1. OpenClaw 记忆体系到底解决什么问题OpenClaw 的记忆分类与管理体系本质是把「对话上下文」从一次性的 token 消耗变成可持久化、可检索、可演化的本地文件资产。它适合谁适合那些用 AI 写代码、跑自动化任务、做长期项目的开发者——你会发现每次重开对话都要重新交代背景而 OpenClaw 用三层记忆模型把这件事一次性解决。它的核心设计是分层文件化记忆Hierarchical File-based Memory运行时记忆、短期记忆、长期记忆各司其职全部落地为本地 Markdown 文件而不是塞进某个向量数据库。这意味着你可以用git diff看记忆怎么变的可以用grep直接搜也可以手动改。配合技能自进化机制Agent 能在运行时写出新技能、测试、注册形成递归自我改进的闭环。这篇拆解两件事一是记忆三层模型和核心文件MEMORY.md / SOUL.md / CHAT_HISTORY.md的职责边界二是技能自进化的四个阶段怎么落地。最后给出一套可复制的config.toml与settings.json骨架通过 TaoToken 统一 Key/API 通道接入并附验证动作确认配置真的生效。2. 三层记忆模型与核心文件职责2.1 运行时 / 短期 / 长期三层怎么分运行时记忆Working Memory就是当前对话的滑动窗口、临时变量和中间计算结果生命周期只有单次会话会话一结束就没了。它不落盘纯粹是推理时的上下文。短期记忆Short-term Memory落在CHAT_HISTORY.md保存最近 N 轮对话和会话级摘要默认保留 7 天或 100 轮可配置。它的作用是让 Agent 在跨会话的短时间内还记得你昨天聊到哪。长期记忆Long-term Memory是永久持久化的部分包含三个东西MEMORY.md事实性知识库、SOUL.md人格与风格定义、SKILLS/技能库。这部分会自动更新是 OpenClaw 区别于普通聊天工具的关键。三层之间的流转逻辑是运行时记忆在会话结束时把值得留下的内容压缩进短期记忆短期记忆超过阈值后旧对话被总结成「会话摘要」写入长期记忆的MEMORY.md而不是直接删除。这样信息是逐层沉淀的不是断崖式丢失。2.2 MEMORY.md事实记忆库的增量写入与压缩MEMORY.md存的是用户偏好、重要事实、业务规则这类显式知识格式是结构化 Markdown支持标签分类。它的更新机制有两个动作增量写入——对话中识别到关键事实比如「用户是素食主义者」「这个项目用 PostgreSQL 不用 MySQL」就自动追加一条。定期压缩——当文件超过阈值比如 8KB自动触发总结把详细记录压缩成高层级事实。这里有个容易踩的坑压缩是有损的。如果你把关键约束写得太口语化压缩后可能丢失细节。我的做法是在重要事实后面加显式标签比如#must-keep让压缩策略知道这条不能简化。2.3 SOUL.md可运行时演化的人格定义SOUL.md类似系统提示词的持久化版本但支持运行时演化。它包含四个维度Persona角色定位如「你是一位严谨的代码审查员」、Tone语言风格正式/幽默/极简、Constraints硬性规则如「绝不生成不安全代码」、Goals长期目标。动态更新的例子用户多次要求简化回答Agent 会更新SOUL.md里的简洁度参数。这意味着人格不是写死的而是随交互反馈漂移的。要注意的是Constraints 这类硬性规则建议手动锁定别让自动演化把它改松了。2.4 CHAT_HISTORY.md滑动窗口与分层摘要CHAT_HISTORY.md是原始对话的时序存储。管理策略有三条滑动窗口保留最近 N 轮默认 20 轮详细对话超过阈值的旧对话总结成会话摘要存入MEMORY.md检索用关键词本地搜索grep/ripgrep而不是向量相似度。用 grep 而不是向量检索是个务实的选择——本地优先、零依赖、结果可解释。代价是语义模糊的查询效果一般但对代码和项目类记忆来说关键词命中率其实够用。3. 技能自进化机制四阶段拆解3.1 ClawMark 技能定义格式技能以 Markdown 文件存在~/.openclaw/skills/遵循 ClawMark 规范YAML Frontmatter Markdown。一个典型技能长这样--- id: data_cleaning_pipeline name: CSV Data Cleaning version: 1.2 author: openclaw (auto-generated) tags: [data-processing, python, pandas] dependencies: [python3.9, pandas, numpy] entry_point: execute inputs: file_path: {type: string, required: true} operations: {type: array, enum: [drop_na, normalize, encode]} outputs: cleaned_file: {type: string} report: {type: markdown} --- ## Description Clean and preprocess CSV files with standard data science operations. ## Implementation python def execute(file_path: str, operations: list) - dict: import pandas as pd df pd.read_csv(file_path) if drop_na in operations: df df.dropna() output_path file_path.replace(.csv, _cleaned.csv) df.to_csv(output_path, indexFalse) return { cleaned_file: output_path, report: fProcessed {len(df)} rows, applied {operations} }Frontmatter 里的 inputs/outputs 是给 Agent 自己看的契约entry_point 指向实现函数。