为什么 AI 需要记忆？
#传统的 AI 对话是"无状态"的，每次对话都是全新的开始。OpenClaw 的记忆系统让 AI 能够：
- 记住用户的偏好和习惯
- 跨会话保持上下文
- 积累知识和经验
记忆系统的架构
#1
| 用户输入 → 向量化 → 存储 → 检索 → 增强上下文 → AI 响应
|
向量存储原理
#Embedding 模型
#OpenClaw 使用 embedding 模型将文本转换为向量：
1
2
3
4
5
6
7
8
| // 示例：文本向量化
const embedding = await openai.embeddings.create({
model: "text-embedding-3-small",
input: "用户喜欢 Python 编程"
});
// 得到 1536 维的向量
console.log(embedding.data[0].embedding);
|
相似度搜索
#使用余弦相似度计算文本间的关联：
1
2
3
4
| import numpy as np
def cosine_similarity(a, b):
return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))
|
记忆类型
#1. 工作记忆（Working Memory）
#当前会话的短期记忆，随会话结束而清除。
2. episodic 记忆（Episodic Memory）
#存储具体的事件和对话，支持按时间和内容检索。
3. 语义记忆（Semantic Memory）
#提取和存储知识性信息，如用户的技能、兴趣等。
配置示例
# 1
2
3
4
5
6
7
8
9
10
| [openclaw.memory]
# 短期记忆
[openclaw.memory.working]
max_turns = 20
# 长期记忆
[openclaw.memory.long_term]
backend = "chromadb"
embedding_model = "text-embedding-3-small"
similarity_threshold = 0.75
|
最佳实践
#- 定期整理 - 删除过时的记忆
- 隐私保护 - 敏感信息加密存储
- 分层管理 - 区分个人知识 vs 通用知识
OpenClaw 的记忆系统是打造个性化 AI 助手的核心。合理使用记忆功能，可以让 AI 真正成为你的智能伙伴。