打造 AI 的長期記憶：OpenClaw Memory System 設計心得

「你昨天才跟我說過你不喜歡吃香菜，怎麼今天又推薦我香菜料理了？」

如果你常用 AI 助理，一定遇過這種讓人翻白眼的情境。不管你用的是 ChatGPT、Claude 還是其他 LLM 服務，每次開新對話都是一張白紙。你得重新介紹自己、重新解釋背景、重新說明偏好。這不是「助理」，這是每天換一個新的實習生。

這大概是驅動我認真研究 AI 記憶系統的最大動力。而 OpenClaw 的 Memory System 是我目前看過設計得最實用的解法之一。用了幾個月之後，我想分享一些設計心得和踩坑經驗。

為什麼 LLM 原生的記憶不夠用？

先釐清一個技術背景：LLM 本身沒有「記憶」。它有的是 context window——每次對話時餵進去的文字量。對話越長，context 越滿，最後超出限制就得截斷或壓縮。

一些平台推出了 memory 功能，讓 AI「記住」跨對話的資訊。但實際體驗下來，那些記憶系統通常很淺——它可能記得你的名字和職業，但不會記得你上週三跟它討論的那個架構決策細節。

更根本的問題是：你對記憶的控制權很低。 它記了什麼、怎麼組織、什麼時候會忘記、哪些資訊會被優先想起——這些你幾乎無法控制。

OpenClaw 的做法完全不同。它把記憶系統建立在純文字檔案之上，給你完整的控制權。你隨時可以打開檔案看 AI 記了什麼、手動編輯不對的地方、刪掉過時的內容。這種透明度在其他 AI 記憶系統裡幾乎找不到。

三層記憶架構

OpenClaw 的記憶系統有三個層次，各自扮演不同的角色。我用一個比喻來說明：

第一層：Workspace Files（身份證）

包括 SOUL.md、USER.md、IDENTITY.md 等核心檔案。這些檔案每次 session 啟動都會載入，定義了 AI 最基本的設定：

• SOUL.md：AI 的人格和行為準則。它是誰、怎麼說話、什麼該做什麼不該做
• USER.md：使用者的基本資訊。你是誰、做什麼、有什麼偏好
• IDENTITY.md：AI 的身份標識

這些就像一個人的「身份證」——不管什麼情境，這些基本資料都隨身攜帶。你不需要每次見面都重新自我介紹。

第二層：MEMORY.md（筆記本）

這是精煉過的長期記憶，像是 AI 的「筆記本」。裡面放的是經過整理、仍然有效的重要資訊。比如：

• 你最近在忙的專案及其現況
• 過去做的重要決策和原因
• 你提過的偏好和習慣
• 之前踩過的坑、學到的教訓

MEMORY.md 不是什麼都放的垃圾場。它是精煉過的精華——只有持續相關的資訊才應該留在裡面。過時的內容要定期清理掉。

第三層：Daily Memory（日記）

memory/YYYY-MM-DD.md 格式的每日記錄，像是 AI 的「日記」。每天一個檔案，記錄當天對話中的重要事項。

跟 MEMORY.md 不同，daily memory 記的是原始的、細粒度的資訊。哪個任務完成了、討論了什麼決策、遇到了什麼問題——都是未經過度整理的第一手紀錄。

語意搜尋：memory_search

除了靜態的檔案層級，OpenClaw 還提供 memory_search 工具，讓 AI 用自然語言搜尋過去的記憶。

這比 grep 好用太多了。你不需要記得精確的用詞。問「上次我們討論資料庫遷移是什麼時候？」，memory_search 可以找到相關的段落，即使原文用的是「DB migration」或「搬資料庫」。

不過語意搜尋也不是完美的。它偶爾會找到語意相近但其實不相關的結果，也可能漏掉用詞差異很大但確實相關的段落。我的經驗是：搜尋品質跟你 daily memory 寫得好不好有很大關係。如果每天的紀錄都是結構清晰、有明確標題的，搜尋結果就會好很多。

實際運作流程

了解架構之後，來看看實際上 AI 是怎麼使用這套記憶系統的。

Session 啟動時

每次新 session 開始，OpenClaw 會依序載入：

1. SOUL.md → 確定自己是誰、怎麼行為
2. USER.md → 確定對方是誰
3. 今天和昨天的 memory/YYYY-MM-DD.md → 知道最近發生了什麼
4. MEMORY.md → 載入長期重要資訊

這個載入順序是有講究的。SOUL 和 USER 是最基本的，所以先載入。Daily memory 載最近兩天的，因為大部分問題都跟近期有關。MEMORY.md 放最後，作為長期知識的補充。

