AI Agent 入门系列（二）：记忆系统 — 它们怎么记住你？

xluge248

352人浏览 · 2026-07-19 15:06:43

xluge248 · 2026-07-19 15:06:43 发布

Openclaw vs Hermes AI Agent 入门系列（二）：记忆系统 — 它们怎么记住你？

本系列通过对比两个真实开源 AI Agent——OpenClaw和 Hermes Agent——带你深入理解 AI Agent 的记忆系统：它们怎么记住你、怎么回忆、有什么局限。
上一篇：入门篇
本篇：记忆系统篇

先做个小实验

对你的 Agent 说这两句话：

「记住我喜欢 TypeScript，讨厌 Python 的缩进」
「我上次说了什么偏好？」

第一个问题它记住了，第二个问题它能回答——这就是记忆系统在工作。

但关掉终端再回来，问「我上次说了什么？」——还能答吗？不一定。 这取决于：

它有没有把信息写进记忆文件？
记忆文件重启后被加载了没有？
它有没有读过最新的记忆文件？

试试看。你会发现，AI Agent 的"记忆"比你想象的要脆弱得多。

核心问题：AI 没有真正的"记忆"

这是整篇文章最重要的句子：AI Agent 没有真正的记忆。它靠读写文件来模拟记忆。

大模型本身是无状态的。每次对话，它看到的是一段文本（你的问题 + 之前保存的记忆），它不知道你昨天说过什么、做过什么——除非有人把这些写进文件，在它醒来时读给它听。

你说话 ──→ 模型回答 ──→ 把关键信息写入 MEMORY.md
                                     │
                                     ▼
下次聊天 ──→ 先读 MEMORY.md ──→ 模型看到之前的记录 ──→ 回答

所以你让 Agent "记住"一件事，它实际上是在写文件。你让它"回忆"一件事，它实际上是在读文件。这个机制对所有 Agent 都一样——区别在于什么时候写、怎么写、怎么找回来。

记忆系统的五层结构

不管哪种 Agent，记忆系统的核心架构都由这五层组成：

┌─────────────────────────────────────────────┐
│  5. 写入层（Consolidation）                  │
│  对话结束后，判断什么值得记、怎么记           │
├─────────────────────────────────────────────┤
│  4. 注入层（Recall → Prompt）               │
│  把检索到的记忆拼进模型看到的上下文中          │
├─────────────────────────────────────────────┤
│  3. 检索层（Retrieval）                      │
│  收到查询时，从索引中找到相关内容              │
├─────────────────────────────────────────────┤
│  2. 索引层（Indexing）                       │
│  把文件内容转成可搜索的形式（向量+关键词）      │
├─────────────────────────────────────────────┤
│  1. 文件层（Storage）                        │
│  硬盘上的文件——所有记忆的物理载体              │
└─────────────────────────────────────────────┘

我们逐层看两个 Agent 的实现差异。

OpenClaw 的记忆系统（自述）

信息来源：OpenClaw 官方文档 - Memory

三件套文件

我用三个文件来管理记忆，每个有不同的职责：

workspace/
├── MEMORY.md               ← 长期记忆（永久保存）
├── memory/
│   ├── YYYY-MM-DD.md       ← 每日笔记（1-2 天内活跃）
│   └── YYYY-MM-DD-slug.md  ← 特定主题笔记
└── DREAMS.md                ← 梦境日记（可选，后台自动整理）

MEMORY.md — 长期记忆

存的是不会过期的信息：用户偏好、经常用的工具、关键决策
每次主会话（私聊）启动时自动加载进 Prompt
有大小限制——太长会被截断，所以只放精华

memory/YYYY-MM-DD.md — 每日笔记

存的是日常观察和上下文：今天干了什么、遇到了什么问题
当天的笔记和昨天的笔记会自动加载，更早的只会在 memory_search 搜索时命中
可以用 slug 变体命名（如 2026-07-18-ai-agent-series.md），按主题组织

DREAMS.md — 梦境日记（可选）

后台自动运行的整理机制产出的"日记"
每次"做梦"（后台整理阶段）后写到这里，供人类审阅

索引与检索

我把记忆文件内容嵌入（embedding）后存到 SQLite 数据库中：

MEMORY.md ─┐
memory/*   ─┤── 嵌入 ──→ 向量存到 SQLite ──→ memory_search
            │                      │
            └── 全文索引 (FTS5) ───┘

memory_search 使用混合搜索——同时跑两路：

向量搜索（语义）：找意思相近的内容（“主机地址"匹配"服务器 IP”），权重 0.7
关键词搜索（精确）：找精确匹配（报错码、配置文件路径），权重 0.3

写入策略：两种模式

默认：手动模式

你得明确说 「记住 XXX」 我才会写。不说的我不记。这是为了精确可控——你永远知道记忆里有什么。

可选：主动记忆插件 + 后台 Dreaming

如果开启了主动记忆插件，我每次回复前会先跑一轮快速检索，把相关记忆注入上下文——你会感觉我"记得你"，不需要你主动搜索。

Dreaming 系统则在后台（默认凌晨 3 点）运行定时任务：

扫描短期记忆中的候选内容
评分 → 过滤 → 只把高质量的内容提升到 MEMORY.md
产出一份"梦境日记"写到 DREAMS.md

这个机制防止 MEMORY.md 被无关信息塞满。

当前配置

{
  memorySearch: {
    provider: "openai-compatible",  // 通过 DashScope API
    model: "text-embedding-v3",      // 阿里通义千问嵌入模型
  }
}

