用 OpenClaw 半年，最大的痛点是：每次对话都从零开始。

直到我给它搭了四套记忆系统，才真正体会到什么叫“丝滑”。

半年前开始用 OpenClaw，说实话，体验是割裂的。

每次打开对话，我都要重新介绍自己：我是谁、做什么的、之前聊过什么。OpenClaw 就像一个记性不好的助手，每次见面都问“您哪位”。

我写过一篇文章吐槽这个问题。当时觉得，AI Agent 的记忆可能就是个伪命题——毕竟每次会话都是独立的，它能记住什么？

直到最近，我花了两天时间，给 OpenClaw 搭了四套记忆系统。现在再用，完全是两个体验。

这篇文章，聊聊我怎么做的，以及改造前后的对比。

---

一、问题：OpenClaw 的“失忆症”

用 OpenClaw 的人都懂这个场景：

• 周一：“我是雪诺科技的 CEO，做企业浏览器安全的，帮我写篇文章。”
• 周三：“我是谁？”
• 周五：“我是雪诺科技的 CEO……”

循环往复。

OpenClaw 本身有 MEMORY.md 机制，但问题是：

• 需要手动维护
• 没有自动提取
• 搜索靠关键词匹配，不够智能

说白了，它给了你一个笔记本，但没给你笔，也没教你记什么、怎么记。

---

二、解法：四套记忆系统

我参考了 OpenClaw 官方文档和社区方案，搭了四套记忆系统，覆盖不同场景：

方法	用途	技术方案
Method 1	长期记忆、用户画像	结构化文本文件
Method 2	语义搜索、智能匹配	向量嵌入（待 Kimi 开放）
Method 3	自动提取对话记忆	Mem0 自动化
Method 4	结构化查询、精确检索	SQLite 数据库

下面逐个讲。

---

Method 1：结构化记忆文件夹

原理

用文本文件存储核心记忆，透明可控。

实现目录结构

memory-system/method1-structured/
├── core/
│   ├── identity.md          # KimiClaw 身份设定
│   ├── user-profile.md      # 用户画像
│   ├── preferences.md       # 偏好设置
│   ├── writing-style.md     # 写作风格
│   └── personal-brand.md    # 个人 IP 定位
├── projects/
│   └── active/              # 当前项目
└── knowledge/
    └── facts.md             # 事实知识

效果

• 每次对话前，自动读取核心文件
• 我的身份、偏好、写作风格，一目了然
• 随时可编辑，完全透明

示例

# 用户画像
- 姓名：高雪峰
- 身份：雪诺科技 CEO
- 工作习惯：晚上工作，经常熬夜
- 写作风格：直接、有棱角、不说废话

---

Method 2：向量记忆搜索

原理

用 embedding 把文本转成向量，实现语义搜索。

技术

• 本来想直接用 Kimi 的 embedding API
• 结果发现 Kimi embedding 还没开放
• 备用方案：Google Gemini embedding（每天 1500 次免费）

实现

# 存储记忆
store_memory("我喜欢用 TypeScript", category="preference")

# 语义搜索
search_memory("编程语言偏好")
# 返回：我喜欢用 TypeScript（即使关键词不完全匹配）

效果

• 自然语言查询，不用记关键词
• “我之前说过喜欢什么？”→ 自动找到相关记忆

现状：等 Kimi 开放 embedding，目前先用其他方案。

---

Method 3：Mem0 自动化记忆

原理

自动从对话中提取关键信息（偏好、事实、决策）。

实现

# 自动提取
extract_memories("我喜欢用深色主题，习惯晚上工作")
# 自动识别为：preference + fact

# 搜索记忆
search_memories("工作习惯")
# 返回：我习惯晚上工作

效果

• 不用手动记，对话中自然提取
• 自动分类：preference / fact / decision / project
• 支持关键词搜索

示例提取

• “我喜欢用 TypeScript” → preference
• “我是雪诺科技 CEO” → fact
• “我决定每周二周五发文章” → decision

---

Method 4：SQLite 结构化存储

原理

用数据库存储结构化数据，支持精确查询。

实现

-- 偏好表
preferences(key, value, category)

-- 事实表
facts(subject, predicate, object)

-- 项目表
projects(name, status, description)

使用

# 设置偏好
set_preference("editor", "VS Code", "coding")

# 查询
get_preference("editor")  # 返回：VS Code

# 自然语言查询
natural_language_query("显示所有活跃项目")

效果

• 精确查询，比文本搜索更准
• 支持复杂条件：按分类、按时间、按状态
• 零依赖，本地运行

---

四步组合的效果

改造前 vs 改造后

场景	改造前	改造后
自我介绍	每次都要说“我是雪诺科技 CEO”	自动读取 user-profile.md
写作风格	每次都要提醒“不要说废话”	自动读取 writing-style.md
记住偏好	说过就忘	Method 3 自动提取，Method 4 持久化
查找历史	翻聊天记录	Method 2 语义搜索，Method 4 精确查询
项目进度	口头同步	Method 1 项目文件 + Method 4 数据库

最直观的改变

以前写篇文章，我要说：

“我是雪诺科技 CEO，写零信任安全的，风格直接有棱角，不要 AI 套话……”

现在直接说：

“写本周二的文章”

OpenClaw 自动知道：我是谁、写什么主题、什么风格、什么时候发。

---

给 OpenClaw 用户的建议

如果你也在用 OpenClaw，建议按这个顺序搭建：

第一步：Method 1（必做）

• 创建 core/user-profile.md，记录你的基本信息
• 创建 core/preferences.md，记录你的偏好
• 成本：零，效果：立竿见影

第二步：Method 4（推荐）

• 初始化 SQLite 数据库
• 存储关键偏好和事实
• 成本：零，效果：精确查询

第三步：Method 3（进阶）

• 开启自动记忆提取
• 让 OpenClaw 从对话中学习
• 成本：零，效果：越来越懂你

第四步：Method 2（可选）

• 等 Kimi 开放 embedding，或配 Google / SiliconFlow
• 实现语义搜索
• 成本：低，效果：自然语言查询

---

写在最后

OpenClaw 是个好东西，但默认配置只是起点。

AI Agent 的真正价值，不在于单次对话多聪明，而在于长期陪伴中积累的“默契”。

四套记忆系统，就是让这种默契成为可能的基础设施。

现在我的 OpenClaw（我叫它 KimiClaw），已经记住了：

• 我是雪诺科技 CEO，做企业浏览器安全
• 我每周二周五发文章，写零信任、浏览器安全、AI+安全
• 我喜欢直接有棱角的表达，讨厌 AI 套话
• 我习惯晚上工作，经常熬夜
• 我的写作风格、个人 IP 定位、50 篇选题库……

下次对话，它不需要问“您哪位”，直接就能干活。

这才是 AI Agent 该有的样子。