Harness 与 Agent 工程 · 上下文与记忆 · 2026-04-29

OpenClaw的记忆系统,用在企业场景还是太粗糙了

OpenClaw记忆系统存在时效性问题?试试用Milvus 2.6的Decay Function解决AI助手的信息选择困难症。

核心内容:

  1. 分析OpenClaw等AI助手记忆系统的两大核心问题:Token消耗过高和记忆无优先级区分
  2. 介绍Milvus 2.6的Decay Function如何通过时间衰减算法优化RAG检索
  3. 通过实验验证三种检索方式对比,展示Decay Function的实际效果

用OpenClaw这类个人AI助手久了,很多人都会遇到一个棘手问题:当你询问上周刚确认的API限流方案时,AI翻出来的却是三个月前的过期内容。其实记忆记录本身是存在的,核心问题在于,龙虾无法判断哪条记忆更重要、更具时效性。而OpenClaw、NanoClaw这些产品默认的全量写上下文方案,天生就存在时效性缺失的短板。为了解决这个问题,我们以最近很火的NanoClaw(龙虾系轻量替代版)为实验载体,叠加使用Milvus 2.6版本的 Decay Function功能,看看它能否有效解决AI的信息选择困难症。

01

各种Claw的记忆模式到底有什么问题?

NanoClaw 在内,大部分龙虾类的记忆方式可以概括如下:每个对话 group 对应一个CLAUDE.md文件,Agent 启动时把整个文件塞进 context。这种模式看似便捷,却存在两个致命问题。第一,Token消耗过高。以Claude Sonnet 200k上下文窗口为基准,仅框架基础指令就占用了约17%的Token,还未计入用户的实际记忆内容,长期使用会大幅增加成本,甚至触发上下文窗口上限。第二,记忆无优先级区分。这是最核心的问题:即便上下文没有占满,三个月前的历史讨论与昨日刚敲定的决策,会被模型同等看待。面对两条语义相近的内容(比如不同时期的API限流讨论),模型完全不会主动优先采信时间更近、更具时效性的信息,进而导致回复偏离实际需求。要解这个问题,关键不在于盲目扩大上下文窗口,而是要在检索层把时间维度纳入排序权重。

02

Decay Function如何解决RAG相似内容的重要性排序?

提到AI助手的知识检索优化,很多人的第一反应是做RAG。把记忆转换成向量(embedding)存入向量库,检索时获取语义最相似的前k条内容。但这种纯向量检索,只能解决找相关内容的问题,无法解决一堆召回的相关内容中,谁更重要的问题。为了解决这个问题,Milvus 2.6 推出了 Decay Function :在向量相似度排序的基础上叠加时间衰减,用 Exponential 或 Gaussian 函数给旧记忆降权,距当前时间越远,得分折扣越大,从而让最新的有效记忆优先被召回。

03

实验验证:三种检索方式对比,看Decay的实际效果

为了直观验证时间衰减检索的效果,我们用独立脚本模拟NanoClaw积累三个月记忆后的状态,并设计了三组对比实验,分别测试不同检索策略的效果。第一步:实验准备:环境搭建与数据模拟

首先需要安装Milvus 2.6版本,搭建基础环境,同时模拟3个月内的50条项目记忆(贴合OpenClaw实际使用场景):安装 milvus2.6

wget https://github.com/milvus-io/milvus/releases/download/v2.6.11/milvus-standalone-docker-compose.yml -O docker-compose.yml
docker compose up -d

环境依赖:

pip install pymilvus openai

建 collection,写入 50 条模拟记忆这里我们模拟50条记忆,时间跨度3个月,分为两条主题线:25条API限流方案演进(从初步讨论到最终上线调参),25条项目基础设施决策(缓存、数据库、部署等),越接近当前时间的记忆,实用性越高:

