
• 实验性功能依赖：必须手动启用 sessionMemory 实验配置，否则完全失效
• 敏感信息暴露：日志可能含 API Key、密码等，摘要过程无自动脱敏机制

适合人群

• 高频使用 Agent 进行复杂项目、需要维护长期上下文的技术用户
• 对 token 成本敏感、希望优化上下文效率的开发者
• 能够接受「结构化摘要替代完整历史」这一 trade-off 的用户

常规风险

配置读取操作虽为功能必需，但涉及 Agent 核心配置文件；删除操作无二次确认，建议在可信环境使用并定期备份 memory/ 目录。