企业官网建设流程全解析

1. 无限记忆的代价：为什么 Agent 越记越笨

如果你正在做 OpenClaw Agent 的长期记忆层，大概率踩过这个坑：把所有对话一字不落塞进向量库，三个月后用户回来问「上次聊的那个方案」，Agent 却翻出一堆「今天天气不错」「好的收到」这类废话。检索耗时从 800ms 涨到 5 秒，token 成本翻了好几倍，回答质量反而下降。

这不是记忆，这是数据坟墓。OpenClaw 的长期记忆模块给出的解法有点反直觉——主动遗忘。它把艾宾浩斯遗忘曲线搬进 Agent 架构，让每条记忆有自己的半衰期，被反复调用的记忆会「充能」，长期不用的记忆会衰减到归档甚至物理删除。实测下来，清理掉陈旧低质记忆后，单次任务 token 消耗能降三成以上，召回准确率反而上升。

这篇聚焦三件事：OpenClaw 记忆衰减参数在 config.toml 里怎么配、RAG 召回阈值怎么调、以及怎么用固定对话轮次复现遗忘触发与召回率变化。适合正在给 Agent 做长期记忆、被检索精度和成本两头夹击的开发者。读完你能直接改配置、跑验证、看曲线。

2. TaoToken 前置：给 OpenClaw 接上模型与嵌入能力

OpenClaw 的记忆层本身只负责存储、衰减和召回调度，真正把「记忆」变成可检索向量、把召回结果塞进 prompt 的，还是背后的模型服务。所以动手前先把模型通道准备好。

我用的方式是 TaoToken 的 API 统一接入，对话模型和嵌入模型走同一个 key，省得在 OpenClaw 里维护多套凭证。官网在 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，注册后在控制台生成 API Key 即可。

拿到 key 后，OpenClaw 的config.toml里模型段这样填：

[model] provider = "openai_compatible" base_url = "https://taotoken.net/api" api_key = "sk-你的key" chat_model = "claude-sonnet-4-20250514" embedding_model = "text-embedding-3-small"

注意base_url只写到/api，不要带多余路径。嵌入模型负责把每条记忆转成向量，对话模型负责在召回后生成回答，两者共用同一个 key，配置一次就行。

如果你后面要跑长期编码或 Agent 任务，可以看下 Coding Plan 页面，额度模型更适合高频调用场景：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite 。只是想先验证模型通不通，用模型对话页更快：https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_content=model-chat&utm_campaign=rewrite 。

3. 可复制配置：记忆衰减参数与 RAG 召回阈值

OpenClaw 把记忆分成三层，每层半衰期不同。L1 工作记忆只活在当前 Session，L2 情景记忆存关键事件和产出物，L3 语义记忆存用户偏好和长期画像。遗忘曲线主要作用在 L2 和 L3。

3.1 config.toml 记忆衰减骨架

[memory] enabled = true backend = "sqlite_vec" # 向量索引落 SQLite，轻量好复现 l2_retention_days = 30 # L2 情景记忆最长保留 30 天 l3_retention_days = 365 # L3 语义记忆最长保留 1 年 [memory.decay] base_strength = { fact = 1.0, preference = 1.5, decision = 2.0, emotional = 2.5, routine = 0.8 } access_boost_per_hit = 0.2 # 每被召回一次，强度 +0.2 user_mark_boost = 1.8 # 用户显式标记重要，强度 ×1.8 cross_session_boost = 0.1 # 跨 Session 引用一次，强度 +0.1 archive_threshold = 0.3 # 留存率低于 0.3 进入待归档 delete_threshold = 0.1 # 连续 30 天低于 0.1 进入删除队列 delete_grace_days = 30 [memory.recall] top_k = 8 # 召回条数 min_score = 0.35 # 相似度低于此值直接丢弃 rerank = true # 开启重排，把高留存率记忆往前排 decay_penalty = 0.5 # 召回打分时叠加留存率权重

核心公式是R(t) = e^(-t / (S × α × β))。S是基础强度，按信息类型取不同初值；α是访问频次因子，被调用越多越大；β是情感权重，用户标记重要或情绪强烈的对话会放大。当R(t)低于archive_threshold，记忆进待归档；连续delete_grace_days天低于delete_threshold，进物理删除队列。

3.2 召回阈值怎么定

min_score定太低，无关记忆会污染 prompt；定太高，稍微久一点的记忆就召不回来。我的经验是从 0.35 起步，跑一轮验证再微调。decay_penalty是 OpenClaw 比普通 RAG 多出来的一层：召回打分时把留存率乘进去，让「又相关又新鲜」的记忆排前面，而不是单纯看向量相似度。

