AI Agent长期记忆实战：OpenClaw改造WorkBuddy指南

摘要：这次为 WorkBuddy（一款 AI 编程助手）集成了 OpenClaw 开源 Agent 框架，并同步构建了一套持久化记忆模块。下文完整记录改造全程：为何需要记忆、踩过的坑、具体实现方案，以及最终实测效果。如果你也在进行 Agent 框架的二次开发，这份记录应该能帮你避开几个暗礁。 **为什么要给 Agent 加“长期记忆”？** 这次要改造的 AI 助手叫 WorkBuddy，日常工作就是写代码、修 Bug、整理文档。用了几个月，一直有个恼人的痛点：每次新建对话，它就像失忆一样，完全不记得之前发生过什么。 举个例子：上周花了整个下午，帮它梳理了一个 Python 项目的数据处理模块应该如何重构，把业务逻辑、依赖关系、设计约束都交代清楚了。结果这周回到同一个项目，新开一个对话——它又什么都不记得了，得重新交代项目背景、重新解释之前的设计决策。 说实话，这种体验非常低效。助手本身能力在线，但每次都要从头“喂”上下文，就像一个技术很强但从不记笔记的同事，合作起来特别累。当时唯一的想法就是：必须让它记住东西，否则每次对话都在重复劳动。 市面上主流的记忆方案其实有两种： 1. **RAG（检索增强生成）**：把历史对话存入向量数据库，对话时再检索召回。问题在于检索精度不稳定，经常捞回一堆不相关的碎片。 2. **长上下文模型**：直接把整个历史塞进上下文窗口。成本不低，而且窗口再长也有天花板。 这次想尝试第三种路径：基于 OpenClaw 框架，给 WorkBuddy 搭建一套结构化的记忆系统。目标不是让它“记住所有事情”，而是让它跨会话知道“我是谁、我在做什么、我做过什么决策”。  --- **OpenClaw 是什么，为什么选它？** OpenClaw 是腾讯云开源的 AI Agent 框架，核心设计理念是“可插拔”。Agent 的能力不是写死的，而是通过 Skill（技能包）动态加载，想加什么功能就加什么 Skill，无需修改框架本身。 选择 OpenClaw，主要因为几个很实际的对比： | 对比维度 | LangChain | AutoGPT | OpenClaw | |---|---|---|---| | 上手难度 | 中等 | 高 | 低（有完整中文文档） | | 技能扩展方式 | Chain 拼接 | 插件系统 | Skill 包（即插即用） | | 腾讯云集成 | 需自行对接 | 需自行对接 | 原生支持 | | 本地部署 | 支持 | 支持 | 支持，且足够轻量 | 最关键的是，OpenClaw 的 Skill 机制天然适合做记忆模块。完全可以写一个 memory-skill，把所有的记忆读写逻辑封装进去，然后让 Agent 在每次对话开始时自动加载这份记忆。  --- **改造过程：从零搭建记忆系统** **第一步：分析 WorkBuddy 的现有架构** WorkBuddy 本身是基于 Claude Code 的 AI 编程助手。记忆相关的文件集中在项目的 `.workbuddy/` 目录下，结构大致如下： ``` .workbuddy/ ├── memory/ │ ├── MEMORY.md ← 长期记忆（手动维护） │ └── YYYY-MM-DD.md ← 每日记忆（自动追加） ├── SOUL.md ← 人格定义 └── IDENTITY.md ← 身份信息 ``` 问题就在这里：记忆文件确实存在，但 Agent 不会主动、系统地使用它们。它依赖用户在提示词里硬编码读取规则，而不是真正“记”住。 **第二步：设计记忆系统的三层结构** 参考 OpenClaw 的 Skill 设计模式，搭建了一个三层记忆结构： ``` 记忆系统架构 ├── 短期记忆（会话内） → 直接存在上下文里，会话结束即丢弃 ├── 工作记忆（近期） → 每日记忆文件（YYYY-MM-DD.md），自动追加 └── 长期记忆（跨项目） → MEMORY.md + 向量检索（可选增强） ``` 核心思路很清晰：不是让 Agent 记住所有事，而是让它知道在需要信息的时候，去哪里找。 **第三步：用 OpenClaw Skill 机制实现** 写了一个 `workbuddy-memory` Skill，核心逻辑分两个阶段： **加载阶段（每次对话开始时执行）：** 1. 读取 MEMORY.md，提取用户偏好、项目约定、技术决策 2. 读取今日记忆文件，了解今天已经处理了什么任务 3. 如果今日文件不存在，自动创建它 **写入阶段（每次有实质性工作时执行）：** 1. 判断当前工作是否值得记录（用 LLM 判断，并不是所有对话都值得写入） 2. 追加写入今日记忆文件 3. 如果发现了跨项目的通用经验，提示用户是否要更新 MEMORY.md （代码部分省略，详见完整版文档） 这套逻辑封装成一个 OpenClaw Skill，然后在 WorkBuddy 的系统提示词里加了一条指令： > “每次开始对话时，先调用 workbuddy-memory Skill 加载记忆，并在回复中隐性使用这些信息。”  --- **实际效果：到底有没有用？** 坦率说，改完后的第一感受是：能用就好。它不会让你觉得“哇 Agent 忽然变聪明了”，但至少不用每次都从头“喂”上下文。 **有效果的部分** **场景一：项目约定能被记住了** - 之前：每次新对话都要重新告诉 Agent“这个项目用 Python 3.11，依赖管理用 poetry” - 之后：Agent 从 MEMORY.md 里读到这条，主动用 poetry 而不是 pip **场景二：设计决策有延续性了** - 之前：上周决定“用 Redis 做缓存层”，这周 Agent 可能建议改用 Memcached - 之后：MEMORY.md 里记录了技术决策和原因，新的建议会基于已有决策 **目前还不够好的部分** **问题一：记忆文件需要手动维护质量** MEMORY.md 不是“写了就完事”的。用久了里面会积累过时信息、重复内容、不再适用的决策。定期整理少不了，但目前没有自动化工具来做这件事。 **问题二：Agent 有时候会“过度引用”记忆** 比如 MEMORY.md 里记了“用户偏好简洁回复”，结果 Agent 连本应详细解释的技术概念也一句话带过了。记忆反而变成了束缚。 **问题三：多项目场景下的记忆隔离** 目前所有项目共享同一套记忆文件结构，但不同项目的上下文应该隔离。这个问题目前还没有特别理想的解决方案。  --- **踩过的坑** 最头疼的一个：记忆注入方式最初搞错了。 最开始的做法简单到有点天真——把记忆文件内容直接拼接到系统提示词里。听起来没问题，但跑起来就发现问题了：记忆内容一多，上下文窗口被大量占掉，Agent 的回复质量反而开始下降。本来想让“它变得更聪明”，结果它变得更笨了。 来回折腾了两三天，最后改成了“索引式注入”。系统提示词里只放记忆的索引和摘要，具体内容按需读取。这基本就是操作系统的虚拟内存管理思路——不是把硬盘全塞进内存，而是按需换页。 还有两个小坑也顺带提一下： - Agent 每次有实质性工作就追加记忆，同一件事在每日文件里反复出现好几次。后来加上了写入前去重判断，多花一次 LLM 调用，但效果值得。 - OpenClaw Skill 里 Python 代码出错时，错误信息被框架吞掉了，只看到一个干巴巴的“Skill execution failed”。排查起来非常费劲，最后自己在 Skill 里加了日志输出到固定文件。 --- **下一步计划** 目前这个记忆系统还在“能用”阶段，距离“好用”还有距离。接下来打算着手做几件事： 1. **自动记忆整理**：定期用 LLM 对 MEMORY.md 做去重和结构化整理，类似“记忆压缩”机制 2. **多项目记忆隔离**：为每个项目创建独立的记忆空间，同时在更高层级维护跨项目的通用记忆 3. **记忆质量评分**：给每条记忆打上“新鲜度”和“重要性”标签，对话时优先加载高分记忆 如果你也在做 Agent 记忆相关的改造，或者想用 OpenClaw 做二次开发，欢迎在评论区交流。新事物不断涌现，大家都还在摸索的路上。 --- **参考资料** - OpenClaw 官网 - OpenClaw GitHub 仓库 - WorkBuddy 项目 - 腾讯云开发者社区 - AI Agent 相关专题

来源：互联网