AI记忆革命爆发！Clawdbot如何像大脑般记住一切

新智元

发布于 2026-02-03 14:07:45

5090

文章被收录于专栏：新智元新智元

新智元报道

编辑：好困元宇

【新智元导读】一个开源AI，能记住你几个月前的决定、在本地替你跑活、还不受大厂控制：Clawdbot到底是个人助理，还是下一代「赛博打工人」？

Clawdbot太疯狂了！

你的7×24小时AI员工；

不是智能体，是赚钱机器 ……

2026年初，一个名为Clawdbot的开源个人AI助手，迅速引爆了开源社区和硅谷极客圈。

从技术爱好者到普通用户，许多人玩Clawdbot都玩疯了，一开发起来，根本都停不下来。

甚至，还有人把Clawdbot当成了赚钱工具，开始兜售Clawdbot赚钱指南，还不忘贩卖一波焦虑：

错过了Clawdbot浪潮，你将永远沦为「数字底层」！

Clawdbot被网友称为「长了手的Claude」或者「7×24在线的贾维斯」，它最大的亮点之一，便是长时记忆和长时任务执行能力。

回想一下你目前是如何使用AI助手的。

你在浏览器中打开AI助手，输入问题，得到回复，然后关闭标签页；但当你明天再回来时，又得从头开始。

它不会记住你昨天讨论过的内容，不了解你的偏好、你的项目，也不了解你的工作流程。

你可能会好奇Clawdbot是如何记住那么多东西的，最近AI研究工程师Manthan Gupta就写了一篇文章来回答这个问题。

他在「Clawdbot如何记住一切」一文中详细复盘了Clawdbot独特的记忆机制原理。

与那些跑在云端的ChatGPT或者Claude不一样，Clawdbot是直接在你本地机器上跑的，而且能直接集成到你已经在用的聊天平台里，比如Discord、WhatsApp、Telegram等。

最绝的是，Clawdbot能自主处理现实世界的任务：管理邮件、安排日历、处理航班值机，还能按计划跑后台任务。

但真正吸引Manthan Gupta眼球的，是它的持久记忆系统：它能保持全天候的上下文记忆，记住之前的对话，并且能基于过往的互动无限叠加。

相比于ChatGPT和Claude，Clawdbot走了一条完全不同的路子：

它不搞那种基于云端、由大公司控制的记忆，而是把所有东西都留在本地，让用户完全掌控自己的上下文和技能。

下面，我们就来跟随Manthan这篇文章，来深挖一下Clawdbot是怎么运作的。

上下文与记忆

Clawdbot的基本问题定义

如何构建上下文

在聊记忆之前，咱们先得搞清楚模型在处理每个请求时到底看到了什么：

[0] 系统提示词 (System Prompt) (静态+条件指令) 
[1] 项目上下文 (引导文件: AGENTS.md, SOUL.md 等) 
[2] 对话历史 (消息, 工具调用, 压缩摘要) 
[3] 当前消息

