OpenClaw记忆力系统设计架构的思考

memory/
  ├── 2026-03-16.md  # 今天的记忆
  └── 2026-03-15.md  # 昨天的记忆

# MEMORY.md - 长期记忆

## 重要决策
- 2026-03-10: 确定使用向量数据库做语义检索

## 用户偏好
- 喜欢简洁的技术文档
- 时间偏好：北京时间

## 经验教训
- 不要在群聊中泄露私人信息

┌─────────────────────────────────────────┐
│           用户对话输入                    
└────────────────┬────────────────────────┘
                 │
                 ▼
┌─────────────────────────────────────────┐
│        记忆检索层 (Memory Retrieval)                       │
│  ┌─────────┐   ┌─────────┐   ┌───────┐  │
│  │向量搜索  │ + │关键词匹配│ + │时间过滤│  │
│  └─────────┘   └─────────┘   └───────┘  │
└────────────────┬────────────────────────┘
                 │
                 ▼
┌─────────────────────────────────────────┐
│        记忆召回层 (Memory Recall)                         │
│    • 相关性排序                                         
│    • 时效性加权                                        │
│    • 重要性评估                                        │
└────────────────┬────────────────────────┘
                 │
                 ▼
┌─────────────────────────────────────────┐
│        上下文注入 (Context Injection)                       │
│    将召回的记忆注入到Prompt中                                │
└────────────────┬────────────────────────┘
                 │
                 ▼
┌─────────────────────────────────────────┐
│           AI模型处理                                 │
└────────────────┬────────────────────────┘
                 │
                 ▼
┌─────────────────────────────────────────┐
│        记忆更新层 (Memory Update)                         │
│    • 新记忆写入                                         │
│    • 旧记忆衰减                                         │
│    • 长期记忆提炼                                       │
└─────────────────────────────────────────┘

def retrieve_memory(query, memories, top_k=5):
    """
    三阶段检索：
    1. 向量语义检索 - 捕捉语义相关性
    2. BM25关键词检索 - 精确匹配
    3. 时间衰减加权 - 优先近期记忆
    """
    # 向量检索
    semantic_scores = vector_similarity(query, memories)
    
    # 关键词检索
    keyword_scores = bm25_score(query, memories)
    
    # 时间衰减
    time_decay = exponential_decay(memories.timestamps)
    
    # 综合得分
    final_scores = (
        0.5 * semantic_scores + 
        0.3 * keyword_scores + 
        0.2 * time_decay
    )
    
    return top_k(memories, final_scores, k=top_k)

def memory_score(memory, current_time):
    """
    记忆价值评估：
    - recency: 时间衰减因子
    - importance: 重要性权重
    - access_count: 访问频率
    """
    recency = decay_factor ** (current_time - memory.last_access)
    importance = memory.importance_weight
    frequency = log(memory.access_count + 1)
    
    return recency * importance * frequency

def heartbeat_maintenance():
    """
    定期执行的记忆维护任务
    """
    # 1. 读取近期daily notes
    recent_memories = read_daily_notes(days=7)
    
    # 2. 提取有价值的信息
    insights = extract_insights(recent_memories)
    
    # 3. 更新长期记忆
    for insight in insights:
        if insight.importance > threshold:
            MEMORY.md.append(insight)
    
    # 4. 清理过期信息
    MEMORY.md.cleanup_outdated()

### 记忆隔离规则

1. MEMORY.md 仅在主会话（direct chat）中加载
2. 群聊、多用户场景不加载个人记忆
3. 敏感信息需要显式标记才会持久化
4. 记忆文件存储在本地，不上传云端

用户：上次我们讨论的API设计怎么样了？

AI：（检索记忆）
我记得上周三你提到了API设计的需求：
- 需要支持GraphQL
- 认证方案选择JWT
- 你倾向于使用Python FastAPI框架

需要我继续这个设计吗？

用户：我之前学过的那个设计模式叫什么来着？

AI：（检索记忆）
你在二月份学习的是"观察者模式"，
当时你还写了一个示例代码在 projects/observer-demo 目录下。

AI：（主动提醒）
注意到你今天有一个重要会议（9:30的产品评审会），
需要我帮你准备会议纪要模板吗？