這部影片由 Bilibili 創作者「碼里奧 Ziho」製作，深入拆解了 OpenClaw（原 Clawdbot）的 AI 記憶系統運作原理。影片圍繞記憶的寫入、儲存與讀取三個環節，說明該工具如何透過 Markdown 檔案儲存日常記錄與長期記憶，並運用 RAG（檢索增強生成）技術搭配向量索引，讓 AI 能夠回憶起過往的對話內容，實現「越用越聰明」的效果。

---

原影片連結：https://www.bilibili.com/video/BV1fv61B4EQ5

影片重點

• OpenClaw 的記憶以純 Markdown 形式儲存在智能體的工作區中
• 記憶系統分為「日常記錄」和「長期記憶」兩種類型
• 每次對話結束時會觸發 Silent Agent Turn，自動總結對話內容
• 長期記憶分散在 Memory.md、Sword.md、Tools.md、User.md 等檔案中
• AI 可主動記錄重要事件，使用者也可手動命令 AI 記住特定資訊
• 記憶讀取使用 RAG（Retrieval Augmented Generation）技術
• 新對話會自動載入過去兩天的對話記錄和長期記憶
• Memory.search 功能需手動開啟，否則 AI 只能逐一翻閱記憶檔案
• 索引系統使用 Embedding 模型將資料向量化，存入 SQLite 資料庫
• 支援 Hybrid Search，結合向量相似度匹配與 BM25 文本搜索

詳細內容

[00:00] OpenClaw 簡介與記憶系統概覽

OpenClaw（原名 Clawdbot）是一款近期備受關注的 AI 工具，它不僅能使用電腦上的各種工具、支援遠程指揮，最令人印象深刻的特色是它能「越用越智能」——能記住使用者之前的聊天記錄。

根據官方文件的描述，OpenClaw 的記憶是以「純 Markdown」的形式，儲存在智能體的工作區當中。整個記憶系統圍繞 Markdown 檔案運作，可以分為三個環節：記憶的寫入、記憶的儲存、以及記憶的讀取。

[00:43] 記憶儲存：日常記錄與長期記憶

記憶儲存路徑下有大量的 Markdown 檔案，分為兩大類：

日常記錄：每次和 AI 的對話結束（或即將達到上下文限制）時，系統會觸發一次「Silent Agent Turn」——這是一輪使用者不可見的對話。在這輪隱藏對話中，AI 會自動總結當次會話的內容，以日期格式寫入記錄。例如「小福喜歡吃什麼？小福最喜歡吃三文魚」這樣的精簡摘要。需要注意的是，這個功能需要在 Config 裡主動開啟。

長期記憶：由多個專門的 Markdown 檔案組成：

• Memory.md：記錄重要資訊
• Sword.md：記錄 AI 的聊天風格
• Tools.md：記錄可使用的工具
• User.md：記錄使用者資訊（如生日、寵物等）

[01:51] 長期記憶的兩種寫入方式

長期記憶有兩種儲存方式：

第一種是自動寫入：根據提示詞的設定，當 AI 發現了重要的事件、想法、決定、觀點或學到的內容時，它會主動將這些資訊記錄到長期記憶檔案中。

第二種是手動命令：使用者可以直接命令 AI，例如「幫我記住某件事情」，AI 就會將指定的內容寫入長期記憶的對應檔案。

[02:18] 記憶讀取：RAG 檢索增強生成

記憶的使用依賴一個核心概念——RAG（Retrieval Augmented Generation，檢索增強生成）。當使用者與 AI 進行對話時，系統會主動搜索已儲存的記憶，將相關內容拼接到上下文中，讓 AI 能夠了解之前發生的事情。

對於每個新的對話 Session，系統會自動載入過去兩天的對話記錄，以及長期記憶（即 Memory.md 等檔案的內容），作為上下文的一部分提供給 AI。

[03:04] Memory.search 功能與手動翻閱的對比

當使用者詢問例如「小福喜歡吃什麼」時，AI 會調用 Memory.search 工具進行搜索。但這個功能預設並未開啟，需要在 Config 的 Agents 設定中找到 Memory.search 手動打開。

在未啟用 Memory.search 的情況下，AI 會透過上下文手動翻閱記憶檔案，逐個閱讀 Markdown 檔案來查找資訊。這種方式效率非常低，尤其是當對話記錄越來越多時，問題會更加明顯。

[04:00] 索引系統：Embedding 與向量化

要提升記憶搜索效率，需要啟用索引功能。在 Config Agents 中找到 Memory.search session index 並開啟，同時配置 Google 或 OpenAI 的 API（也可使用 local，但配置較為複雜）。

有了 API 之後，系統會對記錄進行 Embedding。為了避免頻繁構建索引，系統採用了 Debounce（防抖）機制：距離上一次構建 1.5 秒之後，或達到閾值（50 條新消息或 100,000 bytes 的新內容）時，才會觸發新一輪索引構建。

構建索引時，系統會調用 Google 或 OpenAI 的 Embedding 模型，將資料切塊、向量化後保存到 SQLite 資料庫中。資料庫中的每個向量都會標示其所屬的檔案和位置。

[05:15] 索引搜索與 Hybrid Search

有了索引之後，使用 Memory.search 時，系統會比對搜索內容與索引資料的相似度，然後調用 Memory.get 獲取完整文件。

此外，系統還支援 Hybrid Search（Memory.searchHyper，預設開啟），同時使用：

• 向量相似度匹配：基於語意理解的搜索
• BM25 演算法：傳統的精確文本搜索

這兩種方式兼顧了語意理解和精確匹配，最終將搜索結果合併（merge）後拼接到上下文中，讓使用者能輕鬆找到之前的聊天記錄。

我的想法

這部影片清楚地拆解了 OpenClaw 的記憶系統架構，讓我們看到即使是看似神奇的「AI 記憶」功能，底層其實是相當務實的工程實作——Markdown 檔案 + RAG + 向量搜索。

值得注意的是，這套記憶系統的設計反映了當前 AI Agent 領域的一個重要趨勢：將非結構化的對話資訊轉化為結構化的知識儲存。透過 Silent Agent Turn 自動總結、分類儲存到不同的 Markdown 檔案，再用 Embedding + Hybrid Search 高效檢索，形成了一個完整的記憶生命週期。

對於想要建構類似系統的開發者，有幾個實用的啟示：第一，Debounce 機制在索引構建中很重要，可以避免不必要的 API 呼叫成本；第二，Hybrid Search 結合語意搜索和關鍵字搜索是目前的最佳實踐；第三，將記憶以 Markdown 純文字儲存的做法既簡單又具可移植性，值得參考。