系统提示词定义了AI智能体有多大能耐以及有什么工具可用。

跟记忆有关的是项目上下文，这包括了注入到每个请求中的、用户可编辑的Markdown文件：

这些文件跟记忆文件一块待在AI智能体的工作区里，这就让整个AI智能体的配置变得完全透明，而且你想改就改。

上下文与记忆的区别

搞清楚上下文和记忆的区别，是理解Clawdbot的基石。

上下文是模型在单次请求里看到的所有东西：

上下文 = 系统提示词 + 对话历史 + 工具结果 + 附件

上下文是：

转瞬即逝的：只在这个请求里存在，用完即弃
有边界的：受限于模型的上下文窗口 (比如200 Token)
昂贵的 ：每个Token都要算API的钱，还影响速度

记忆是存在硬盘里的东西：

记忆= MEMORY.md + memory/*.md + 会话实录

记忆是：

持久的：重启、过几天、过几个月都在
无边界的：可以无限增长
便宜的 ：存着不花 API 的钱
可搜索的：建了索引，支持语义检索

记忆工具

AI智能体通过两个专门的工具来查阅记忆：

1. memory_search

目的：在所有文件里把相关的记忆找出来：

{
  "name": "memory_search",
  "description": "强制回忆步骤：在回答关于以前的工作、决定、日期、人员、偏好或待办事项的问题之前，先对MEMORY.md + memory/*.md进行语义搜索",
  "parameters": {
    "query": "关于API咱们定的什么？",
    "maxResults": 6,
    "minScore": 0.35
  }
}
返回：
{
  "results": [
    {
      "path": "memory/2026-01-20.md",
      "startLine": 45,
      "endLine": 52,
      "score": 0.87,
      "snippet": "## API讨论\n为了简单起见，决定用REST而不是GraphQL...",
      "source": "memory"
    }
  ],
  "provider": "openai",
  "model": "text-embedding-3-small"
}

2. memory_get

目的：找到内容后，把具体内容读出来

{
  "name": "memory_get",
  "description": "在 memory_search 之后，读取记忆文件里的特定行",
  "parameters": {
    "path": "memory/2026-01-20.md",
    "from": 45,
    "lines": 15
  }
}

{
  "path": "memory/2026-01-20.md",
  "text": "## API讨论\n\n跟团队开了个会讨论API架构。\n\n### 决定\n我们选了REST没选GraphQL，理由是：\n1. 实现起来简单\n2. 缓存更好做\n3. 团队更熟这个\n\n### 端点\n- GET /users\n- POST /auth/login\n- GET /projects/:id"
}

写入记忆

这里没有专门的memory_write工具。AI智能体想写记忆，就用它平时写文件、改文件的那些标准工具。

既然记忆就是纯Markdown，你也可以手动去改这些文件（它们会被自动重新索引，很智能）。

具体写到哪，是由AGENTS.md里的提示词来控制的：

自动写入也会在「预压缩刷新」和会话结束时发生。

记忆存储

Clawdbot记忆系统的核心原则就是：「记忆就是AI智能体工作区里的纯Markdown文件。」

Clawdbot记忆系统如何运作的？

双层记忆系统

记忆就住在AI智能体的工作区里（默认是~/clawd/）：

~/clawd/
├── MEMORY.md              - 第2层: 长期精选知识
└── memory/
    ├── 2026-01-26.md      - 第1层: 今天的笔记
    ├── 2026-01-25.md      - 昨天的笔记
    ├── 2026-01-24.md      - ...以此类推
    └── ...

第1层：每日日志（memory/YYYY-MM-DD.md）

这些是「只增不减」的每日笔记，AI智能体一整天都会往这里写东西。

当它想记住点什么，或者你明确告诉它「把这个记下来」的时候，它就写这。

# 2026-01-26## 10:30 AM - API讨论
跟用户讨论了REST vs GraphQL。决定：为了简单用REST。
关键端点：/users, /auth, /projects。
## 2:15 PM - 部署
把v2.3.0发到生产环境了。没毛病。
## 4:00 PM - 用户偏好
用户提了一嘴，他们更喜欢TypeScript而不是JavaScript。

第2层：长期记忆（MEMORY.md）

这是精选过的、持久的知识库。

当有大事发生、或者有了重要的想法、决定、观点和经验教训时，AI智能体会写到这里。

# 长期记忆## 用户偏好- 相比JavaScript更喜欢TypeScript
- 喜欢简洁的解释
- 正在搞 "Acme Dashboard" 项目
## 重要决定- 2026-01-15: 数据库选了PostgreSQL
- 2026-01-20: 采用了REST而不是GraphQL
- 2026-01-26: 用Tailwind CSS写样式
## 关键联系人- Alice (alice@acme.com) - 设计主管
- Bob (bob@acme.com) - 后端工程师

AI智能体如何知道要读记忆

AGENTS.md文件（会自动加载）里写着指令：

## 每次会话
在干别的事之前：
1. 读SOUL.md - 这是「你是谁」
2. 读USER.md - 这是「你在帮谁」
3. 读memory/YYYY-MM-DD.md（今天和昨天的）以此获取最近的上下文
4. 如果是在主会话（MAIN SESSION）（直接跟人类聊天），还要读MEMORY.md
别问许可，直接干就完了。

