OpenClaw 记忆系统全拆解：从 Markdown 到混合搜索，AI 助手怎么记住你说过的话

深入 OpenClaw 源码，拆解它的记忆架构：Markdown 为 source of truth，SQLite 做索引，向量 + BM25 混合搜索，400 token 分块，按需检索而不是全量加载。

有朋友在上一篇 Claude Code 记忆机制的文章下留言：

OpenClaw 里的 memory 可以通过 skill 拆分为多个 memory topic，每次提问按需读取，有效减少上下文，从而降低 token 成本。

这让我想仔细看看 OpenClaw 的记忆系统到底怎么做的。读了源码之后发现，它的设计比想象中更精细 — 不是简单的”存进去、读出来”，而是一套完整的索引、搜索、评分、裁剪流水线。

架构总览

OpenClaw 的记忆系统有三个核心设计原则：

1. Markdown 是 source of truth — 记忆就是磁盘上的 .md 文件，不是某个数据库里的不可读 blob

2. SQLite 做派生索引 — 从 Markdown 文件生成分块、嵌入、全文索引，索引丢了可以重建

3. 按需检索，不全量加载 — Agent 需要上下文时调用 memory_search，只返回相关片段，不把所有记忆塞进 prompt

整体架构：

记忆文件怎么组织

OpenClaw 的 Agent 工作空间（默认 ~/.openclaw/workspace）下有两类记忆文件：