3.6 KiB
3.6 KiB
title, type, tags, date
| title | type | tags | date | |||||
|---|---|---|---|---|---|---|---|---|
| 养龙虾5天血泪史：我的AI Agent为什么总失忆？OpenClaw 记忆调试全记录 | source |
|
2026-04-02 |
Source File
Summary
- 核心主题：AI Agent（OpenClaw）的长期记忆问题诊断与解决
- 问题域：上下文窗口压缩导致的信息丢失、搜索失效、系统臃肿、模型切换失忆
- 方法/机制：内存刷新、混合搜索（BM25+向量+重排序）、检索指令、上下文修剪、系统提示词审计清理、交接协议
- 结论/价值：5天调试将系统提示词从 20,9652 令牌降至 9,349 令牌（减少 28%），总结出 10 条 OpenClaw 内存管理黄金法则
Key Claims
- 上下文压缩会丢失细节信息（姓名、数字、具体决定），需要在压缩前将重要内容写入磁盘
- 纯语义搜索在专有名词、具体数字和确切短语上失败，混合搜索（关键词+向量+重排序）效果更好
- 检索不是自动的，需要在启动序列中添加明确的检索指令
- 系统提示词中的每个未使用技能都是每个消息上的开销，移除不使用的文件比添加更重要
- 模型切换时需要交接协议，否则新模型会以空白上下文窗口开始
Key Quotes
"这是设计使然。上下文窗口是有限的。但默认行为对一切一视同仁，这意味着你精心设计的第三条消息指令，和第七条消息的闲聊得到了相同待遇。"
"信息存在"和"Agent使用信息"之间有区别。你需要两者。搜索基础设施处理第一部分。启动指令和检索习惯处理第二部分。
"真正的修复不是添加更多文件。而是移除那些什么都不做的文件。"
"写入纪律比读取纪律更重要。如果代理不将决定、结果和错误记录到磁盘，这些东西只存在于上下文窗口中。而上下文窗口会被压缩。"
Key Concepts
- 上下文压缩：OpenClaw 将旧消息压缩为摘要以腾出空间，但会丢失细节
- 内存刷新：在压缩前将重要上下文写入磁盘的机制
- 混合搜索：结合 BM25（关键词匹配）、向量嵌入（语义相似性）和重排序器的搜索策略
- 检索指令：在启动序列中明确告诉 Agent 何时搜索的指令
- 上下文修剪：通过 TTL 和保留策略主动清理旧上下文
- 系统提示词审计：定期检查并移除未使用的技能和文件
- 交接协议：模型切换前将当前上下文写入每日日志的规范
Key Entities
- OpenClaw：运行在 Telegram 上的 AI Agent 管理工具，作者的助理"星辉"基于此构建
- QMD：内存搜索后端，结合 BM25、向量嵌入和重排序器
- SQLite：OpenClaw 默认的搜索后端，使用向量嵌入但在精确匹配上表现不佳
Connections
- 上下文压缩 ← depends_on ← 上下文窗口
- 内存刷新 ← fixes ← 上下文压缩
- 混合搜索 ← replaces ← SQLite 向量搜索
- 检索指令 ← enables ← 上下文记忆
- 交接协议 ← solves ← 模型切换失忆
- 系统提示词审计 ← reduces ← 系统开销
Contradictions
- 与之前的养虾日记2：让Agent更懂你思路对比：
- 养虾日记2侧重 self-improving skill 和双层记忆架构的主动学习
- 本篇侧重被动防御机制（内存刷新、交接协议）和系统优化
- 两者互补：主动学习减少错误，被动防御确保记忆不丢失