这种「元数据 代码」同文件的设计让技能既能被人读也能被程序解析。 ### 3.2 需求识别到持续优化的四阶段 阶段一是需求识别当 Agent 遇到重复性任务如「每周五整理周报」或多步任务下载→清洗→可视化→发邮件触发技能创建意图。触发信号包括用户明确指令「记住这个流程」或模式检测发现过去 3 次对话执行了相似步骤序列。 阶段二是代码生成与验证Agent 进入 Meta-mode暂停常规对话回顾历史操作、生成实现、在隔离 WorkDir 里沙箱测试、失败则自我修复递归迭代最多 3 次。 阶段三是元数据提取与注册通过静态分析AST识别函数签名扫描 import 生成依赖列表基于注释生成文档然后原子性写入磁盘并更新 skills_index.json。 阶段四是持续优化版本迭代v1.3 保留旧版回退、性能监控记录执行时间和成功率、依赖更新检测。 ### 3.3 子代理创建与职责分离 对于并行任务或隔离风险场景OpenClaw 支持创建子代理。父 Agent 编写子 Agent 的 SOUL.md 和初始 MEMORY.md派生独立进程。父代理做协调者负责任务分配和结果汇总子代理做执行者拥有独立 WorkDir 和技能沙箱。通信通过文件系统事件或消息队列交换 JSON。任务完成后子代理可保留为长期助手也可销毁清理资源。 ## 4. TaoToken 前置统一 Key 与 API 通道 在落地配置前先把接入通道准备好。TaoToken 的作用是统一 Key/API 通道让你在 OpenClaw 里配置一次就能对接多个模型工具不用每个工具单独管一套密钥。 你需要先拿到 API Key。访问控制台创建 text https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite创建后到 API Keys 页面复制密钥https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewriteAPI 基础地址是https://taotoken.net/api不加 UTM。如果你要确认模型是否可用可以先用模型对话页面测一下https://taotoken.net/model-chat?utm_sourcetaotoken_aicg_blog_endutm_contentmodel-chatutm_campaignrewrite长期跑编码任务或 Agent 的建议看 Coding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite接入文档在https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite密钥不要写进 Markdown 记忆文件用环境变量引用。这是 OpenClaw 本地优先存储的隐私原则也是基本安全习惯。5. 可复制配置config.toml 与 settings.json 骨架5.1 config.toml 记忆与技能配置下面这份config.toml覆盖记忆目录、三层记忆阈值、技能目录和模型通道。把api_key用环境变量占位实际运行时由 shell 注入。[memory] root ~/.openclaw/memory working_window 20 # 运行时滑动窗口轮数 short_term_ttl_days 7 # 短期记忆保留天数 short_term_max_turns 100 # 短期记忆最大轮数 long_term_compress_threshold_kb 8 # 超过 8KB 触发压缩 retrieval grep # 本地关键词检索 [memory.files] facts MEMORY.md soul SOUL.md history CHAT_HISTORY.md [skills] root ~/.openclaw/skills index skills_index.json sandbox ~/.openclaw/workdir max_self_repair 3 # 自我修复最多 3 次 auto_register true [llm] provider taotoken base_url https://taotoken.net/api api_key ${TAOTOKEN_API_KEY} model claude-sonnet timeout_seconds 60 [context_injection] order [soul, memory_fragments, chat_history, user_input]context_injection.order决定了每次调用模型时上下文的组装顺序SOUL.md 在顶部定义人格然后是相关记忆片段、最近对话、当前输入。这个顺序别乱改人格定义放最后会被对话淹没。