记忆如何被索引

当你保存一个记忆文件时，后台是这么运作的：

┌─────────────────────────────────────────────────────────────┐
│  1. 文件保存                                                 │
│     ~/clawd/memory/2026-01-26.md                            │
└─────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────┐
│  2. 文件监听器检测到更改                                      │
│     Chokidar监控MEMORY.md + memory/**/*.md                  │
│     防抖1.5秒以批处理快速写入                                 │
└─────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────┐
│  3. 分块（Chunking）                                         │
│     分割成约400 Token的块，重叠80 Token                       │
│                                                             │
│     ┌────────────────┐                                      │
│     │ 块1            │                                      │
│     │ 行1-15         │──────┐                               │
│     └────────────────┘      │                               │
│     ┌────────────────┐      │（80 Token重叠）                │
│     │ 块2            │◄─────┘                               │
│     │ 行12-28        │──────┐                               │
│     └────────────────┘      │                               │
│     ┌────────────────┐      │                               │
│     │ 块3            │◄─────┘                               │
│     │ 行25-40        │                                      │
│     └────────────────┘                                      │
│                                                             │
│     为什么是400/80? 平衡语义连贯性与粒度。                     │
│     重叠确保跨越块边界的事实能在两个块中都被捕获。               │
│     两个值都是可配置的。                                      │
└─────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────┐
│  4. 嵌入（Embedding）                                        │
│     每个块 -> 嵌入提供商 -> 向量                              │
│                                                             │
│     "讨论了REST vs GraphQL" ->                               │
│         OpenAI/Gemini/Local ->                              │
│         [0.12, -0.34, 0.56, ...]  (1536维)                  │
└─────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────┐
│  5. 存储                                                    │
│     ~/.clawdbot/memory/<agentId>.sqlite                     │
│                                                             │
│     表:                                                     │
│     - chunks (id, path, start_line, end_line, text, hash)   │
│     - chunks_vec (id, embedding)      -> sqlite-vec         │
│     - chunks_fts (text)               -> FTS5全文搜索        │
│     - embedding_cache (hash, vector)  -> 避免重复嵌入        │
└─────────────────────────────────────────────────────────────┘

sqlite-vec是个SQLite扩展，能直接在SQLite里搞向量相似度搜索，不需要外挂一个向量数据库。
FTS5是SQLite自带的全文搜索引擎，负责BM25关键字匹配。

这两者配合起来，Clawdbot就能靠一个轻量级的数据库文件同时搞定「语义+关键字」的混合搜索。

记忆如何被搜索

当你搜记忆的时候，Clawdbot会并行跑两种搜索策略。

向量搜索（语义）找的是意思相近的内容，而BM25搜索（关键字）找的是有精确Token匹配的内容。

结果会按权重打分合并：

finalScore = (0.7 * vectorScore) + (0.3 * textScore)

为何是70/30？

语义相似度是记忆召回的主力，但BM25关键字匹配能抓住向量可能会漏掉的精确术语（比如名字、ID、日期）。

分数低于minScore阈值（默认0.35）的结果会被过滤掉。这些值都可以自己配，它可以保证你无论是搜概念（比如「那个数据库的东西」）还是搜具体细节（比如「POSTGRES_URL」），都能够搜得准。

多智能体记忆

Clawdbot支持多个AI智能体，而且每个智能体的记忆是完全隔离的：

~/.clawdbot/memory/              # 状态目录 (索引)
├── main.sqlite                  # "main"智能体的向量索引
└── work.sqlite                  # "work"智能体的向量索引
~/clawd/                         # "main"智能体工作区 (源文件)
├── MEMORY.md
└── memory/
    └── 2026-01-26.md
~/clawd-work/                    # "work"智能体工作区 (源文件)
├── MEMORY.md
└── memory/
    └── 2026-01-26.md

