OpenClaw 记忆系统实战：Token 压缩与双层记忆架构

在使用 OpenClaw 一段时间后，常遇到两个痛点：会话太长导致 Token 爆满而遗忘前文，以及每次重启都是白纸，知识无法沉淀。能不能让 AI 自己管理记忆，像人一样'三省吾身'？折腾之后，这套方案终于跑通了。

一、Token 自动压缩：70% 就动手

问题

OpenClaw 默认的 auto-compaction 往往在 context window 接近满载时才触发。这时候对话质量已经下降，响应变慢，属于被动救火。

解决方案

在 ~/.openclaw/openclaw.json 中调整配置，将阈值提前到 70%。

compaction: {
  mode: "safeguard",
  reserveTokensFloor: 38400,  // 剩余 30% 时强制压缩
  memoryFlush: {
    enabled: true,
    softThresholdTokens: 89600,  // 70% 时先存储记忆
    prompt: "Summarize the conversation history..."
  }
}

触发顺序

阶段	Token 使用率	行为
1	70% (89600 tokens)	memoryFlush 静默存储重要信息
2	70% 剩余 (38400 tokens)	auto-compaction 强制压缩

配合 Heartbeat 每 30 分钟检查，超过 70% 会主动提醒：

heartbeat: {
  every: "30m",
  prompt: "Read HEARTBEAT.md if it exists..."
}

二、双层记忆体系：快 + 深

架构设计

短期记忆负责毫秒级响应，长期记忆负责跨会话沉淀。

┌─────────────────────────────────────────────────┐
│               用户查询                          │
└─────────────────────┬───────────────────────────┘
                      ▼
┌─────────────────────────────────────────────────┐
│     QMD（短期记忆）                             │
│     • 本地 BM25 关键词搜索                       │
│     • 毫秒级响应                                │
│     • 工作区文件索引                            │
└─────────────────────┬───────────────────────────┘
                      │ 无结果/需语义理解
                      ▼
┌─────────────────────────────────────────────────┐
│     Mem0（长期记忆）                            │
│     • 云端语义向量搜索                          │
│     • 跨会话知识沉淀                            │
│     • 重要决策、经验教训                        │
└─────────────────────────────────────────────────┘

QMD 安装

# 安装 Bun（如果没装）
powershell -c "irm bun.sh/install.ps1|iex"

# 安装 QMD
bun install -g qmd

# 加入 PATH
# Windows: 添加 C:\Users\{用户名}\.bun\bin 到环境变量

使用方式

# 更新索引
qmd update "C:\Users\{用户名}\.openclaw\workspace-magic"

# BM25 搜索（无需语义向量）
qmd search "关键词" -c "C:\Users\{用户名}\.openclaw\workspace-magic"

# 查看已索引文件
qmd ls "C:\Users\{用户名}\.openclaw\workspace-magic"

记忆分类

类型	QMD（短期）	Mem0（长期）
工作区文档	✅ 自动索引	❌
临时信息	✅	❌
技术知识	❌	✅
用户偏好	❌	✅
重要决策	❌	✅
经验教训	✅ 可选	✅

三、每日三省吾身：AI 也会反思

设计思路

既然 AI 每次会话都是'新'的，那就让它定时'醒过来'检查一下自己。仿照古人的'三省吾身'：晨省检查今日计划，午省回顾进度，晚省总结并存入长期记忆。

实现

创建 scripts/self-reflection.py：

# 三省时间窗口
MORNING_START, MORNING_END = time(6, 0), time(10, 0)   # 晨省
NOON_START, NOON_END = time(12, 0), time(15, 0)        # 午省
EVENING_START, EVENING_END = time(20, 0), time(23, 0) # 晚省

# 检查当前时段，决定是否触发反思
def get_current_period(now):
    current_time = now.time()
    if MORNING_START <= current_time <= MORNING_END:
        return "morning"
    # ... 后续逻辑

在 HEARTBEAT.md 中配置检查流程：

## Check Procedure
### Step 1: Check Token Usage
- If usage >= 70%: 提醒用户 /compact

### Step 2: Self-Reflection Check
运行 self-reflection.py，按时段执行反思

### Step 3: Run Task Checker
执行定时任务（QMD 更新、每日总结、每周维护）

工作流程

Heartbeat (每 30 分钟)
    │
    ├── 检查 Token 使用率 >= 70%? → 提醒压缩
    │
    ├── 检查时段
    │   ├── 06:00-10:00 → 晨省（今日计划）
    │   ├── 12:00-15:00 → 午省（进度回顾）
    │   └── 20:00-23:00 → 晚省（总结 + Mem0）
    │
    └── 执行定时任务
        ├── QMD 索引更新（>20h）
        ├── 每日总结（>20h）
        └── 每周维护（~6 天）

四、文件结构

workspace-magic/
├── AGENTS.md             # 工作区规则
├── SOUL.md               # AI 人格定义
├── USER.md               # 用户信息
├── MEMORY.md             # 长期记忆核心（手动维护）
├── HEARTBEAT.md          # Heartbeat 任务定义
│
├── scripts/
│   ├── check-tasks.py    # 定时任务检查
│   └── self-reflection.py # 三省系统
│
└── memory/
    ├── 2026-02-25.md     # 每日日志
    ├── reflection-state.json  # 三省状态
    └── cron-state.json    # 任务状态

五、效果

配置生效确认

$ openclaw config get agents.defaults.compaction
{
  "mode": "safeguard",
  "reserveTokensFloor": 38400,
  "memoryFlush": {
    "enabled": true,
    "softThresholdTokens": 89600
  }
}
$ openclaw config get agents.defaults.heartbeat
{
  "every": "30m",
  "prompt": "Read HEARTBEAT.md if it exists..."
}

记忆系统状态

系统	状态	数量
QMD	✅ 正常	17 个文件索引
Mem0	✅ 正常	26 条记忆

三省系统

当前时段会自动检查，在对应时间窗口触发反思任务。

六、下一步

观察晚省自动总结效果
优化 Mem0 存储质量（自动提取关键信息）
探索更智能的记忆召回策略

总结

这套系统的核心思想很简单：

Token 管理：主动出击，70% 就压缩，不要等爆了再救。
双层记忆：快的负责日常，深的负责沉淀。
自我进化：定时反思，让 AI 越用越聪明。

OpenClaw 的配置灵活度很高，配合 Heartbeat 和自定义脚本，可以做出很多有趣的东西。