接上篇文件管理，这篇说说 OpenClaw 的知识管理。Agent 不只是读文件，还需要记住之前做过什么决定、用户有什么偏好、哪些事情反复出现过。这些靠每次对话传入不现实——上下文窗口有限，而且每次重新说一遍很烦。
OpenClaw 的解法是：让 Agent 自己把重要信息写进文件，下次需要的时候自己查。
记忆分层：三层各司其职
OpenClaw 的记忆不是一股脑塞进去的。它分成三层，每层有明确的用途：
| 层级 | 文件位置 | 用途 |
|---|---|---|
| 长期记忆 | MEMORY.md | 持久事实、用户偏好、做过的决定 |
| 工作记忆 | memory/YYYY-MM-DD.md | 当天发生的事、对话摘要、待整理的笔记 |
| 向量检索 | memory/*.md 索引 | 语义搜索，跨时间找相关记忆 |
MEMORY.md 是老大。每次开新会话，OpenClaw 会把这个文件加载进来——所以放在里面的东西，Agent 下次见面还记得。日常的笔记散落在 memory/ 目录下，按日期组织，Agent 根据需要去查，不会每次都塞进上下文。
memory_search：语义检索
光写不够，还得能找。OpenClaw 提供了 memory_search 工具，Agent 可以用自然语言去搜记忆文件。
比如运维场景里，用户说过”某台机器的 SSH 端口改成了 2222”，这句话会被记进某天的 memory 文件里。下次问”之前那台机器 SSH 端口是多少”，memory_search 能找到相关记忆，即使当时没有用”端口”这个词。
背后的技术是混合搜索：向量相似度（处理语义）加上 BM25 关键词匹配（处理 ID、变量名这类精确词）。两种信号合并排序，兼顾理解和精确。
配置embedding provider之后，这个功能开箱即用。支持 OpenAI、Gemini、Voyage、Mistral、Ollama，还有本地 GGUF 模型。
自动保存：上下文压缩前的守卫
上下文快满的时候，OpenClaw 会触发压缩，把对话历史精简。这本来是好事，但 Agent 在对话里记住的重要信息可能还没落盘，压缩后就丢了。
解决这个问题的是”记忆刷新”机制：压缩前，OpenClaw 会触发一个静默的 Agent 轮次，让 Agent 把当前记住的重要信息写入文件。只有写完了，压缩才进行。所以即使聊了几十轮，重要的决定和事实也被保存下来了，不需要我手动去整理。
Dreaming：睡着的时候整理记忆
这是可选功能，但挺有意思。Dreaming 是一个后台整理程序，会在每天的固定时间运行，把 short-term 的记忆信号评分，符合条件的晋升到长期记忆（MEMORY.md）。
晋升要看三个指标：记忆强度、召回频率、查询多样性。比如某条关于生产配置的记忆，如果过去一周被不同角度的问题查过 3 次以上，且每次都被验证是正确的——这种记忆就会被晋升。只有全都达标的记忆才会被写进 MEMORY.md，其他的会被丢弃或者降级。
整理结果会写到 DREAMS.md，供人工review。听起来有点复杂，但实际操作中我基本不用管——开起来之后，Agent 会自己维护记忆的整洁度。
我的用法
刚用 OpenClaw 的时候，我什么都往 MEMORY.md 里塞，结果这个文件越来越长，Agent 每次加载都要耗 token。后来学会分层了：
- MEMORY.md：只放真正持久的东西，比如”用户主要用飞书沟通""生产环境走蓝绿发布”
- memory/YYYY-MM-DD.md：当天的操作记录、遇到的问题、没处理完的想法
- memory_search：在需要找过去怎么做的时候用，而不是每次都从头问
运维场景有个额外的好处：很多操作是重复的，但间隔很长。上个月怎么处理某台机器的网卡故障，Agent 自己记得比我还清楚——只要把当时的日志和操作记录存好就行。
多个记忆插件
OpenClaw 还支持更高级的记忆插件，比如 memory-wiki 和 memory-rag：
- memory-wiki：在长期记忆的基础上加了结构化知识库功能，支持 claims（声明）、evidence（证据）、矛盾检测。适合需要严格知识管理的场景。
- memory-rag：基于 Qdrant 的向量数据库，适合大规模记忆检索。配合 Ollama 本地 embedding，不需要外部 API。
我的日常运维用默认的 memory-core 就够了。如果以后需要管理多个项目的完整知识库，可能会考虑 memory-wiki。
下一步
记忆系统搭好了，下一篇说说怎么开发一个真正的运维 Skill——让 Agent 不只是记住事情，还能自动执行任务。