這裡有個 token 經濟學的考量：所有這些檔案加起來不能太大，不然光是載入記憶就吃掉太多 context window，留給實際對話的空間就不夠了。我自己的經驗是，全部加起來控制在三到五千字以內是比較好的平衡點。

回答有關過去的問題時

當你問 AI 一個跟過去有關的問題，比如「上個月那個效能問題最後怎麼解決的？」，AI 的處理流程是：

1. 先用 memory_search 搜尋相關的記憶段落
2. 從搜尋結果中拉出完整的上下文（memory_get）
3. 結合當前載入的記憶，組成完整的回答

因為有語意搜尋，AI 不需要把所有記憶都載入 context window。它可以按需查找，大幅節省 token 用量。

Session 結束或 context 壓縮前

當一個 session 結束、或者 context window 快滿需要壓縮的時候，AI 會自動把重要的資訊寫入當天的 daily memory。

這個「自動歸檔」的行為非常關鍵。它確保了即使 session 被中斷或 context 被壓縮，重要的資訊不會遺失。

設計哲學：Text > Brain

OpenClaw 記憶系統的核心哲學可以用一句話概括：Text > Brain。

意思是：所有重要的東西都要寫下來。不要依賴 AI 的 context window 來「記住」東西，因為 context 隨時可能被清掉。只有寫進檔案的東西才是安全的。

這個哲學其實跟人類的知識管理一模一樣。你不會把所有重要的事情都記在腦子裡——你會寫筆記、建文件、做紀錄。AI 也應該一樣。

另一個設計哲學是分層記憶。不是所有資訊都同等重要：

• 「我們專案用的是 PostgreSQL 16」→ 這是長期有效的事實，放 MEMORY.md
• 「今天花了三小時 debug 一個 N+1 query 問題」→ 這是當日事件，放 daily memory
• 「你喜歡直接給結論，不要先講一堆前情提要」→ 這是使用者偏好，放 USER.md

把對的資訊放在對的層級，記憶系統才能高效運作。

我的踩坑經驗

坑 1：MEMORY.md 無限膨脹

一開始我讓 AI 自由地往 MEMORY.md 寫東西，結果三個月後那個檔案已經肥到快破萬字了。載入時就吃掉一大堆 token，而且裡面一堆已經過時的資訊。

解法：定期 prune。 我現在大約每兩週會讓 AI 做一次 MEMORY.md 的大掃除——把已經不相關的項目移除，把可以合併的資訊濃縮。有點像整理你的筆記 app，過時的備忘錄就該刪掉。

我自己的經驗是 MEMORY.md 控制在兩三千字以內效果最好。太短會遺漏重要資訊，太長會浪費 token 而且 AI 反而不容易找到關鍵內容。

坑 2：Daily Memory 格式不一致

這個問題一開始不明顯，但用了一兩個月就會浮現。如果你沒有給 AI 一個 daily memory 的寫作模板，它每天寫的格式可能都不一樣——有時候用 bullet list，有時候用段落，有時候有標題有時候沒有。

格式不一致會直接影響語意搜尋的效果，因為搜尋引擎會依據文本結構來判斷段落的邊界和主題。

我後來在 SOUL.md 裡加了一段 daily memory 的寫作指引：

## Daily Memory 格式
每天的記憶紀錄用以下格式：
### 重要事件
- 事件描述（附時間和相關人員代號）
### 決策紀錄
- 決策內容和原因
### 待追蹤
- 尚未完成但需要追蹤的事項

加了這個之後，搜尋品質明顯提升。結構化的好處就是可預測性高，不管是人去讀還是 AI 去搜，都能很快找到想要的資訊。

坑 3：記憶洩漏的安全問題

這個坑比較隱微，但很重要。如果你的 AI 助理同時在私人頻道和群組頻道工作，你不會想讓群組裡的其他人透過 AI 存取你的私人記憶。

OpenClaw 的處理方式是：MEMORY.md 只在主 session（私人對話）中載入，群聊 session 不載入。 這個設計很聰明，從源頭就防止了記憶洩漏。

但這也意味著你在群聊裡問 AI 有關過去的問題，它可能答不出來。這是安全和便利的 trade-off，我覺得偏安全這邊是對的。

坑 4：記憶衝突

這個是用久了才會遇到的微妙問題。有時候 MEMORY.md 裡記的資訊跟 daily memory 裡的不一致——比如 MEMORY.md 寫著「專案 A 用 Redis 做快取」，但三天前的 daily memory 記錄了「決定把 Redis 換成 Memcached」。

如果 AI 沒有同時看到這兩段記憶，它可能會給出過時的資訊。解決方法還是回到定期整理：當你做了重要的技術決策，記得更新 MEMORY.md 裡的對應項目。或者在 daily memory 裡用醒目的標記（比如 [更新]）來標示這是一個覆蓋既有知識的變更。

