摘要：本文记录了如何将WorkBuddy（一款AI编程助手）接入OpenClaw开源Agent框架，并为其搭建长期记忆系统的完整过程。内容包括：为何需要记忆、踩过的坑、具体实现方案以及最终效果。如果你正在从事Agent框架的二次开发，这份实战记录将帮助你避开多个常见问题。 **为什么需要为Agent构建长期记忆？** 本次改造的AI助手名为WorkBuddy，其日常任务包括编写代码、修复Bug、整理文档。使用一段时间后，发现一个核心痛点：每次开启新对话，它都像失忆一般，完全忘记之前的交流内容。 举个例子：上周花了整整一个下午，帮它梳理了一个Python项目中数据处理模块的重构方案，详细解释了业务逻辑、依赖关系以及设计约束。然而本周再次打开同一项目的新对话时，它又变得一无所知，需要重新交代项目背景和之前的设计决策。 坦率地说，这种体验非常低效。助手本身能力是够用的，但每次都要从头“灌输”上下文，就好像一个技术很棒但从不做笔记的同事，合作起来十分疲惫。当时唯一的念头就是：必须找到一种机制让它记住信息，否则每次对话都在重复劳动。 目前主流的记忆方案主要有两种： 1. **RAG（检索增强生成）**：将历史对话存入向量数据库，对话时通过检索召回。但问题在于检索精度不够稳定，经常返回一堆不相关的碎片。 2. **长上下文模型**：直接将整个历史塞入上下文窗口。不仅成本较高，且窗口长度终有上限。 本次希望尝试的是第三种路径：基于OpenClaw框架，为WorkBuddy构建一套结构化记忆系统。目标并非让它“记住所有事情”，而是使其能够在跨会话场景下明确“我是谁、当前任务是什么、之前做过什么决策”。  --- **OpenClaw是什么，为什么选择它？** OpenClaw是腾讯云开源的一款AI Agent框架，其核心设计理念是“可插拔”。Agent的能力并非固定写死，而是通过Skill（技能包）动态加载，想增加什么功能就添加对应的Skill，无需修改框架本身。 选择OpenClaw主要基于以下几点实际对比： | 对比维度 | LangChain | AutoGPT | OpenClaw | |---|---|---|---| | 上手难度 | 中等 | 高 | 低（拥有完整中文文档） | | 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 | 最关键的一点在于，OpenClaw的Skill机制天然适合构建记忆模块。可以编写一个`memory-skill`，将所有记忆读写逻辑封装进去，并让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 ``` 问题在于：记忆文件确实存在，但Agent不会主动、系统性地使用它们——它依赖用户在提示词中硬编码读取规则，而非真正“记住”信息。 **第二步：设计记忆系统的三层结构** 参考OpenClaw的Skill设计模式，我们搭建了一个三层记忆结构： ``` 记忆系统架构 ├── 短期记忆（会话内） → 直接存在于上下文，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） ``` 核心思路非常清晰：不是让Agent记住所有事，而是让它知道在需要信息时，该去哪里查找。 **第三步：用OpenClaw Skill机制实现** 编写了一个`workbuddy-memory` Skill，核心逻辑分为两个阶段： **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，了解当天已处理的任务 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. 用LLM判断当前工作是否值得记录（并非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的系统提示词里添加一条指令： > “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？** 坦率地说，改造完成后的第一感受是：能用便是进步。它不会让你觉得“Agent忽然变聪明了”，但至少不用每次都从头“喂”上下文。 **效果明显的部分** **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，主动使用poetry而非pip **场景二：设计决策具有延续性** - 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记录了技术决策及其原因，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并非“写了就完事”。随着使用，里面会积累过期信息、重复内容以及不再适用的决策。定期整理是必要的，但目前尚无自动化工具。 **问题二：Agent有时会“过度引用”记忆** 例如MEMORY.md记录了“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言带过——记忆反而形成了束缚。 **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本应隔离。这个问题尚未找到理想的解决方案。  --- **踩过的坑** 最令人头疼的一个：记忆注入方式最初搞错了。 最开始的做法非常天真——直接把记忆文件内容拼接到系统提示词里。听起来没问题，但一运行就发现问题：记忆内容一多，上下文窗口被大量占用，Agent的回复质量反而下降。本想让它“变得更聪明”，结果它变得更笨。 折腾了两三天，最终改成了“索引式注入”。系统提示词里只保留记忆的索引和摘要，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——不是把硬盘全部塞入内存，而是按需换页。 还有两个小坑顺便提一下： - Agent每次有实质性工作就追加记忆，导致同一件事在每日文件中反复出现。后来加上了写入前的去重判断，虽然多花一次LLM调用，但效果值得。 - OpenClaw Skill中Python代码出错时，错误信息被框架吞掉，只显示一个干巴巴的“Skill execution failed”。排查起来非常困难，最后自己在Skill里增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处于“能用”阶段，距离“好用”有相当距离。接下来计划着手以下几件事： 1. **自动记忆整理**：定期使用LLM对MEMORY.md进行去重和结构化整理，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**：为每条记忆打上“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进行二次开发，欢迎在评论区交流。新事物不断涌现，我们仍在探索的路上。 --- **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