OpenClaw的“长期记忆”实现得非常巧妙，它不是简单地把所有对话都塞给大模型，而是模拟了人脑的记忆方式，通过一个“磁盘文件 + 索引库”的双层结构，以及一套“AI自己判断该记什么”的机制来完成的。

它的核心可以拆解为三个部分：记忆是怎么存的、怎么找到相关记忆、以及AI怎么决定该记什么。

记忆的“仓库”：Markdown文件 + SQLite索引

OpenClaw的记忆存储分为两个层次，既有给人看的明文文件，也有给机器查的索引数据库。

但光有文件还不够，要在海量文本里快速找到相关内容，必须建索引。这就是 SQLite 数据库登场的地方：
存储位置：每个AI助手对应一个独立的 SQLite 数据库，位于 `~/.openclaw/memory/{agentId}.sqlite`。
核心机制：它会将上述Markdown文件拆分成块，并为每个块生成两种索引：
    1.  向量索引：用于理解语义。比如你搜“运行网关的机器”，它能找到描述为“Mac Studio”的相关内容。
    2.  全文索引 (FTS5)：用于精确匹配。比如你搜环境变量名 `DB_PASSWORD`，它能精确定位。
可靠性设计：如果系统的向量索引组件（`sqlite-vec`）出了问题，它会自动降级，用传统的文本检索方式（BM25）或甚至暴力计算来保证服务不中断。

记忆的“检索员”：混合搜索

当你在对话中提到一个过去讨论过的话题，AI就会派“检索员”`memory_search` 工具出马。它执行的是混合检索：

1.  双路并进：同时用 **向量搜索** 找语义相似的内容，和用 **关键词搜索 (BM25)** 找字面匹配的内容。
2.  加权合并：把两路搜索结果按权重（例如向量占0.7，BM25占0.3）综合打分，取并集后返回最相关的结果。
3.  精确读取：如果需要查看某个结果片段的完整上下文，AI会再调用 `memory_get` 工具，根据文件路径和行号去精确读取。

记忆的“守门员”：AI自己决定记什么

这是OpenClaw最聪明的设计之一：**由AI自己判断哪些信息值得永久保存**。它主要通过两种方式触发：

1.  主动写入：系统提示词里明确写着“如果有人说‘记住这个’，就把它写到文件里”。例如，当你说“记住我以后都用深色模式”，AI就会把这个偏好追加到 `MEMORY.md` 或相应的偏好文件中。

2.  被动写入（记忆刷新）：当一个会话的对话历史太长，即将达到大模型的上下文窗口上限（比如还剩4000个token就要被压缩了）时，系统会静默地触发一个AI回合，提醒它：“赶紧把重要的东西写到今天的日志文件里，不然马上要被压缩遗忘了！”。这个机制被称为预压缩记忆冲刷 (Memory Flush)，有效防止了长对话中的“静默遗忘”问题。

如何用好这套记忆系统？

了解了原理后，你可以通过以下方式更好地利用它：

主动“喂”给它：对于最重要的规则，直接编辑 `~/.openclaw/workspace/MEMORY.md` 文件，或者对AI说“请记住：...”，这是最可靠的方式。
善用“心跳”机制：配置 `HEARTBEAT.md` 文件，让AI每隔一段时间（如30分钟）自动巡检记忆，整理和归档信息。
定期“体检”：长期记忆文件可能会膨胀，建议每隔一段时间手动浏览一下 `MEMORY.md`，删除过时或无用的信息。

总的来说，OpenClaw的长期记忆是一个集分层存储、混合检索、自主判断于一体的精妙系统。它将昂贵的上下文（Token）用在了刀刃上，而把海量的信息沉淀在本地文件中，既聪明又透明。