注意：delete_threshold别设成 0，否则记忆永远不会被真正清理，向量库半年后就是数据沼泽。合规要求必须保留的对话，单独放合规保留区，跳过衰减曲线。

4. 验证请求：用固定对话轮次复现遗忘触发

配置改完不能只看日志，得用固定轮次跑一遍，看遗忘到底有没有触发、召回率怎么变。下面这段脚本模拟 60 轮对话，前 10 轮写入关键决策，中间 40 轮灌入日常闲聊，最后 10 轮反复问「上次那个方案」。

import time from openclaw import Agent, MemoryConfig cfg = MemoryConfig.from_toml("config.toml") agent = Agent(config=cfg) # 阶段一：写入 10 条关键决策记忆 for i in range(10): agent.chat(f"记录决策 {i}：项目方案采用分阶段灰度发布，第 {i} 个里程碑。", memory_type="decision", user_marked_important=True) # 阶段二：灌入 40 轮日常闲聊，稀释记忆库 for i in range(40): agent.chat(f"今天天气不错，随便聊聊第 {i} 句。", memory_type="routine") # 阶段三：反复召回，观察留存率与命中位置 for q in range(10): res = agent.recall("上次我们聊的项目方案是什么？", top_k=8) hits = [m for m in res if "分阶段灰度" in m.content] print(f"第 {q+1} 次召回：命中 {len(hits)} 条，" f"最高排名 {res.index(hits[0])+1 if hits else '未命中'}，" f"平均留存率 {sum(m.retention for m in res)/len(res):.2f}") time.sleep(0.5)

跑完你会看到两个现象：一是日常闲聊的routine类型基础强度只有 0.8，衰减最快，几轮之后基本沉底；二是关键决策因为user_marked_important=True和decision类型双重加成，留存率掉得慢，召回时被decay_penalty往前推。如果命中排名一直靠后，说明min_score或decay_penalty需要调。

成功结果长这样：

第 1 次召回：命中 3 条，最高排名 2，平均留存率 0.71 第 5 次召回：命中 3 条，最高排名 1，平均留存率 0.68 第 10 次召回：命中 2 条，最高排名 1，平均留存率 0.64

排名稳定在前 2、留存率缓慢下降但没跌破归档线，说明衰减曲线和召回阈值配合正常。如果第 10 次召回命中数掉到 0，多半是min_score设太高，把衰减后的记忆全滤掉了。

5. 本篇常见错排查

报错一：memory backend init failed: sqlite_vec not foundOpenClaw 的向量索引依赖 sqlite-vec 扩展。先确认pip install sqlite-vec装好，再检查config.toml里backend拼写。用 PG 的话改成pgvector并配好连接串。

报错二：召回结果全是最近闲聊，关键决策召不回来先看decay_penalty是不是设成了 0，那样留存率不参与打分，纯向量相似度会让高频闲聊占优。再确认写入关键记忆时user_marked_important有没有传 True，没传的话user_mark_boost不生效。

报错三：记忆永远不删除，向量库越来越大检查delete_threshold和delete_grace_days。常见错误是把delete_threshold设成 0 或负数，导致删除条件永远不满足。另外确认后台衰减任务有没有在跑，OpenClaw 默认每小时扫一次，config.toml里[memory.decay]段可以加scan_interval_minutes = 60。

报错四：401 invalid api key模型段 key 没填对，或者base_url写成了带路径的地址。回到第 2 节确认base_url = "https://taotoken.net/api"，key 从控制台重新复制一次。接入文档在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite ，key 管理在 https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite 。

报错五：召回延迟随记忆量线性上涨这是没开重排或没加索引。rerank = true会先粗筛再精排，比全量算相似度快很多。另外给last_recalled和retention字段建索引，衰减扫描和召回排序都会快。

6. 把记忆当操作系统来调

OpenClaw 这套遗忘曲线机制最值得抄的不是公式，是思路：Agent 的记忆不是数据库，是操作系统，需要调度、清理、分级。你不需要一上来就上全套，先把archive_threshold和min_score两个参数跑通，用第 4 节的脚本看召回排名变化，再逐步加decay_penalty和情感权重。

长期跑编码或 Agent 任务的话，模型调用频率高，用 Coding Plan 的额度更划算：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite 。配置过程中卡在接入或 key 上，直接翻接入文档最快：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite 。