本文从基础出发详细解析了Agent记忆系统的运作原理包括单个会话和不同会话的记忆保持机制。通过对比OpenClaw和其他记忆框架阐述了记忆的分类、抽取、更新和检索方法。此外还介绍了企业级方案EverOS包括其API使用、Skill自进化功能以及20个真实应用案例。对于想要深入了解大模型记忆系统的程序员来说本文提供了全面而实用的知识框架。封面最近Agent 的长期记忆十分火爆每个人都在聊记忆系统但你去翻那些讲解多半是一堆名词砸过来向量数据库、RAG、上下文窗口、压缩、情景记忆……读完你还是说不清它到底怎么运作的是不是不怪你大部分文章都默认你有基础。但Agent的记忆系统是目前面试最火的方向不搞清楚的话工作和面试中会很吃亏。所以这篇我换个讲法从基础开始讲不堆名词尽量带大家读懂我向你保证看完下面你能自己答上这三个问题记忆系统是什么如何理解OpenClaw的记忆系统企业级别方案是啥样这篇文章特别长耗时我几天写作如果你有朋友对Agent记忆感兴趣可以先收藏后面转发给他。关于Agent记忆系统的一些基础知识这一节主要讲Agent如何在单个会话保持记忆和不同会话之间保持记忆的。假如你已经理解可以提前跳过。首先对大模型的两次API调用之间是没有记忆的啥意思呢举个例子 你在第一次调用中说你喜欢吃橘子那么第二次调用中假如你没有把我喜欢吃橘子附加到提示词那么大模型是对“你喜欢吃橘子”没有记忆的。那么Agent是如何在对话中保持这个记忆呢首先你每次问一句的时候底层会把你之前和它的聊天历史都发送出去大模型能看到就能确保最近的记忆。其次当聊天记录很多以至于超过大模型接受聊天历史最大值时。它就会压缩聊天记录就是把当前回话对话历史总结提炼一下然后又塞回提示词这样就有空间继续聊天了。上面就是模型如何在单个冗长对话中保持记忆的原理。假如你看到这里有点晕可以看看下图现在你知道单个会话中如何保持记忆了但在不同聊天对话之间如何保持记忆呢这个时候长期的记忆系统就登场了它做的事情就是在你上下文压缩的时候或者要求记忆某个东西的时候把重要的信息存到某个存储空间。然后在你开始新的对话的时候适当的时机提取加入提示词中。通过腾笼换鸟构建出记住很多事情的假象。这和人类的工作记忆和长期记忆类似。好了有了这些基本的记忆知识后我们就可以去了解什么是记忆系统了。下面我将会给你一个理解框架如果你看完我保证让你对任何记忆系统方案都有个基本的理解。记忆系统现在网上声称能给 Agent 长期记忆的方案少说也有几十种这么多咋研究呀接下来我给你拆解一篇论文来获得对Agent长期记忆的基本认知后面再通过对比OpenClaw和其他记忆框架的区别获得更好的理解。Google 在 2025 年 11 月发表了一篇论文标题叫《Context Engineering, Sessions and Memory》这篇论文中他们效仿半个世纪前认知科学的方法把Agent的记忆分为三类情景记忆昨天发生了啥、上次跟你聊了啥语义记忆你叫什么、喜欢什么、是哪种身份程序性记忆怎么完成一件事、流程是什么这三种记忆合起来就是所谓的Agent的记忆。但这只是故事的一部分另一半关于如何维护和使用记忆的。就像人一样Agent也不能什么都记忆所以记忆系统需要有一套可靠的方法从对话历史中抽取出重要的信息然后再保存。这一步我称之为抽取。除此之外我们还要对记忆进行整理合并。举个例子三个月之前我说在大理后来我搬到成都。假如不对这个信息进行合并的话记忆中就存在相互矛盾条目。正确的做法是将在我搬到成都后记忆更新为用户在成都。这一步我称之为更新。还有一步是检索这里面就有很多方法了关键词检索语义检索融合检索用大模型来检索。所以你想要搞懂一个记忆系统只要搞懂这两个方面就行1. 记忆有多少种分类每种存什么的2. 记忆是如何抽取更新检索好了利用这个框架让我们来搞清OpenClaw长期记忆是如何实现的。OpenClaw的记忆有多少种分类每种存什么的它的记忆分为下面三类memory.md记忆属于语义记忆存储你的身份、偏好、稳定事实。daily logs每日日志属于情景记忆记录每天发生了啥按天组织只会添加新的条目不会删除。session snapshots会话快照属于情景层记忆当你用 /new 或 /reset 命令开启一个新会话会总结旧对话中最后 15 条有意义的消息保存成markdown文件。抽取、更新、检索怎么做抽取发生在三种情况下:1. 对话即将被压缩的时候这个时候会讲有价值的信息写入每日日志中。2. 你用 /new 或 /reset 命令开启一个新会话会将有价值的信息保存到会话快照中。3. 用户要求记忆时候自行判断存储在任意一种记忆中。检索会发生在下面两种情况1. 开启一个新的对话就会将memory.md 都会被自动注入到 prompt而且还会去读今天和昨天的每日日志以获取最近的上下文。2. 当OpenClaw觉得有必要看记忆时会先调用memory search通过融合搜索关键词向量找到记忆所在地点再通过 memory get读取文件内容。