给 OpenClaw 装上"长期记忆"：我的实践之路

前几天写了篇关于 OpenClaw 长期记忆系统的文章，发出去后觉得还不够完善。这几天又折腾了一阵，测试、踩坑、优化，总算搞出了一个更智能的版本。

这套方案已经从概念到落地，完整跑通了。我用 Claude 最新的 Opus 4.6 做了全面测试。为了省钱，部分环节用了本地大模型（Qwen3），你也可以换成云端模型，看自己需求。

先说说为什么需要这个

传统做法有几个问题：

关键词匹配太傻。你搜"项目"，它找不到"任务"相关的内容，明明是一个意思。

按行数归档更离谱。简单粗暴地保留最后 N 行，重要的东西可能早就被砍掉了。

定时空跑浪费资源。每小时不管有没有新内容都更新一遍，纯属浪费。

最要命的是缺乏深度分析。系统只会机械执行，不会告诉你"最近在忙什么""哪些事情该跟进"。

我的设计思路

三层架构：每日日志 → 精选记忆 → 操作状态。

对 AI 来说，写入就是记忆。遗忘也是特性，不是 bug——相关性低的东西自然被淘汰。

搜索优先用语义，向量检索比关键词匹配靠谱得多。

核心组件

智能检查点

每 6 小时跑一次。读取今天的日志，调用 LLM 提取 3-5 个关键项，更新到 MEMORY.md。如果文件超过 1500 字符，自动触发语义归档。

好处是 LLM 能理解语义，不是简单匹配关键词。自动去重压缩，用本地模型的话成本为零。

语义归档

当 MEMORY.md 太大时，用 QMD 计算每个段落与最近 30 天日志的相关性。相关性最低的 20% 被归档，重要的留下。

以前按行数砍，准确率大概 50%。现在按相关性，能到 90%。

自适应索引

每 30 分钟检查一次。新文件超过 10 个才更新索引，否则跳过。距离上次更新超过 1 小时且有新文件，也会触发。

这样能省下 80% 的资源，新内容还能立即可搜索。

健康监控

每天早上 8 点跑，检查 MEMORY.md 大小、日志统计、索引状态、定时任务情况。6 项指标，满分 6 分。5 分以上健康，4 分需要关注，3 分以下得修了。

夜间深度分析

每周日凌晨 2:30 执行。分析最近 7 天的记忆模式，构建知识图谱，检查系统性能，生成优化建议。

这个功能让我最满意——从简单的"维护"升级到了"洞察"。

怎么搭建

先装依赖

# 装 Ollama
curl -fsSL https://ollama.com/install.sh | sh

# 下 Qwen3 模型
ollama pull qwen3:latest

# 装 QMD
npm install -g @openclaw/qmd

建目录

mkdir -p ~/Space/{memory,para-system,life}
mkdir -p ~/Space/life/{projects,areas,resources,archives}

核心脚本

需要 5 个脚本，放到 para-system/ 目录：

• • checkpoint-memory-llm.sh
• • semantic-archive.sh
• • qmd-adaptive-update.sh
• • memory-health-dashboard.sh
• • nightly-deep-analysis.sh

记得加执行权限：chmod +x *.sh

配定时任务

# 每 6 小时检查点
openclaw cron add --name "Memory Checkpoint" --schedule "every 6h" --payload "systemEvent: 执行智能记忆检查点" --target main

# 每天早上健康检查
openclaw cron add --name "Memory Health Check" --schedule "cron 0 8 * * *" --payload "systemEvent: 运行记忆健康检查" --target main

# 每 30 分钟自适应更新
openclaw cron add --name "QMD自适应更新" --schedule "every 30m" --payload "AgentTurn: 运行QMD自适应更新" --target isolated --delivery none

# 每周日凌晨深度分析
openclaw cron add --name "夜间深度分析" --schedule "cron 30 2 * * 0" --payload "agentTurn: 执行夜间深度系统分析" --target isolated --delivery announce

实际效果

用了几周，几个数字：

MEMORY.md 稳定在 1200 字符左右，检查点执行大概 1 分半，QMD 搜索 1-2 秒出结果，健康评分一直是满分。

资源节省明显。以前每小时强制更新，现在按需来，省了 80%。

最值的是每周的深度分析报告。它会告诉我最近在关注什么话题、哪些项目该跟进、系统有没有问题。这种"洞察"是以前完全没有的。

常见问题

需要多大空间？

QMD 索引 5MB 左右，Ollama 模型 2GB，日志每月 100MB。总共 3GB 上下，加上日志增长。

对性能有影响吗？

检查点跑的时候 CPU 会到 10-30%，持续一两分钟。Ollama 运行时占 2GB 内存。建议至少 8GB 内存。

能用其他模型吗？

可以。脚本里改模型配置就行。想用 DeepSeek 就改成 MODEL="deepseek-r1:8b"，想用 Claude 就改 API 调用。

怎么备份？

最简单的方法：

tar -czf memory-backup-$(date +%Y%m%d).tar.gz ~/Space

或者用 Git 管理。

踩过的坑

检查点失败多半是 Ollama 没起来。跑 ollama list 看看模型在不在，再手动调一下 API 试试。

QMD 搜不到东西，先查索引状态 qmd status，不行就手动更新 qmd update && qmd embed。

定时任务没执行，看 openclaw cron list 确认任务在，再看日志 openclaw logs。

适合谁用

如果你用 OpenClaw 做长期项目、有大量对话和文档、需要深度分析，这套系统值得搞。

短期临时项目、机器配置太低（4GB 内存以下）、不需要语义搜索的场景，就算了。

折腾这套系统花了不少时间，但用起来确实省心。AI 助手终于能"记住"事情了，不是每次对话都从零开始。

有问题欢迎交流。