Markdown文件（真相的源头）在每个工作区里，而SQLite索引（衍生数据）在状态目录里。

每个AI智能体都有自己的地盘和索引。

内存管理器是靠agentId + workspaceDir来区分的，所以自动跨智能体搜记忆这事是不会发生的。

那AI智能体能读对方的记忆吗？

默认不行。

每个AI智能体只能盯着自己的工作区。

不过，工作区只是个软沙箱（默认工作目录），不是那种不可逾越的硬边界。

理论上，除非你开了严格的沙箱模式，否则AI智能体是可以用绝对路径去访问另一个工作区的。

这种隔离对于区分上下文特别好用。

比如搞个用于WhatsApp的「私人」 AI智能体，再搞个用于Slack的「工作」AI智能体，它俩就能有完全不同的记忆和性格。

Clawdbot如何管住上下文

压缩

每个AI模型都有上下文窗口的上限。

Claude是200K Token，GPT-5.1是1M。

聊得久了，总会撞上这堵墙。

一旦撞墙，Clawdbot就会使出「压缩」大法：把旧的对话总结成一个精简的条目，同时保留最近的消息原封不动。

┌─────────────────────────────────────────────────────────────┐
│  压缩前                                                      │
│  上下文: 180,000 / 200,000 Tokens                            │
│                                                             │
│  [第1轮] 用户: "咱们搞个API吧"                                │
│  [第2轮] 智能体: "好嘞! 你需要什么端点?"                       │
│  [第3轮] 用户: "用户和认证"                                   │
│  [第4轮] 智能体: *写了500行Schema*                            │
│  [第5轮] 用户: "加上速率限制"                                 │
│  [第6轮] 智能体: *改代码*                                     │
│  ... (还有100轮) ...                                         │
│  [第150轮] 用户: "现在什么状态了?"                             │
│                                                             │
│  ⚠️ 接近上限                                                │
└─────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────┐
│  触发压缩                                                    │
│                                                             │
│  1. 把第1-140轮总结成一个精简摘要                             │
│  2. 第141-150轮保持原样 (最近的上下文)                        │
│  3. 把摘要持久化保存到JSONL实录里                             │
└─────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────┐
│  压缩后                                                      │
│  上下文: 45,000 / 200,000 Tokens                             │
│                                                             │
│  [摘要] "构建了带/users, /auth端点的REST API。                │
│   实现了JWT认证, 速率限制（100请求/分）,                       │
│   PostgreSQL数据库。已部署到预发布环境v2.4.0。                 │
│   当前重点: 准备生产环境部署。"                                │
│                                                             │
│  [第141-150轮保持原样]                                       │
│                                                             │
└─────────────────────────────────────────────────────────────┘

自动vs手动压缩

自动：快到上下文长度限制时触发

你会看到详细模式下自动压缩已完成
原始请求将使用压缩后的上下文重试

手动：使用/compact命令

`/compact`专注于决策和待解决的问题

跟某些优化不一样，压缩后的东西是会存到硬盘里的。摘要会被写进会话的JSONL转录文件，所以以后的会话开始时，都能带着这段被压缩的历史。

记忆刷新

基于LLM的压缩是有损的。重要信息可能会被「总结没了」。

为了防止这个，Clawdbot用了一招「压缩前记忆刷新」。

┌─────────────────────────────────────────────────────────────┐
│  上下文接近上限                                               │
│                                                             │
│  ████████████████████████████░░░░░░░░  75%的上下文           │
│                              ↑                              │
│                    越过软阈值                                │
│                    (contextWindow - reserve - softThreshold)│
└─────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────┐
│  静默记忆刷新轮次                                             │
│                                                             │
│  系统: "压缩前记忆刷新。现在存储持久记忆                        │
│         (使用memory/YYYY-MM-DD.md)。                         │
│         如果没什么可存的，回复NO_REPLY。"                      │
│                                                             │
│  智能体: 审查对话里的重要信息                                  │
│          把关键决定/事实写进记忆文件                           │
│          -> NO_REPLY（用户什么也看不见）                      │
└─────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────┐
│  压缩安全进行                                                │
│                                                             │
│  重要信息现在已经在硬盘上了                                    │
│  压缩可以继续，知识不会丢                                      │
└─────────────────────────────────────────────────────────────┘