那么更新发生什么时候呢我个人理解发生在抽取的时候就是决定记忆什么的时候。假如还是不太理解可以看下图现在你对记忆系统已经有一定了解了但说句心里话OpenClaw 的记忆系统问题不少1. 很费Token2. Markdown 没了记忆就消失3. 经常遗忘东西但真正的企业级记忆系统做了很多优化保证稳定性背后的技术值得任何一个喜欢技术的人搞懂下面我来分析分析企业级 Agent 记忆系统企业级 Agent 记忆系统AI 时代每一个程序员都该搞懂企业级 Agent 记忆系统背后的技术否则只会越来越没优势了。为什么呢因为大模型会不断吃掉我们的编程工作唯一的选择就是给大模型做配套。为了方便讲解我挑一个叫 EverOS 的开源方案来拆解之前说过了解一个记忆系统搞懂两个问题就够了那 EverOS 怎么回答这两个问题第一问记忆怎么分类通用框架是 3 类EverOS 在每一类下面又分得更细具体如下图1. 语义记忆长期记着你这个人是什么样分两层稳定特质你是夜猫子、是程序员、住北京这种长期不变的临时状态你今天熬了夜、这周特别忙、上周感冒了情景记忆分为种Episode剧情记忆把一段对话或任务梳理成的浓缩概要不是按天的流水账 例用户问怎么部署模型卡在环境变量折腾了 30 分钟EventLog事件日志把对话里的关键事实拆出来每条带时间戳 例2026-05-10 用户买了 Mac mini2026-05-12 用户绑了 GitHubForesight未来记跟时间有关的接下来——你说过要做的、它推断你之后会涉及的带有效时间到点能提醒 例下周五前把方案发出来程序性记忆分为两种Agent Case任务档案干完一次任务把想干什么 一步步怎么做的 一个质量分记下来例发邮件它先查通讯录、起草、让你确认、再发出去——这一套连同质量分一起存档Agent Skill蒸馏技能同类任务做过几次后自动从这些档案里蒸馏出通用打法还带个成熟度分做得越多越靠谱例做过 5 次邮件任务它学会先看收件人是不是关键人物再决定语气正式还是随意可以看到原本 3 类EverOS 拆成 6 种能装的东西更精细记忆更加有效果而且与人类的记忆更加相似会预测未来会总结精进技能。第二问抽取、更新、检索怎么做如何抽取记忆EverOS 自动判断这一段讲完了没有讲完就切下来打包成一个记忆单元。每个单元里装 4 样东西剧情这一段聊了什么、做了什么——一段浓缩的概要不是原话照搬关键事实里面有哪些值得单独拎出来记的事未来记你说过要做的、它推断你之后会涉及的带上有效时间到点能提醒上下文标签什么时候、在哪、可信度多高、当时什么情绪你不用管它自己切分如何更新记忆呢举个例子一个月之前你跟 AI 助手聊天时先说我最近准备健身。两周后你又说最近忙没去健身房。今天你说算了不健身了。普通方案是三条都堆进日志到时候大模型检索出来哪条就认为哪条是事实。但事实上答案应该是最新的一条。而 EverOS 靠的是「语义巩固Semantic Consolidation」做三件事自动判断哪条是最新的健身已经停了重复的、说的是同一件事的合到一起维护一份你的用户画像把稳定偏好和临时状态分开存这一步官方叫 Profile Evolution具体如下图所示如何检索记忆呢EverOS 给你 4 种检索方式按场景选关键词精确匹配词适合查具体的名字、ID向量搜索按语义找同样的意思不同的词也能匹配混合关键词 向量一起跑再用一个重排rerank模型筛一遍——官方推荐的默认档Agentic复杂的多部分问题才上LLM 自己判断该搜什么、怎么搜来回多次直到找到hybrid 不够用时才用它但 4 种方法不是关键关键是它的检索逻辑普通方案是被动匹配你给关键词它返回匹配的文档就完事了EverOS 是主动重建上下文1. 先分析你这次想干什么2. 激活相关的主题场景3. 过滤过期信息例如1 年前的旧偏好可能已经失效4. 一直迭代搜索直到信息够用为止普通方案就像搜索引擎那种搜一下就交差EverOS会反复换角度去找找到足够的信息为止EverOS 在长程记忆评测 LoCoMo 上拿了 93.05% 的总体准确率用 GPT-4.1-mini把对比方案 Zep 的 85.22% 甩开了将近 8 个百分点。读完这一节相信你对生产级 Agent 记忆系统应该有数了但是在实际工程中如何落地用记忆系统可以做什么事情呢实际生产落地接下来我继续用这个开源项目讲解原因有两个API 免费开放、仓库带 20 个真实案例太适合讲落地简单说一个代码上的用法但这个项目作为Agent的基础设施有着极为价值的真实使用案例。而且这些案例全部开源可以直接学习回到文章开头那三个问题记忆系统是什么openclaw记忆系统如何企业级别方案是啥样看到这里你应该都有答案了。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取