1. OpenClaw 记忆系统设计解析:从本地存储到智能检索的演进之路
作为一个长期关注AI助理系统的开发者,我最近深入研究了OpenClaw的记忆系统设计,发现其架构演进过程非常值得记录。这个系统最初采用"Markdown即真相"的本地优先设计,后来在社区推动下发展出更智能的分层检索架构,完整呈现了一个实用AI系统如何平衡记忆完整性、检索效率和资源消耗的思考过程。
1.1 初始架构:本地优先的双层存储设计
OpenClaw最初的设计理念非常明确——所有记忆必须以人类可读的形式存在本地设备上。这种"Markdown即真相"的哲学决定了整个系统的底层架构:
code复制记忆系统
├── 短期记忆(Short-term Cache)
│ └── 内存缓存,72小时内对话上下文
└── 长期记忆(Long-term Storage)
├── SQLite 数据库(结构化索引)
└── Markdown 文件(原始真相)
在实际实现中,这个架构有几个关键特点值得注意:
-
纯文本优先:所有记忆最终都存储在Markdown文件中,这种设计让用户可以随时用任何文本编辑器查看和修改记忆内容。我在自己的测试中发现,这种透明性对于调试和定制AI行为特别有用。
-
派生索引层:SQLite数据库仅作为加速检索的辅助工具,不存储原始内容。这意味着即使索引损坏,也能从Markdown文件完全重建。我在实现类似系统时,这种设计确实减少了数据丢失的风险。
-
本地化运行:所有数据都存储在用户设备上,只有调用LLM API时才需要联网。这种设计既保护了隐私,也允许用户完全离线使用本地模型。
提示:在实际部署时,建议将工作目录设置为云同步文件夹(如Dropbox或iCloud),这样可以在多个设备间同步记忆,同时保持本地优先的特性。
1.2 存储细节与数据流向
长期记忆的存储结构设计得非常清晰:
code复制~/.openclaw/workspace/
├── MEMORY.md # 长期决策、用户偏好、关键事实
└── memory/ # 每日日志目录
├── 2026-01-30.md # 按日期