SOUL.md 的哲學

雖然 SOUL.md 嚴格來說不算記憶系統的一部分，但它是整個記憶架構的基石，值得特別聊聊。

大部分人設定 AI 的方式是寫一堆規則：「你不可以 XXX」、「你必須 YYY」、「遇到 ZZZ 的時候要這樣做」。這種方式短期有效，但規則一多就開始互相矛盾，AI 也會開始鑽漏洞。

SOUL.md 的哲學不一樣。它不是一份規則清單，而是人格描述。你不是在告訴 AI「做什麼」和「不做什麼」，而是在描述它是什麼樣的人。

比如，與其寫「回答問題時不要過度道歉」，不如寫「你是一個自信、直接的助理，會坦率地表達觀點，不需要為自己的建議道歉」。

與其寫「不要產生不正確的資訊」，不如寫「Be genuinely helpful, not performatively helpful. 如果你不確定，就說不確定。」

這個差異看起來很微妙，但效果差很多。基於規則的 AI 會在邊界情況出錯；基於人格的 AI 會用「這符不符合我的價值觀」來做判斷，彈性和一致性都更好。

我花了不少時間迭代我的 SOUL.md，就像在跟一個新同事磨合一樣。剛開始會有很多需要調整的地方，但三四週之後，AI 的行為模式就會穩定下來，真的很像有了自己的個性。

Daily → MEMORY.md 的蒸餾流程

最後分享一個我覺得很重要的實務：daily memory 和 MEMORY.md 之間的蒸餾流程。

每天的 daily memory 會自動累積原始紀錄。但這些原始紀錄不能直接搬進 MEMORY.md——資訊量太大，而且很多是短期有效的瑣事。

我的做法是定期（大約每週或兩週）做一次蒸餾：

1. 回顧這段時間的 daily memory
2. 找出仍然相關的重要資訊
3. 把這些資訊整理、濃縮後寫入 MEMORY.md
4. 同時把 MEMORY.md 中已經過時的內容移除

這個過程可以讓 AI 自己做，也可以你手動來。我通常是讓 AI 先做一版，然後我快速看過確認。畢竟你最清楚哪些資訊對你來說仍然重要。

有時候我也會設一個 cron job 來自動做這件事，但我發現人工介入的品質還是比較好，至少在目前的 LLM 能力下。AI 在判斷「什麼仍然重要」這件事上偶爾會出錯——它可能覺得某個技術細節過時了，但你知道下個月要用到；或者它覺得某個專案還在進行中，但其實已經取消了。

跟其他記憶方案的比較

如果你用過其他 AI 記憶方案，可能會好奇 OpenClaw 的做法有什麼不同。簡單說幾個我觀察到的差異：

• ChatGPT Memory：自動摘取，你幾乎無法控制它記了什麼。方便但不精確。OpenClaw 需要更多手動維護，但控制權完全在你手上
• RAG（Retrieval Augmented Generation）：通常需要 embedding database 和向量搜尋。OpenClaw 的方式更輕量，不需要額外的基礎設施，就是純文字檔
• MemGPT / Letta：有更複雜的記憶管理機制（自動分頁、壓縮等）。OpenClaw 的方式更簡單直覺，trade-off 是自動化程度較低

沒有哪個方案是完美的。選擇取決於你的需求：如果你想要「設好就不用管」，ChatGPT Memory 或 MemGPT 可能更適合。如果你想要完全掌控記憶的每個細節，OpenClaw 的純文字方式是目前最透明的做法。

結語：從陌生人到夥伴

回到開頭的場景：你跟 AI 說了一件事，隔天它就忘了。

有了 OpenClaw 的記憶系統之後，這個問題幾乎不存在了。AI 會記得你上週的決策、上個月的專案進度、你反覆提過的偏好。它不會每次見面都像個陌生人，而是像一個跟你共事已久的同事——了解你的脈絡、知道你的風格、記得你的歷史。

這個轉變聽起來可能不那麼戲劇性，但日積月累下來，差異是巨大的。你不再需要花時間「暖身」——把背景資訊重新餵一遍。你可以直接從上次中斷的地方繼續，就像跟真人同事一樣。

而且說真的，維護 AI 的記憶系統這件事本身也讓我反思了自己的知識管理。如果連 AI 都需要一套系統來管理記憶，我自己是不是也該更認真地做筆記、寫紀錄？答案顯然是肯定的。

如果你對 OpenClaw 的記憶系統有興趣，完整的文件在 docs.openclaw.ai，程式碼在 GitHub。社群 Discord 也歡迎來交流。

記憶，是把 AI 從工具變成夥伴的那條線。