Agent 记忆:一篇讲透,小白也能看懂 ✍ 泊舟🕐 2026-04-01📦 10.2 KB 🟢 已读 𝕏 文章列表 文章以通俗易懂的比喻,深入浅出地讲解了 AI Agent 的记忆机制。通过对比 OpenClaw 社区的三种记忆方案(扔掉旧笔记的压缩方案、分层档案馆方案、以及 MemOS 按需检索方案),揭示了如何解决 AI“健忘”的问题。重点介绍了 MemOS 如何通过全量记录、按需检索和技能进化,大幅降低 Token 消耗并提升开发效率。 AgentOpenClawMemOSLLM记忆机制上下文窗口工具与效率开源开发助手AI架构 # Agent 记忆:一篇讲透,小白也能看懂 **作者**: 泊舟 **日期**: 2026-03-31T07:10:35.000Z **来源**: [https://x.com/bozhou_ai/status/2038876595818234355](https://x.com/bozhou_ai/status/2038876595818234355) ---  关于 Openclaw 记忆,你只需要看这一篇。 不讲论文,不甩术语。看完这篇,你会比 90% 的人更懂 AI 是怎么记事的。 我拿OpenClaw 开刀,带你看看工程师们是怎么一步步给 AI 治健忘的 从最粗暴的方案,到目前最前沿的思路。 ## AI 为什么会失忆 先搞清楚一个基本问题:AI 的脑子长什么样。 你跟 ChatGPT、Claude 这些 AI 聊天的时候,可能以为它跟人一样,聊过的事情自然就记住了。 其实不是的。 AI 的大脑不是硬盘,是一张书桌。书桌大小固定,你跟它说的每一句话、它回的每一句话,都是摊在桌上的纸。桌面满了,新的纸就放不下了。 这张书桌,技术上叫上下文窗口。 现在的大模型,桌子不算小,Claude 的桌子大概能摊开一整本《哈利波特》。听起来挺大?但问题是:你们聊的每一句话本身也在占桌面。聊得越久,桌上的对话记录越厚,留给真正干活的空间就越少。 更要命的是,AI 没有抽屉。人类可以把暂时不用的东西收进抽屉,需要时再翻出来。但对 AI 来说,不在桌上的东西就是不存在的。 桌面放满了,旧的东西就得被推下去,掉进虚空。 这不是 AI 笨,是架构的限制。就像你的浏览器,一屏就这么大,往下滚,上面的内容就看不见了。区别是,你还能往回翻,AI 不能。滚出去的内容,对它来说就是不存在的。  那桌面满了怎么办?最直觉的想法是,把旧的纸揉一揉、压一压,腾出空间。 OpenClaw 最早的方案,就是这么干的。 ## 方案一:把旧笔记揉成纸团 OpenClaw 是一个开源的 AI 编程助手平台,你可以把它理解成一个 AI 程序员管理系统。 它最初处理记忆的方式很简单粗暴: 当对话占满桌面的 92%,系统自动触发压缩。保留最近 3 轮对话,前面所有内容打包送给另一个 AI 写摘要。摘要写完,贴回桌面。 原来的对话呢?永久删除。找不回来了。 就像你的桌子快满了,你把前面 20 页笔记让同事帮你写了一页摘要,然后把那 20 页扔进碎纸机。桌面是清爽了,但下次你想回忆当时那个参数具体是多少来着,对不起,碎纸机里找不回来。 这个方案有三个问题: 第一,摘要会丢细节。 你告诉 AI 这个变量名后来改了,20 轮之后这条信息被压缩掉了,AI 又用回旧名字。 第二,不可逆。 原始对话永久丢失,想查当时为什么选了方案 A,查不到。 第三,越压越糊。 如果压缩触发了多次,就是摘要的摘要的摘要,信息像复印件反复复印,越来越看不清。 能用,但每压缩一次就丢一次。聊得越久,丢得越多。  那有没有办法,压缩,但不丢东西? ## 方案二:建一个分层档案馆 OpenClaw 社区里一个很强的团队做了第二代方案,叫 Lossless Cloud。核心承诺是无损,原始消息永远保留,一条都不删。 它的思路很巧妙。不删原件,搞一套缩略图系统。 想象 Google Earth。你不会把全球每一寸街景同时加载出来。你看的是:地球全景 → 放大看国家 → 放大看城市 → 拉到街景。 Lossless Cloud 做的就是这件事: - 底层(街景):每一句原始对话,一字不差,永远存在本地数据库里 - 中层(城市地图):相关对话的片段摘要 - 顶层(国家地图):整个对话的全局摘要 桌面上只放最顶层那页摘要。需要细节?往下翻就行,原件一直都在。 比方案一好多了。至少不丢东西了。 但深入用下来,三个问题浮出来了: 第一,换个对话窗口就失忆。 这套档案馆只服务一次对话。