让 OpenClaw Agent 拥有持久记忆：mem0 + OpenSearch/S3 Vectors 实战方案

TL;DR: AI Agent 最大的痛点之一是"金鱼记忆"——每次对话都从零开始。本文详细介绍基于 mem0 + OpenSearch/S3 Vectors 构建的 OpenClaw Agent 分层记忆系统，涵盖完整架构设计、四条自动化管道、以及如何实现跨会话记忆保持。

详情：https://norrishuang.github.io/mem0-memory-service/zh/

0. 写在前面

如果你的 Agent 经常出现以下情况，这篇文章值得花几分钟看看：

• 刚告诉它的事情，下一个 session 就忘了
• 不同 Agent 之间无法共享知识，各管各的
• 每次重启都要重新解释背景

这些问题不是 Agent 的"智商"问题，而是架构层面的天然缺陷——每次会话都是全新的开始。

我们花了很长时间才想明白：给 Agent 加记忆，不只是"存数据"那么简单。怎么存、存多久、什么时候该忘、如何让多个 Agent 互相学习……每一个问题背后都是一堆坑。

这篇文章不讲大道理，而是把我们的思考过程和设计方案原原本本分享出来。

1. 问题的本质：Session 是无状态的

OpenClaw 每天会重置活动会话（默认凌晨 4:00 本地时间），或者在空闲超时后重置。每个新会话从空的上下文窗口开始。

这是有意为之的设计——

• 保持上下文新鲜，避免 token 膨胀
• 每次对话都是一个全新开始

但它带来了一个根本问题：Agent 需要外部机制来维持连续性。

2. 我们走过的弯路

最早的解决方案很简单：写文件。

MEMORY.md          ← 长期记忆（手动维护）
memory/
├── 2025-03-15.md  ← 每日笔记
├── 2025-03-16.md
└── ...

每次对话开始时，把这些文件读出来塞进 Context。能用，但问题越积越多：

我们意识到：这不是加个存储就能解决的问题。

3. 核心设计理念：分层 + 自动化

经过反复思考，我们确定了两个核心原则：

3.1 为什么要分层？

因为不是所有记忆都同样重要。

你告诉 Agent 的是"技术偏好"（长期有效），还是"今天我们要讨论什么"（用完就废）？如果混在一起：

• 全部永久保存 → 垃圾越堆越多
• 全部过期删除 → 重要信息丢失

所以我们设计了分层存储：

3.2 为什么要自动化？

因为靠人工维护记忆是不可持续的。

你不可能每次对话结束都手动整理"这节课的重点"；你也不可能记得每天去清理过期的临时记录。

所以我们选择了全自动化：

• 会话自动快照（每5分钟）
• 记忆自动提取（每15分钟增量）
• 过期自动归档（每天）

人唯一需要做的，就是开口说话。

3.3 为什么要用 mem0？

我们最终选择了 mem0，因为它是真正理解"记忆"概念的框架：

mem0 解决的是"怎么记住"，而不仅仅是"存在哪里"。

3.4 mem0 负责什么？我们负责什么？

mem0 本身不区分"短期事件"和"长期知识"。我们在这基础上增加了记忆生命周期管理：