AI

小龙虾养成笔记（一）：用 OpenClaw 搭一个有记忆的 AI Agent

用过 ChatGPT 的人都有过这种体验：每次打开新对话，又得从头介绍一遍”我是谁、我在做什么、我上次跟你说过什么”。对话结束，一切归零。

这不是 AI 不够聪明，而是 LLM 天生无状态——session 结束就失忆。

OpenClaw 解决的就是这个问题。它不是又一个聊天界面，而是一套让 LLM 变成持久化 Agent 的框架：有记忆、有闹钟、有手脚，关掉窗口它还在。

和OpenClaw折腾了有段时间了，打算记录一下我的个人使用心得。本文作为第一篇，重点聊两件事：怎么让它记住东西，以及怎么让它自己动起来。

1. 架构速览 🏗️

先看全貌。OpenClaw 的核心组件：

1
2
3
4
5
6
7
8
9
10
11
Gateway（常驻进程）
  ├── Agent（你的 AI 助手）
  │     ├── Workspace（文件系统 = 状态）
  │     │     ├── SOUL.md      ← 身份定义
  │     │     ├── USER.md      ← 用户画像
  │     │     ├── MEMORY.md    ← 长期记忆
  │     │     └── memory/      ← 每日日志
  │     ├── Skills（可插拔能力模块）
  │     └── Cron（定时任务）
  ├── Channel（飞书 / Discord / Telegram）
  └── Session（一次对话）

几个关键设计决策：

  • 文件系统即状态。记忆就是 markdown 文件，不需要向量数据库，cat 就能看，git 就能版本管理。
  • Gateway 常驻。不是”用的时候启动”，而是一直在跑。这样 cron 任务和心跳才有意义。
  • Skill 热插拔。新能力以 SKILL.md 的形式挂载，不改代码，重启即生效。

2. 持久化记忆：三层架构 🧠

这是我觉得 OpenClaw 最优雅的设计。记忆分三层，各司其职：

第一层：SOUL.md — 我是谁

1
2
3
4
5
# SOUL.md
_You're not a chatbot. You're becoming someone._

## Vibe
随意、轻松、像朋友聊天。不端着，不啰嗦。用中文交流。

这个文件定义 Agent 的”人格”。每次 session 启动时自动加载，所以它永远知道自己是谁。不需要你每次提醒”你是一个轻松风格的助手”。

第二层：MEMORY.md — 长期记忆

1
2
3
4
5
6
7
8
9
10
11
12
# 长期记忆

## 关于用户
- 时区 UTC+8
- 喜欢简洁的交流风格

## 环境
- 运行在 WSL2 (Ubuntu) on Windows

## 教训
- 安装 skill 后需要重启 gateway 才能刷新
- 不同 agent 发飞书消息要用各自的 accountId

这是你与小龙虾的每一次互动后沉淀下来的精华。不是对话记录的堆砌，而是从日常交互中提炼出来的重要信息。为了确保MEMORY.md能及时更新，我设置了一个每日反思任务，让我的龙虾在每天晚上回顾过去24小时的对话，将关键内容存入MEMORY.md。

1
2
3
4
【每日自我反思】
...
3. 记忆维护：回顾过去24小时对话（sessions_list + sessions_history），关键内容归入 MEMORY.md；清理过时内容
...

第三层：memory/YYYY-MM-DD.md — 每日日志

1
2
3
4
5
6
7
8
# 2026-03-21 (周六)

## 完成的事情
- 迁移了 quantified_self 数据格式
- 封装了 agent-learn skill

## 学习的内容
- 学了《段永平投资问答录》，笔记在 brain/投资/books/

这是小龙虾的日记，记录与你交流的内容的要点总结，按天存储。只有今天和昨天的会被加载到 session context 里，不会把所有历史都塞进去。

Compaction：对话压缩机制

Session 的上下文窗口是有限的。聊久了怎么办？

OpenClaw 用了 compaction 机制。当对话超过一定长度时，系统会把前面的对话压缩成一段摘要，释放 token 空间。但压缩前会触发一个 pre-compaction flush——给 Agent 一个机会把重要信息写到文件里。