你关掉窗口开一个新的,AI 又是一张白纸。上个项目踩过的坑,这个项目还得再踩一遍。 第二,桌面还是会满。 虽然原件进了仓库,但摘要本身也占空间。对话越长,摘要越厚。就像你的书越来越多,光目录就占了半张桌子。 第三,翻仓库太慢。 想找一条具体的原始记录,得从顶层一级级展开,过程需要反复调用 AI,你可能要干等两分钟才能拿到结果。 它确实做到了不忘。但你需要它记起来的时候,它翻得太慢了。而且每次开新对话,等于住进了一间新的空房子。  到这里,一个更根本的问题冒出来了: 这两个方案都在想同一件事,怎么把越来越多的东西塞进一张有限的桌子。一个是扔掉,一个是压缩。 但有没有可能,思路本身就错了? ## 方案三:别往桌上堆了,按需取就好 这就是 MemOS 的思路。我自己一直在用的方案,也是我目前见过在 Agent 记忆这件事上做得最完整的方案。它是 OpenClaw 的一个插件,开源免费,100% 本地运行,所有数据都在你自己电脑上,零上传网络。 MemOS 不再纠结怎么压缩,它问了一个完全不同的问题:为什么所有东西都得放桌上? 前两个方案像什么?像你要出差,硬往一个行李箱里塞所有的衣服。一种是扔掉几件(Legacy),一种是用真空压缩袋(Lossless Cloud)。行李箱还是那么大,早晚塞满。 MemOS 说:别背行李箱了。把衣服放在衣柜里,出门只带今天要穿的。 具体怎么做到的? 全量记录,但不往桌上放。 你跟 AI 的每一句对话、每一次操作,都自动存进一个独立的本地数据库。不挑不拣,全存。但这些记录不占桌面,它们安静地待在数据库里。如果你之前用的是 OpenClaw 自带的记忆功能,MemOS 支持一键迁移,之前积累的上下文不会白费。 按需检索,只调相关的。 AI 接到新任务时,不会把所有历史搬上桌面,而是像搜索引擎一样,根据当前任务去数据库里检索,只调出相关的几条。上周配过 Nginx?这次任务跟 Nginx 有关,那条记忆自动出现。无关的不占一寸桌面。 这个按需取的效果有多大?MemOS 团队跑了两组实测。 第一组是公开数据集 LOCOMO 的测试:token 消耗直接降了 72% 以上,同时准确率反而提升了 33.5%。省钱的同时还答得更准,因为上下文里塞的都是相关信息,噪音少了。 第二组是真实工程场景,跨多个会话完成复杂开发任务:对话轮次从平均 116 轮降到 54 轮,总 token 消耗从 220 万降到 112 万,砍掉了 49%。任务完成速度提升 2.15 倍。 以前桌面消耗跟聊了多久成正比,现在跟当前任务需要什么挂钩,基本恒定。 自动总结,浓缩经验。 每完成一个任务,系统自动生成结构化总结:做了什么、结论是什么、踩了什么坑。两小时的调试过程,浓缩成一张卡片。下次遇到类似任务,直接调出卡片就行。 技能自动进化。 这条最狠。系统会从重复出现的模式里提炼出可复用的 Skill。比如你让 AI 连续三次用同样的方式处理 CSV 文件,它自动总结出一条规则,下次直接照着来。而且这些 Skill 不是一成不变的,遇到更好的做法,它会自己升级。就像新员工从什么都要问变成有了自己的工作方法论,还在持续迭代。 跨对话、跨 Agent 共享。 前两个方案,换个对话窗口 AI 就失忆了。MemOS 不会。新对话开始时,系统自动检索相关记忆注入进来,上个项目的经验这个项目直接能用。如果你有多个 Agent,比如一个写代码,一个跑测试,它们共享同一个记忆库,一个人踩的坑全团队都能看到。MemOS 管这个叫 MemOS Hub,本质上就是一个团队知识中枢。  ## 三种方案放在一起看  三个方案,对应了三种完全不同的记忆观: 方案一觉得记忆是负担,太多了,得压缩掉。 方案二觉得记忆是资产,不能丢,得保存好。 方案三觉得记忆是能力,不只是存着,还得会用,还得能进化。  ## 想试试 MemOS? MemOS 是 OpenClaw 的插件,开源免费,一行命令就能装。 Mac / Linux: Windows(PowerShell): 插件主页和文档:https://memos-claw.openmem.net/ 装完配好大模型就能用,不需要额外的数据库和外部依赖。 ## 记忆决定了 AI 能走多远 回到开头的承诺。 一个没有记忆的 AI,再聪明也只是永远停在入职第一天的实习生。每天来都很厉害,但昨天教的东西今天全忘了。 方案一给了它一本越写越模糊的摘要笔记。方案二给了它一个翻得动但翻得慢的档案馆。方案三给了它一套真正能用的知识管理系统,能存、能查、能学、能进化。 