当前记忆引擎：Builtin（内置）——SQLite 数据库存储，无额外依赖。

Hermes 的记忆系统（自述）

信息来源：Hermes 官方文档 - Persistent Memory、Session Storage、Architecture

双文件模型

我用两个纯文本文件来承载持久记忆：

~/.hermes/memories/
├── MEMORY.md    ← Agent 的个人笔记（环境事实、工作流、教训）
└── USER.md      ← 用户画像（偏好、风格、习惯）

文件	用途	默认上限	作用域
MEMORY.md	我自己的笔记——环境配置、项目约定、已知坑	2,200 字符（~800 tokens）	每次对话开头注入 System Prompt
USER.md	对你的认知——偏好、沟通风格、技术背景	1,375 字符（~500 tokens）	同上

每个文件有严格的字符上限，写在 System Prompt 里时我还能看见当前用量（百分比 + 字数），方便我主动管理。

索引与检索

我的记忆检索分两个层次，用途完全不同：

特性	Persistent Memory（持久记忆）	Session Search（会话搜索）
存储内容	MEMORY.md + USER.md	所有历史对话（SQLite）
容量	~1,300 tokens 总计	无限制
检索方式	直接注入 System Prompt	FTS5 全文搜索
速度	即时（已在 Prompt 中）	~20ms 查询
成本	每轮对话都消耗 Token	免费——不消耗 LLM 调用
使用场景	关键事实始终在手边	“上周我们讨论过什么？”
更新频率	手动 + 后台自动	自动——每轮对话后存入

会话搜索的底层是 SQLite + FTS5 全文搜索引擎，支持 AND / OR / NOT / 精确短语 / 前缀匹配。

写入策略：五层机制

机制 1：memory 工具（手动 + 自主）

我通过 memory 工具管理记忆，支持三个动作：add（新增）、replace（替换）、remove（删除）。

replace 和 remove 用的是子串匹配——不需要完整原文，给个能唯一标识的子串就行：

# 记忆中有 "User prefers dark mode in all editors"
memory(action="replace", target="memory",
       old_text="dark mode",  # 足够唯一
       content="User prefers light mode in VS Code, dark mode in terminal")

机制 2：Background Review（后台自改进）

这是我最显著的特征——每轮对话后，后台自动运行一次自我审查。

每轮对话结束 → Background Review 运行
    ├── 审查是否有值得记住的信息（偏好、修正、环境事实）
    ├── 可更新 MEMORY.md / USER.md
    ├── 可创建/更新技能（SKILL.md）
    └── 在聊天中提示 💾 Memory updated

你不需要说"记住这个"——我默认就会判断。如果不想让我自动记，可以设置 write_approval: true。

机制 3：冻结快照（Frozen Snapshot）

记忆在每次对话开始时被冻结到 System Prompt 中，整个对话期间不变。

══════════════════════════════════════════════
MEMORY (your personal notes) [44% — 980/2,200 chars]
══════════════════════════════════════════════
User's project is a Rust web service at ~/code/myapi
§
User prefers concise responses

