103 lines
5.4 KiB
Markdown
103 lines
5.4 KiB
Markdown
# 让AI拥有"记忆"：OpenClaw + Self-Improving 每日复盘实战
|
||
|
||
## AI记不住，才是最大的问题
|
||
|
||
我用AI agent已经有一段时间了。一个最让我头疼的问题不是"AI回答质量差"，而是：**AI每次对话都是一张白纸**。
|
||
|
||
昨天我跟它说过"这个问题不要用A方法"，今天它照常用。上一周我教会它的一个工作流，下周一它完全忘了。听起来很蠢对吧？但这就是大多数AI agent的现状——**没有记忆，只有上下文窗口**。
|
||
|
||
所以我花了点时间，给我的AI agent搭了一套"记忆系统"。用了两个月，效果超出预期。今天分享一下我的做法。
|
||
|
||
---
|
||
|
||
## 核心思路：双层记忆架构
|
||
|
||
我的方案不是什么黑科技，思路很简单：**短期记忆 + 长期记忆**。
|
||
|
||
**短期记忆层**是每天的对话记录文件（`memory/YYYY-MM-DD.md`）。每天结束，agent自动把当天的操作、遇到的问题、未完成的事项写进这个文件。第二天启动时，agent先读这个文件，接上昨天的工作。
|
||
|
||
**长期记忆层**是 `memory-lancedb-pro`（基于 LanceDB 的向量数据库）。重要的决策、用户偏好、反复使用的流程，直接存进去。下次需要的时候，agent通过语义搜索找回来，而不是靠"记性好不好"。
|
||
|
||
两层各司其职：**每日文件管"上下文"，向量数据库管"知识"**。
|
||
|
||
---
|
||
|
||
## 每日复盘：23:00的定时任务
|
||
|
||
我给每个agent都设置了每天23:00（北京时间）自动执行复盘。通过 OpenClaw 的 cron 任务实现，每个agent独立运行自己的复盘流程。
|
||
|
||
复盘做的事情很直接：
|
||
|
||
1. 读取当天的 memory 文件
|
||
2. 回顾当天的对话记录
|
||
3. 提炼 learnings（学到了什么、踩了什么坑、下一步怎么做）
|
||
4. 把有价值的经验更新到长期记忆（LanceDB）
|
||
|
||
以星辉（我的个人助理agent）为例，复盘后的输出大概长这样：
|
||
|
||
```markdown
|
||
# 2026-04-02 日记
|
||
|
||
## 今日状态
|
||
- 用户主动对话: 0条
|
||
- 系统/定时任务: 1个
|
||
|
||
## 待确认事项（延续）
|
||
- 任务"给圆圆起一个英文名字"（截止日期4/1）- 需确认是否完成
|
||
|
||
## 明日待办
|
||
- [ ] 确认任务完成状态
|
||
```
|
||
|
||
这种结构化的输出，让任何agent第二天都能快速接手工作，而不是从头摸索"昨天干什么了"。
|
||
|
||
---
|
||
|
||
## 从AGENTS.md设计一个"懂行"的agent
|
||
|
||
光有记忆系统不够，agent的行为规范也很重要。我在每个agent的 `AGENTS.md` 里定义了几件事：
|
||
|
||
**角色定位**：每个agent是干什么的。比如星辉负责日程、邮件、提醒、任务管理；星曜负责基础设施和服务器运维。职责清晰，边界明确。
|
||
|
||
**行为准则**：优先级、确认流程、什么不该做。比如所有外部操作（发邮件、对外通信）必须经过用户确认才能执行；收到心跳（heartbeat）时不要每次都回复"HEARTBEAT_OK"，而是真正去做检查。
|
||
|
||
**工具映射**：用户说"帮我发邮件"，agent知道调用 `agentmail` 而不是瞎猜。这个映射表让我可以随时调整工具实现，而不需要改agent的行为描述。
|
||
|
||
有了这份文档，新agent启动时就能快速了解"我是谁"、"我该做什么"、"我用什么工具"。
|
||
|
||
---
|
||
|
||
## 实战技巧：让这套系统真正work
|
||
|
||
说几个真正管用的经验：
|
||
|
||
**定时任务一定要配置Telegram通知**。OpenClaw cron任务的 `delivery.channel` 必须设为 `"telegram"`，这样任务执行完了我能在Telegram收到通知，知道哪个任务成功了、哪个出了问题。之前没配这个，有几个任务失败了半个月我都不知道。
|
||
|
||
**每天第一次对话时检查记忆文件**。Session启动时，agent自动检查今天的memory文件是否存在，不存在就创建一个。这个小小的routine省去了很多"你还记得上周说的那件事吗"的尴尬。
|
||
|
||
**遇到工具失败先查记忆再重试**。这是agent行为准则里的一条铁律：任何工具失败，先用 `memory_recall` 搜一下之前有没有遇到过、怎么解决的，再决定要不要重试。减少重复踩坑。
|
||
|
||
**经验要存两条**：一条存"事实层"（问题原因是什么、怎么修复），一条存"决策层"（以后遇到什么情况该怎么做）。前者帮我快速定位问题，后者帮我做出更好的选择。
|
||
|
||
---
|
||
|
||
## 效果如何？
|
||
|
||
用了两个月，我最直接的感受是：**agent真正开始"认识"我了**。
|
||
|
||
它知道我默认用163邮箱发邮件、知道我的女儿圆圆有个英文名叫Leo、知道遇到服务器问题先SSH进服务器看看日志而不是慌。它不再每次都问我"你的邮箱是什么"，也不再在我提到"那个任务"时一脸茫然。
|
||
|
||
错误率也下来了。以前同一个坑踩两三次是常态，现在agent能从记忆里找到之前的解决方案，第一次就能做对。
|
||
|
||
---
|
||
|
||
## 这套方案适合你吗？
|
||
|
||
说实话，如果你只是偶尔用一下AI聊天，这套系统 overkill。但如果你像我一样，**同时运行多个agent、有固定的日常工作流、需要AI真正帮你做事情**，这套双层记忆 + 每日复盘的方案值得一试。
|
||
|
||
核心不是技术有多复杂，而是**习惯**：每天复盘、每次踩坑都记录、重要决策同步到长期记忆。做到了这些，AI agent就不再是"每次都要重新教"的工具，而是真正有记忆的助手。
|
||
|
||
---
|
||
|
||
*这套系统运行在我的 Mac Mini（中央控制节点）上，通过 OpenClaw 管理多个agent协同工作。如果你也在用OpenClaw，欢迎交流。*
|