Agent 记忆这件事还很早期,但方向已经很明确了。未来的 AI 不只会更聪明,还会更记事。 一个记事的 AI,才是一个你愿意长期合作的 AI。  ## 相关链接 - [@bozhou_ai](https://x.com/bozhou_ai) - [17K](https://x.com/bozhou_ai/status/2038876595818234355/analytics) - [https://memos-claw.openmem.net/](https://memos-claw.openmem.net/) - [Upgrade to Premium](https://x.com/i/premium_sign_up) - [3:10 PM · Mar 31, 2026](https://x.com/bozhou_ai/status/2038876595818234355) - [17.7K Views](https://x.com/bozhou_ai/status/2038876595818234355/analytics) - [View quotes](https://x.com/bozhou_ai/status/2038876595818234355/quotes) --- *导出时间: 2026/4/1 01:38:40*
H Hermes 代理系统:AI 如何通过任务委派超越单一聊天机器人 文章深入探讨了 Hermes Agent 的核心特性——任务委派。不同于传统单一聊天窗口的处理方式,Hermes 允许父代理将复杂任务拆解并分配给多个专注于特定领域的子代理(如代码审查、安全检查、文档研究),从而避免上下文混乱。这种架构不仅模仿了真实团队的分工协作,还通过隔离上下文和受控的递归深度,提高了复杂任务的处理质量与可监督性。 技术 › Hermes ✍ Neo🕐 2026-05-06 Agent多代理任务委派工作流代码审查AI架构工具与效率LLM
模 模型是引擎,系统是车身:AI 架构工程随笔 文章反驳了 Kyle Kingsbury 关于 LLM 不可靠的结论。作者认为,裸模型仅是“引擎”,其不可预测性需通过“车身”工程(如 Harness、Resolver、确定性工具)来解决。不应测试模型本身,而应测试由模型、路由和工具组成的完整系统。 技术 › Hermes ✍ nash_su🕐 2026-04-20 AI架构LLMAgentHarness工程化系统设计OpenClaw方法论
H Hermes-Agent vs 自建OpenClaw Harness:Agent操作系统的记忆与架构实战对比 文章基于 Harness Engineering 三大支柱(评估闭环、架构约束、记忆治理),深度对比了 Nous Research 的 Hermes-Agent 与作者基于 OpenClaw 自建的 MemOS 系统。Hermes 主打“有界热记忆 + CLI 优先”,适合个人快速启动;自建方案则采用“无界记忆 + Hook 机制强制捕获”,实现多 Agent 协作与权限隔离,适合团队长期积累。 技术 › Agent ✍ huangserva🕐 2026-04-10 AgentHarness记忆治理HermesOpenClaw架构设计实战对比MemOSLLM多Agent系统
H Hermes、Claude Code 与 OpenClaw 的区别对比 本文对比分析了近期热门的 Hermes Agent 与 Claude Code、OpenClaw 的区别。Hermes Agent 是一个轻量级、可自我学习的通用 Agent,定位介于三者之间。与 Claude Code 相比,它不绑定 IDE,支持多平台和 18+ 模型;与 OpenClaw 相比,它采用独特的“有限记忆”哲学和自学习循环机制,能自动沉淀个人技能笔记,更适合个人开发者私有化部署。 技术 › Agent ✍ Xiao Tan🕐 2026-04-07 HermesOpenClawClaude CodeAgentLLM自学习记忆管理开发工具开源对比评测
多 多Agent协同方案:让OpenClaw学会团队合作 文章介绍了如何利用 OpenClaw 搭建一套多 Agent 协同工作流。通过设置“小龙虾”、“码力”、“笔锋”和“谋士”四个专精 Agent,并配合 MemOS 共享记忆系统,实现了各司其职、成本优化与质量提升的平衡。作者分享了架构设计、搭建过程、实战数据及踩坑经验,展示了多 Agent 协作在实际任务流转中的高效价值。 技术 › Agent ✍ Jason Zhu🕐 2026-04-02 OpenClaw多AgentMemOS团队协作AI架构自动化成本优化LLM工程实践技术方案
