先问你一个问题。
你有没有干过这种事:用 AI agent 攒了几个月的聊天记录、笔记、文档,心一横,全塞进它的长期记忆里——想着"资料越全,它就越懂我"。
结果呢?越用越贵,越问越答不到点子上。
如果你正卡在这儿,这篇文章就是写给你的。我拿 OpenClaw 这套记忆系统当样本,把"该不该全塞进去""为什么检索不准又烧钱"这两件事,掰开揉碎讲清楚。
说在最前面:这篇不卖结论,卖方法。 我不会甩给你"省了 60% token""快了 3 倍"这种数字——那些必须来自你自己在同等条件下的实测。我给你的是一套能自己验证的思路,加上一堆有官方出处的事实。
一、那个很多人踩的坑
先讲个反直觉的点。
你以为把东西写进长期记忆文件(OpenClaw 里叫 MEMORY.md),AI 每次都能读到全部。
错。
OpenClaw 官方文档写得很明白:当 MEMORY.md 超过了"启动预算",磁盘上的文件是完整的没错,但真正注入到对话上下文里的那份副本,会被截断。
换句话说,你塞得越多,超出预算的那部分根本进不了 AI 的脑子。你付了存储的心理成本,却没换来任何效果,反而因为文件臃肿拖慢、拖贵了每一次调用。
官方甚至直接把这个当成一个"信号":一旦被截断,就说明你该把细节挪走了——长期记忆里只留持久的摘要,细节沉到每日笔记里去。
想自己看这个截断状态?用
/context list、/context detail、openclaw doctor就能看到"原始大小 vs 实际注入大小"。
这就是第一课:完整聊天记录,天生就不该待在长期记忆里。 这不是我的观点,是这套系统的设计本意。
二、先搞懂:AI 的记忆其实是分层的
要理解上面那个坑,得先看清 OpenClaw 把记忆分成了几层。它本质上就是磁盘上的几个 Markdown 文件——"模型只记住写到磁盘上的东西,没有隐藏状态"。
第一层|MEMORY.md(长期 · 策展层) 只放持久事实、你的偏好、既定决策、短摘要。官方原话:它是"精炼、经过策展的一层,不是原始记录、不是每日日志、不是完整归档"。每次会话开始时加载。
第二层|memory/YYYY-MM-DD.md(每日 · 工作层) 放具体的运行上下文、观察、细节。它会被检索索引,但不会每一轮都硬塞进上下文——要用的时候才检索出来。
第三层|DREAMS.md(可选 · 复盘层) 记忆整理和复盘时的人工可读产物。
关键在于:AI 会自己随时间把每日笔记里有用的内容"蒸馏"进长期记忆,并删掉过期的旧条目。你不需要手工逐条搬。
看明白了吗?这套三层设计从头到尾都在说同一句话——别把完整记录堆在长期层,让细节待在工作层、按需取用。
三、"找得准"到底靠什么?
很多人一遇到检索不准,第一反应是"换个更好的 embedding 模型"。
这想法太窄了。看看 OpenClaw 检索时到底在干嘛:
它同时跑三条路再合并结果—— - 向量检索:管"语义相近"(你问的和记的意思接近) - BM25 关键词检…