1
2
3
4
5
6
对话进行中...
  ↓ 上下文快满了
  ↓ 触发 pre-compaction flush
  ↓ Agent 把关键信息写入 memory/2026-03-21.md
  ↓ 压缩旧对话为摘要
  ↓ 继续对话

但实测下来，自动compaction可能会导致最近一两回合对话的信息丢失（可能因为这部分对话正好卡在了pre-compaction flush和compaction之间）。如果这部分对话正好包含关键信息的话，龙虾“失忆”的现象就会特别明显。

所以我在 AGENTS.md 里加了一条规则：做完就记 memory，不等 pre-compaction flush。因为 compaction 随时可能发生，重要的东西要立刻落盘。

3. 自主调度：Cron + Heartbeat ⏰

有了记忆，Agent 不会失忆了。但它还是被动的——你不说话它就歇着。

Cron：定时任务

OpenClaw 内置了 cron 系统。每个 cron 任务在独立的 session 里运行，互不干扰。

1
2
3
4
5
6
7
# 创建一个每天 22:00 执行的反思任务
openclaw cron create \
  --name "self-reflect" \
  --schedule "0 22 * * *" \
  --timezone "Asia/Shanghai" \
  --agent main \
  --message "回顾今天的对话，记录教训，更新记忆..."

例如，我现在跑着这些 cron：

时间 任务 做什么
19:00 learn 从知识库学习新文章
22:00 self-reflect 每日反思
23:00 ai-daily-news 自动生成 AI 日报
23:20 investment-analysis 对给定标的进行分析并给出投资建议

Heartbeat：心跳巡查

Cron 是精确定时，Heartbeat 是模糊轮询。Gateway 每隔一段时间 ping 一下 Agent，Agent 决定要不要做点什么。

适合心跳的场景：批量检查（邮件+日历+通知一起看）、不需要精确时间的巡查、比较轻量级的任务。

适合 cron 的场景：精确时间、需要隔离的 session、需要指定不同 model 的任务。

我目前还没有找到需要Heartbeat的场景，因此我的HEARTBEAT.md 里就一行：

1
无需执行任何操作。

4. Skill：可复用的能力封装 🔧

当你发现多个 Agent 在 cron prompt 里写着差不多的逻辑时，就该封装成 Skill 了。

封装前：每个 cron 写一大段 prompt

1
2
3
4
5
6
7
8
9
10
11
investment-learn 的 prompt（25 行）：
1. 读取 brain/.notion-manifest.json...
2. 读取 data/learned-articles.json...
3. 筛选 tagDir 为 "投资" 的文章...
...

job-coach-learn 的 prompt（25 行）：
1. 读取 brain/.notion-manifest.json...  ← 重复！
2. 读取 data/learned-articles.json...   ← 重复！
3. 筛选 tagDir 为 "求职" 的文章...
...

封装后：一个 Skill + 参数化调用

SKILL.md（定义一次）：

1
2
3
4
5
6
7
8
9
---
name: agent-learn
description: Agent 知识学习 skill。从多个数据源学习新内容。
---
## 参数
| 参数 | 说明 |
|------|------|
| brain_tag | 知识库的 tagDir 名称 |
| drive_folder_token | 飞书云文档文件夹（可选）|

cron prompt（精简到 3 行）：

1
2
3
按 agent-learn skill 学习新内容。参数：
- brain_tag: 投资
- drive_folder_token: XXX

Skill 的三级加载机制也值得一提：

  1. Metadata（name + description）— 始终在 context 里，~100 词
  2. SKILL.md body — 匹配到才加载，<5k 词
  3. references/ 和 scripts/ — 按需读取，不限大小

这保证了：装 20 个 Skill 不会撑爆 context，只有用到的才会加载。

养虾一段时间，最直观的感受是：它开始像一个”人”了。不是说它有多聪明，而是更像一个身边的伙伴——知道昨天发生了什么，记得我给过的反馈，懂得我的喜好，具有主观能动性（会自我反思和主动干活）。

当然坑也踩了不少，也没少花时间在给龙虾“治病”上。但这正是学习的过程与折腾的乐趣所在。