H Hermes Agent Masterclass: 安装、配置与基础命令 本文介绍了开源 AI Agent Hermes 的安装与基础配置。Hermes 由 Nous Research 开发,支持多种模型和终端运行,具有会话复用和技能积累的独特设计。文章详细讲解了在 Windows、macOS 和 Linux 上的安装步骤、设置向导流程以及如何配置推理提供商。 技术 › Agent ✍ tonbi🕐 2026-07-29 HermesAgentAI安装教程CLI工具与效率开源
浪 浪费20亿Token之后,我做了一个帮自己定义目标的Skill 作者分享了一个名为Leader.skill的开源工具,旨在解决Agent交互中目标定义模糊的问题。该工具基于“目标七问”方法论,将模糊需求转化为清晰的目标任务书,支持多模型组合(如Claude规划、GPT执行),显著提升长程任务的完成率与Token利用率。 技术 › Skill ✍ 数字生命卡兹克🕐 2026-07-27 AgentGoal Engineering目标定义自动化开源LLM效率工具方法论ClaudeGPT
C Claude Skills: 如何通过 Anthropic 的新功能节省 Token 并提升效率 文章介绍了 Anthropic 推出的 Claude Skills 功能,通过文件夹和 YAML 配置实现渐进式披露,显著减少 Token 消耗和重复解释。详细说明了技能的构建规则、命名规范、测试方法及分发策略,帮助用户将聊天机器人转化为高效的专业工程团队。 技术 › Skill ✍ Mr. Buzzoni🕐 2026-07-17 ClaudeSkillTokenAnthropicDevOps工具与效率LLMMCPAgent
B BestBlogs 早报 · 07-17|Bun 借 AI 重写、Hook 堵越权、Nemotron 登顶检索 本期早报聚焦 AI 工程落地,精讲 Bun 用 64 个智能体 11 天重写 53.5 万行代码、腾讯 DECO 用 Hook 治理 LLM 偷懒越权、NVIDIA Nemotron 登顶检索榜。此外涵盖 Kimi K3、Inkling 模型、全双工语音等速览,强调竞争焦点从模型参数向工程实践迁移。 技术 › Harness Engineering ✍ ginobefun🕐 2026-07-17 AI工程BunRustAgentNVIDIALLM检索Hook开源模型评测
如 如何构建自动纠错 AI 循环 文章介绍如何构建一个 AI 自我纠错系统,通过分离生成、判断和管理三个角色,避免人工介入验证。关键在于利用独立的标准(如测试套件)进行结构化验证,而非简单的重复提问,从而实现自动化错误捕捉与修复。 技术 › Agent ✍ CyrilXBT🕐 2026-07-17 AI架构自我纠错Agent提示词工程自动化系统设计LLM流程优化
微 微软开源 SkillOpt:不动模型,只训练 Prompt 微软开源了 SkillOpt 项目,引入了“训练 Prompt”的新思路。与传统的 Agent Skill 开发不同,SkillOpt 在不改变模型权重的情况下,将神经网络训练方法(如 epoch、验证集)应用于优化 SKILL.md 文本。系统通过执行任务、打分、反思和筛选修改建议,实现技能文档的自动化迭代。论文表明,该方法在多模型环境下均有显著提升,且优化后的技能具备跨模型迁移能力。 技术 › Agent ✍ sitin🕐 2026-07-13 Prompt工程Agent微软开源LLMAutoML优化技能文档
免 免费开源:烧了1亿Token的产品原型生成 Skill 本文介绍了一款开源的产品经理原型生成 Skill。作者为了解决现有 AI 原型工具“修改即重绘”的痛点,消耗约 1 亿 Token 开发了该 Skill。它遵循专业的产品流程(IA推导、设计规划、Figma 输出),通过硬性约束规则确保设计的可控性与去 AI 味,支持 Codex、Cursor 等环境。 技术 › Skill ✍ 老王霸 AI Lab🕐 2026-07-09 CodexAgent开源原型设计Figma工具与效率