import jsonimport timefrom datetime import datetime, timedeltafrom openai import OpenAIfrom pymilvus import MilvusClient, DataTypeclient = OpenAI()milvus = MilvusClient( uri="http://your-milvus-host:19530", user="root", password="your-password")COLLECTION_NAME = "nanoclaw_memory"if milvus.has_collection(COLLECTION_NAME): milvus.drop_collection(COLLECTION_NAME)schema = milvus.create_schema(auto_id=True, enable_dynamic_field=False)schema.add_field("id", DataType.INT64, is_primary=True)schema.add_field("text", DataType.VARCHAR, max_length=1000)schema.add_field("vector", DataType.FLOAT_VECTOR, dim=1536)schema.add_field("timestamp", DataType.INT64)schema.add_field("metadata", DataType.VARCHAR, max_length=500)milvus.create_collection(collection_name=COLLECTION_NAME, schema=schema)index_params = milvus.prepare_index_params()index_params.add_index( field_name="vector", index_type="HNSW", metric_type="COSINE", params={"M": 16, "efConstruction": 200})index_params.add_index( field_name="metadata", index_type="INVERTED", index_name="metadata_group_index", params={ "json_path": "metadata[\"group\"]", "json_cast_type": "varchar" })milvus.create_index(COLLECTION_NAME, index_params)milvus.load_collection(COLLECTION_NAME)# 50 条模拟记忆,时间跨度三个月now = datetime.now()memories = [ {"text": "项目决定用微服务架构,前后端分离,部署在 AWS。", "days_ago": 90}, {"text": "团队讨论过用 GraphQL,但最终因为学习成本放弃了,还是 REST。", "days_ago": 85}, {"text": "数据库选型时考虑过 MongoDB,最终选了 PostgreSQL。", "days_ago": 80}, {"text": "API 限流方案初步讨论:考虑 token bucket 或 sliding window。", "days_ago": 75}, {"text": "用户认证方案讨论:JWT vs Session,倾向 JWT。", "days_ago": 70}, {"text": "API 限流方案第二次讨论,sliding window 实现复杂度太高,倾向 token bucket。", "days_ago": 60}, {"text": "前端框架选 React,状态管理用 Zustand 而不是 Redux。", "days_ago": 55}, {"text": "CI/CD 用 GitHub Actions,部署脚本已经写好。", "days_ago": 50}, {"text": "日志方案选 Datadog,已经接入。", "days_ago": 45}, {"text": "API 网关用 Kong,限流插件测试中。", "days_ago": 40}, {"text": "Kong 限流插件测试完成,性能符合预期,准备上线。", "days_ago": 30}, {"text": "JWT 有效期定为 7 天,refresh token 有效期 30 天。", "days_ago": 28}, {"text": "PostgreSQL 连接池大小定为 20,经过压测验证。", "days_ago": 25}, {"text": "前端构建时间优化到 45 秒,用了 esbuild。", "days_ago": 22}, {"text": "API 文档用 Swagger 自动生成,已经部署到内网。", "days_ago": 20}, {"text": "API 限流方案最终确认:token bucket,每用户每分钟 60 次请求。", "days_ago": 14}, {"text": "压测结果:QPS 峰值 2000,P99 延迟 120ms,符合预期。", "days_ago": 12}, {"text": "上线前 checklist 完成,安全扫描通过。", "days_ago": 10}, {"text": "灰度发布策略:先放 5% 流量,观察 24 小时。", "days_ago": 8}, {"text": "监控告警阈值设置完成:错误率超 1% 触发 PagerDuty。", "days_ago": 7}, {"text": "灰度发布顺利,错误率 0.02%,准备全量上线。", "days_ago": 5}, {"text": "全量上线完成,API 限流生效,未见异常。", "days_ago": 4}, {"text": "用户反馈限流太严,部分场景需要提高到 120 次/分钟。", "days_ago": 3}, {"text": "和产品确认:付费用户限流提高到 120 次/分钟,免费用户保持 60 次。", "days_ago": 2}, {"text": "API 限流最终方案更新:免费 60 次/分钟,付费 120 次/分钟,已上线。", "days_ago": 1}, # ... 其余 25 条同理,覆盖其他话题]def get_embedding(text): resp = client.embeddings.create(input=text, model="text-embedding-3-small") return resp.data[0].embeddingprint("正在生成 embeddings...")data = []for i, m in enumerate(memories): ts = int((now - timedelta(days=m["days_ago"])).timestamp()) data.append({ "text": m["text"], "vector": get_embedding(m["text"]), "timestamp": ts, "metadata": json.dumps({"group": "project", "importance": "normal"}), }) print(f" [{i+1}/{len(memories)}] 完成")milvus.insert(collection_name=COLLECTION_NAME, data=data)print(f"写入完成,共 {len(data)} 条")

第二步:三组检索对比A 组模拟CLAUDE.md全量写入,B 组纯语义检索,C 组加上 Exponential Decay 重排。(参数说明:scale=7 天是项目决策场景的经验值——一周内的决策还算当前,一个月前约剩 6% 权重,三个月前接近 0;如果你的场景是年度规划跟踪,可以把 scale 拉到 30 天。)

import timefrom datetime import datetimefrom openai import OpenAIfrom pymilvus import MilvusClient, Function, FunctionTypeclient = OpenAI()milvus = MilvusClient( uri="http://your-milvus-host:19530", user="root", password="your-password")COLLECT…
— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/Openclaw/2026042935624.html