OpenClaw 终于能"记住"事了！我花了 3 周折腾出的长期记忆系统

之前分享过一篇关于OpenClaw长期记忆系统文章，发完总觉得还差点意思。这几天又埋头折腾了一阵，测试、踩坑、优化，总算搞出来一个更聪明的版本。

这套方案从概念到落地，完整跑通了。用 Claude 最新的 Opus 4.6 全面测试过。为了控制成本，部分环节用了本地大模型（Qwen3），当然也能换成云端模型，丰俭由人。

为什么这个系统值得试试

传统做法有几个很明显的缺陷：

关键词匹配太傻了。搜"项目"，找不到"任务"相关内容，明明是一个意思。

按行数归档就更离谱。简单粗暴地保留最后N行，重要内容随时可能被砍掉。

定时空跑纯粹是浪费。每小时不管有没有新内容都在更新，资源消耗毫无意义。

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"或"哪些事情该跟进"。这种"失忆"状态，对长期项目来说相当致命。

这套方案的设计思路

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。遗忘其实也是功能，不是bug——相关性低的内容自然会被淘汰，系统只保留真正有价值的信息。

搜索这块，优先用语义方式。向量检索比关键词匹配靠谱得多，能直接理解意图。

核心组件拆解

每6小时跑一次。读取当天日志，调用LLM提取3-5个关键信息，更新到MEMORY.md。如果文件超过1500字符，就自动触发语义归档。

好处很明显：LLM能理解语义，不是简单匹配关键词。还能自动去重压缩，用本地模型的话成本几乎为零。

当MEMORY.md变得太大时，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%会被归档，重要的会留下。

以前按行数来砍，准确率大概只有50%。现在按相关性判断，能到90%。

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小时且有新文件的话，也会触发更新。

这样资源节省效果相当明显，能省下80%的消耗，同时新内容依然可以立即可搜索。

每天早上8点跑一次，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分以上算健康，4分需要关注，3分以下就得动手修了。

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。

这个功能是整台系统最让我满意的地方——从简单的"维护"升级到了"洞察"。它会告诉你最近在关注什么话题、哪些项目该跟进、系统有没有潜在问题。

一步一步搭建起来

# 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

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

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

# 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

实际效果怎么样

用了几周，记录几个关键数字：

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

资源节省效果非常明显。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。它会告诉你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"能力，是以前完全没有的。

常见问题解答

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

检查点运行时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。

完全可以。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。

最简单的方法是：

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。可以跑一下 ollama list 看看模型在不在，再手动调一下API试试。

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

定时任务没执行，可以用 openclaw cron list 确认任务是否存在，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处理、需要深度分析能力，这套系统值得投入时间去搭建。

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，没必要折腾。

虽然搭建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。