5.2 settings.json 运行时参数settings.json管运行时行为和子代理{ runtime: { meta_mode_enabled: true, pattern_detection_window: 3, auto_skill_trigger: true }, sub_agent: { enabled: true, communication: filesystem, lifecycle: destroy_on_complete, max_children: 4 }, memory: { incremental_write: true, importance_scoring: true, user_pin_tag: #must-keep }, logging: { level: info, skill_perf_tracking: true } }pattern_detection_window: 3对应前面说的「过去 3 次对话执行相似步骤就触发技能创建」。user_pin_tag是给重要事实打标防止压缩时被简化掉。5.3 环境变量注入export TAOTOKEN_API_KEY你的密钥 export OPENCLAW_MEMORY_ROOT$HOME/.openclaw/memory把这两行放进~/.bashrc或~/.zshrc避免每次手动 export。密钥只存在于环境变量不落盘到记忆文件。6. 验证请求与成功结果确认配置写完不代表生效得验证。分三步。第一步确认记忆目录结构被正确创建ls -la ~/.openclaw/memory/ # 期望看到 MEMORY.md SOUL.md CHAT_HISTORY.md第二步发一个请求确认模型通道通。用 curl 直接打 TaoToken 的 APIcurl -s https://taotoken.net/api/v1/chat/completions \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -H Content-Type: application/json \ -d { model: claude-sonnet, messages: [{role: user, content: 回复 OK 两个字母}] }成功的话返回 JSON 里choices[0].message.content会包含OK。如果返回 401检查密钥返回 404检查base_url有没有多写路径。第三步验证记忆写入。跟 OpenClaw 说一句「记住这个项目用 PostgreSQL」然后grep -i postgresql ~/.openclaw/memory/MEMORY.md能搜到就说明增量写入生效了。再触发一次技能创建检查skills_index.json是否更新cat ~/.openclaw/skills/skills_index.json | python -m json.tool索引里出现新技能 id说明注册链路通了。7. 本篇常见错排查报错一api_key not found。多数是环境变量没生效。echo $TAOTOKEN_API_KEY确认有值没有就重新 source 配置文件。别把密钥直接写进config.toml那样 git 提交会泄露。报错二记忆文件不更新。检查config.toml里root路径是否存在且可写。如果用了~但程序不解析波浪号换成绝对路径。另外确认incremental_write是 true。报错三技能沙箱测试一直失败。看max_self_repair是不是设太小默认 3 次。如果依赖缺失检查技能的dependencies字段有没有写全沙箱环境不会自动装包。报错四上下文注入顺序错乱。确认context_injection.order数组没被改。SOUL.md 必须在最前否则人格定义会被历史对话稀释。报错五grep 检索不到记忆。中文分词问题。grep 是字节匹配搜「数据库」能命中搜「数据」也能命中但搜语义相近的词不行。这是本地关键词检索的固有局限需要语义检索就得另配。排障和接入相关的完整说明在接入文档https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite需要重新生成或管理密钥去 API Keys 页面https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite8. 按场景选对入口如果你现在卡在配置报错或接入不通优先看 API Keys 和接入文档把通道打通再谈记忆体系。如果你只是想先确认某个模型能不能用、回复质量如何用模型对话页面快速试。如果你是长期跑编码任务、要让 Agent 持续自进化技能那 Coding Plan 更合适配额和通道都按长任务场景设计。三个入口按需选API Keys: https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 接入文档: https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 模型对话: https://taotoken.net/model-chat?utm_sourcetaotoken_aicg_blog_endutm_contentmodel-chatutm_campaignrewrite Coding Plan: https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite配置骨架先跑通再逐步调memory的阈值参数。我试过把long_term_compress_threshold_kb从 8 调到 16压缩频率降下来后细节保留明显更好代价是文件大一点、检索稍慢。这个值按你的项目记忆密度来定没有标准答案。
建堆推导)