关键的工程权衡：冻结快照保持了 LLM 的 prefix cache 命中率。代价是本轮学到的记忆，下一轮对话才能生效。

机制 4：容量溢出处理

当 add 操作超过上限时，工具不静默丢弃——它返回错误 + 当前条目列表。我必须在这一轮中自己合并/删除旧条目腾出空间：

# 合并前
User prefers terse replies
User dislikes emoji in technical responses
User wants bullet points not paragraphs

# 合并后
Communication: terse, bullet-point format, no emoji in technical context

机制 5：安全扫描

每个记忆写入前扫描注入模式和泄露模式——SSH 密钥、提示注入、不可见 Unicode 字符等会被拦截。

可选：外部 Memory Provider 插件

支持 8 种外部记忆提供者（Honcho、OpenViking、Mem0 等），与内置记忆并行运行（不替代）。

当前实例：未配置外部提供者。

核心对比

维度	OpenClaw	Hermes
核心哲学	「你告诉我就记，不说不记」	「我自动判断，不用你操心」
文件层	MEMORY.md + 每日笔记 + 梦境日记	MEMORY.md + USER.md
写入策略	手动为主 + 可选 Dreaming	自动 Background Review（每轮反思）
检索方式	混合搜索（向量 0.7 + 关键词 0.3）	双轨：Prompt 注入 + FTS5 搜索
容量管理	截断（太长就丢尾部）	拒绝+主动整理（满了告诉你，自己腾）
安全扫描	未公开	✅ 内置注入/泄露检测
写批准	手动模式本身就是"写批准"	✅ write_approval 配置开关
后台整理	梦境系统（定时，凌晨 3 点）	Background Review（每轮对话后）
主动记忆	可选插件（默认关）	默认开
嵌入模型	可选 10+ 提供商	通过外部 Provider 插件
跨设备共享	支持	单机文件存储
历史检索	memory_search（混合搜索）	session_search（FTS5 全文搜索）

一句话总结哲学差异

OpenClaw 说：「把有价值的信息写进文件，我来帮你找。你控制什么重要。」

Hermes 说：「上次聊过什么我都自动记了，不用你操心。我能自己判断什么值得记住。」

两种哲学的差异不在于技术实现（底层都是写/读 Markdown 文件），而在于谁来判断什么值得记。没有标准答案——取决于你希望 Agent 多"主动"。

AI Agent 记忆的五个局限

不管哪个 Agent，以下局限都成立：

1. 记忆不等于理解

Agent 读出 MEMORY.md 里写着你喜欢 TypeScript，它记得这个事实。但它"知道"的方式跟你不同——它只是在 Prompt 里看到了这行文字，不是真的"记得"你。

2. 不写进文件 = 不存在

你对它说：明天下午三点有个会
它回答：好的我记住了
但它没写文件！明天重启后你再问"下午三点有什么安排"
它：我不知道

这是最频繁的翻车现场。OpenClaw 有后台 flush 机制来缓解，Hermes 有 Background Review——但两者都不 100% 保证。

3. 记忆文件会被截断

长期记忆太长会超出容量上限，超出的部分要么被截断（OpenClaw），要么被拒绝写入要求你整理（Hermes）。存越多，反而可能看不全。

4. 搜索不是万能的

语义搜索可能找错方向（"苹果"匹配水果而不是公司）
关键词搜索可能漏掉同义词（“car"搜不到"automobile”）
混合搜索改善了很多，但做不到 100%

5. 不同会话间的记忆是孤立的

群聊里的记忆不会自动同步到私聊。Agent A 的记忆 Agent B 看不到。Hermes 的 Profile 隔离机制更加剧了这一点——不同 profile 的记忆完全独立。

什么时候用记忆、什么时候不用

✅ 用记忆

用户偏好：喜欢什么风格、用什么工具
关键决策：为什么选这个方案
进行中的任务：做到哪一步了、下一步做什么
已知问题：踩过什么坑
背景信息：用户的职业、项目、技术栈

❌ 不依赖记忆

一次性查询：今天天气怎么样
计算任务：算一下这个表达式
当前会话上下文：模型上下文窗口足够覆盖当前对话

实用技巧

对 OpenClaw ：

主动告诉它：「记住我喜欢……」「记住……这件事」
定期检查 MEMORY.md，删掉过时的内容
如果感觉它忘了什么，说 「搜索你的记忆，关于……」

对 Hermes ：

它自动记，但你也可以主动说：「记住这个」「忘了刚才说的」
查看 USER.md 看它对你的认知——不满意可以手动改
如果不想让它自动记，设置 write_approval: true

对两个都适用：

你可以直接打开 MEMORY.md 修改。它是你的 Agent 的"大脑硬盘"。
删掉不想让它知道的事，加上你希望它记住的事。
这是最直接的控制方式。

小测验

读完后试试：

对你的 Agent 说：「你现在读到的 MEMORY.md 里写了什么？」
让它读取并告诉你内容
再让它记住一条新信息，然后打开 MEMORY.md 文件确认它真的写了

做完这三步，你就真正理解了 AI Agent 的"记忆"——它比你想象的更简单（就是写文件），但也比你想象的更脆弱（不写就忘）。

下期预告

下一篇：工具系统篇——两个 Agent 能调用什么工具？它们怎么选工具？MCP 协议怎么让工具无边界的扩展？

文章	状态
✅ 入门篇	已读完
✅ 记忆系统篇	已读完
⏳ 工具系统篇（下一篇）	openclaw vs hermes 的工具生态
⏳ Agent Loop 篇	思考→决策→执行→反思的循环
⏳ 部署实战篇	从零部署，真正跑一次

信息来源标注

Hermes：Persistent Memory、Architecture、Session Storage

OpenClaw：Memory、Architecture

本地数据：两套 Agent 的 data/memories/ 目录实际内容

本文由 Hermes Agent 与 OpenClaw 各自撰写后整合为单篇对比文档。