【openclaw】从提示词到状态机 —— 基于 MEMORY.md 的 Agent 任务栈架构实践
目前的 AI Agent 开发中，我们正经历一个关键的范式转移：从单纯的“提示词工程 (Prompt Engineering)”走向系统化的“上下文工程 (Context Engineering)”。
当 Agent 处理长周期、多步骤的复杂任务时，单纯依靠 LLM 自身的上下文窗口必然会导致“上下文腐败 (Context Rot)”——模型会在长对话中迷失最初的目标，甚至产生幻觉。将 MEMORY.md 改造为“任务栈 (Task Stack)”，本质上是为大模型外挂了一个可视化的图灵机状态纸带。
以下是关于这一改造思路的深度技术思考与架构设计。
为什么选择 Markdown？—— “Memory as Documentation” 理念
目前业界对 Agent 的记忆管理主要有两条路线：
1. Memory as Database：使用 Milvus 等向量数据库存储历史。这种方案适合 RAG（检索增强生成）做知识储备，但极不适合维持“执行状态”，因为向量检索是模糊的，无法保证逻辑的严密性。
2. Memory as Documentation：使用纯文本/Markdown 文件（如 OpenClaw、Claude Code 等框架的底层逻辑）。
使用 MEMORY.md 的最大优势在于状态的绝对透明与可篡改性。作为工程师，我们可以随时用文本编辑器打开它，像查看系统进程树 (Process Tree) 一样查看 Agent 正在“想”什么。如果它跑偏了，人类可以直接手动修改 Markdown 文件来纠正它的状态，这比去数据库里改 JSON 字段要高效得多。
