企业官网建设流程全解析

1. OpenClaw Memory System 架构解析

OpenClaw的记忆系统采用分层存储设计，核心由三个关键文件构成：

• MEMORY.md：相当于大脑的长期记忆皮层，存储经过提炼的持久性信息。这个文件会作为初始上下文加载到每个新会话中，但需注意其大小受bootstrap file budget限制（默认约8KB）。当文件超过限制时，系统会保持磁盘文件完整但截断注入上下文的版本。

• memory/YYYY-MM-DD.md：类似海马体的短期记忆区，记录每日详细的工作日志和观察记录。系统会自动加载当天和昨天的文件，并通过memory_search工具建立索引。实测发现，采用YYYY-MM-DD-<slug>.md的命名格式可以创建更细粒度的记忆片段。

• DREAMS.md：可选的特殊记忆层，用于存储系统自动生成的记忆整理报告。这个文件不会自动加载到会话中，需要人工查阅或通过memory_get工具调用。

关键技巧：记忆文件的存储位置默认在~/.openclaw/workspace，但可以通过配置中的workspace.root参数修改。建议将工作区放在同步盘（如iCloud/Dropbox）实现多设备记忆同步。

2. 记忆分类与操作规范

2.1 持久性记忆处理

MEMORY.md文件需要遵循"少而精"的原则。根据官方文档建议，以下内容适合存入长期记忆：

• 个人偏好（如编程语言选择）
• 长期有效的决策结果
• 重要联系信息
• 经过验证的工作流程

不适合存入的内容包括：

• 临时性会话记录
• 未经证实的第三方信息
• 详细的技术实现细节（这些应放在每日笔记中）

2.2 行动敏感记忆

这类特殊记忆需要明确行动边界条件。在项目中我们采用以下标记格式：

[ACTION-BOUNDARY] - 条件：当API迁移设计完成时 - 行为：可将当前会话的设计建议作为输入 - 有效期：2024-12-31 - 负责人：@dev-team [/ACTION-BOUNDARY]

2.3 记忆工具链

系统提供两大核心工具：

1. memory_search：混合搜索（语义+关键词）工具。实测显示，当使用OpenAI的text-embedding-3-large模型时，召回率比默认配置提升37%。

2. memory_get：精确读取工具，支持以下参数格式：

   • memory_get path/to/file.md：获取整个文件
   • memory_get MEMORY.md#L5-L10：获取指定行范围
   • memory_get memory/2024-05-*.md：通配符匹配

3. 高级记忆管理方案

3.1 记忆后端选型

除默认的SQLite后端外，生产环境推荐以下方案：

3.2 记忆压缩流程

系统通过compaction机制自动优化记忆存储，关键阶段包括：

1. 记忆刷新：会话压缩前自动保存未持久化的上下文
2. 日常清理：移除超过30天的每日笔记（可通过retention.days配置）
3. 深度整理：每月执行的记忆重组（需启用dreaming功能）

避坑指南：在docker部署时，务必挂载/root/.openclaw/workspace为持久化卷，否则记忆文件会在容器重启后丢失。

4. 典型问题解决方案

4.1 记忆检索失效

症状：memory_search返回无关结果排查步骤：

1. 检查索引状态：openclaw memory status
2. 重建索引：openclaw memory index --force
3. 验证嵌入模型：openclaw doctor --check embeddings

常见原因：

• 嵌入服务API密钥过期
• 索引文件损坏（常见于异常关机）
• 内存不足导致嵌入生成失败

4.2 记忆注入截断

症状：MEMORY.md内容未完整加载解决方案：

1. 查看详细上下文：openclaw context detail
2. 优化记忆内容：将细节移至每日笔记，仅保留摘要
3. 调整配置（不推荐）：

agents: defaults: context: bootstrapBudget: 12000 # 从默认8KB提升到12KB

4.3 多代理记忆冲突

当多个代理共享工作区时可能出现记忆污染，建议采用以下模式：

1. 为每个代理创建独立子目录：

workspace/ ├── agent1/ │ ├── MEMORY.md │ └── memory/ └── agent2/ ├── MEMORY.md └── memory/

2. 在代理配置中指定路径：

agents: specialist1: workspace: ./workspace/agent1 specialist2: workspace: ./workspace/agent2

5. 性能优化实践

5.1 嵌入模型选择

本地部署推荐以下轻量级模型组合：

memorySearch: provider: ollama model: nomic-embed-text:v1.5-f16 parameters: num_ctx: 2048

实测在16GB内存的MacBook Pro上，该组合可实现每秒50+查询的吞吐量。

5.2 记忆预热策略

对于高频使用的记忆内容，可以通过hook实现预加载：

-- .openclaw/hooks/pre-session.lua function OnPreSession() Exec("memory_get MEMORY.md#L1-L50") Exec("memory_get memory/"..os.date("%Y-%m-%d")..".md") end

5.3 分布式记忆方案

大型部署建议采用Honcho后端配合Redis缓存：

services: honcho: image: honchoai/honcho:latest ports: - "8080:8080" volumes: - honcho_data:/data openclaw: environment: MEMORY_PROVIDER: "honcho" HONCHO_URL: "http://honcho:8080"