这个记忆刷新可以在clawdbot.yaml或clawdbot.json文件里配置。

{
  "agents": {
    "defaults": {
      "compaction": {
        "reserveTokensFloor": 20000,
        "memoryFlush": {
          "enabled": true,
          "softThresholdTokens": 4000,
          "systemPrompt": "Session nearing compaction. Store durable memories now.",
          "prompt": "Write lasting notes to memory/YYYY-MM-DD.md; reply NO_REPLY if nothing to store."
        }
      }
    }
  }
}

剪枝

工具返回的结果有时候巨大无比。一个exec命令可能吐出50,000个字符的日志。

剪枝就是把这些旧的输出给修剪掉，但不重写历史。这是个有损过程，剪掉的旧输出就找不回来了。

┌─────────────────────────────────────────────────────────────┐
│  剪枝前 (内存中)                                             │
│                                                             │
│  工具结果 (exec): [50,000字符的npm install输出]               │
│  工具结果 (read): [巨型配置文件, 10,000字符]                   │
│  工具结果 (exec): [构建日志, 30,000字符]                      │
│  用户: "构建成功了吗?"                                        │
└─────────────────────────────────────────────────────────────┘
                              │
                              ▼ (软修剪 + 硬清除)
┌─────────────────────────────────────────────────────────────┐
│  剪枝后 (发送给模型)                                          │
│                                                             │
│  工具结果 (exec): "npm WARN deprecated...[截断]              │
│                       ...Successfully installed."           │
│  工具结果 (read): "[Old tool result content cleared]"        │
│  工具结果 (exec): [保留 - 太近了没剪]                         │
│  用户: "构建成功了吗?"                                        │
└─────────────────────────────────────────────────────────────┘

硬盘上的JSONL文件：没变（完整的输出还在那）。

Cache-TTL剪枝

Anthropic会把提示词前缀缓存最多5分钟，以此来降低重复调用的延迟和成本。

如果你在TTL（生存时间）窗口内发送相同的提示词前缀，缓存的Token费用能省大概90%。

要是TTL过期了，下个请求就得重新缓存整个提示词。

问题来了：如果会话闲置时间超过了TTL，下个请求就没缓存了，必须按全价「缓存写入」费率重新缓存整个对话历史。

Cache-TTL剪枝就是为了解决这个问题，它会检测缓存什么时候过期，并在下个请求之前把旧的工具结果剪掉。

重新缓存的提示词变小了，成本自然就低了：

{
  "agent": {
    "contextPruning": {
      "mode": "cache-ttl",
      "//": "只在缓存过期后才剪",
      "ttl": "600",
      "//": "配合你的 cacheControlTtl",
      "keepLastAssistants": 3,
      "//": "保护最近的工具结果",
      "softTrim": {
        "maxChars": 4000,
        "headChars": 1500,
        "tailChars": 1500
      },
      "hardClear": {
        "enabled": true,
        "placeholder": "[Old tool result content cleared]"
      }
    }
  }
}

会话生命周期

会话不会永远持续。它们会根据可配置的规则进行重置，给记忆创造了天然的边界。

默认行为是每天重置。不过也有其他模式可选。

会话记忆钩子

当你运行/new开一个新会话时，会话记忆钩子能自动保存上下文。

/new
                              │
                              ▼
┌─────────────────────────────────────────────────────────────┐
│  触发会话记忆钩子                                             │
│                                                             │
│  1. 提取刚结束会话的最后15条消息                               │
│  2. 用LLM生成个描述性的Slug（标识符）                          │
│  3. 保存到~/clawd/memory/2026-01-26-api-design.md            │
└─────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────┐
│  新会话开始                                                  │
│                                                             │
│  以前的上下文现在可以通过memory_search搜到了                   │
└─────────────────────────────────────────────────────────────┘

总结

Clawdbot的记忆系统之所以能成，是因为它坚持了这么几个关键原则：