OpenClaw 智能进阶指南：用底层配置文件重塑 AI 代理

我们在使用 OpenClaw 时都有过这样的困惑：明明安装了许多强大的 Skills（技能），API 也是最贵的，但代理的表现却依然笨拙，只能被动响应，无法主动思考，甚至经常重复提问。这并不一定是大模型本身的能力不足，也不是插件质量问题，核心原因在于忽略了系统底层的“灵魂”配置。真正决定 OpenClaw 智商上限的，不是昂贵的模型调用，而是那些藏在 /.openclaw/workspace/ 目录下不起眼的 .md 配置文件。本文将深入拆解这些核心文件的功能与配置逻辑，带你通过修改底层配置，彻底告别 AI 代理的机械感。
OpenClaw 的所有核心逻辑都存储在工作空间目录(**/.openclaw/workspace/** )下。如果不熟悉命令行界面的话，也可以在 WebUI界面查看和编辑。位置如下图：
alt text
打开这个目录，我们会看到如下层级的文件结构，每个文件都承担着不同的职责：

AGENTS.md：LLM的工作手册，代理调度规则与标准作业程序。
BOOTSTRAP.md：初始化序列与核心系统提示词。
HEARTBEAT.md：定时执行逻辑与主动任务状态自检。
IDENTITY.md：代理身份定义与系统边界约束。
MEMORY.md：长期上下文数据与既定规则的持久化存储。
SOUL.md：LLM的性格，响应语气、行为特征及输出格式配置。
TOOLS.md：工具授权注册表及调用参数规范。
USER.md：用户(你的)画像数据，包含特定偏好与交互限制配置。
memory/：存储日常运行日志与短期上下文。
skills/：已安装的第三方技能扩展目录。
今天我们介绍 MEMORY.md 文件，这是 OpenClaw 的核心文件。

什么是 MEMORY.md？

要知道 memory.md 的含义，首先我们要理解 OpenClaw 记忆是智能体工作空间中的纯 Markdown 文件。这些文件是唯一的事实来源；模型只”记住”写入磁盘的内容。
记忆搜索工具由活动的记忆插件提供（默认：memory-core）。使用 plugins.slots.memory = “none” 禁用记忆插件。

而默认工作空间布局使用两个记忆层：

memory/YYYY-MM-DD.md

每日日志（仅追加）。在会话开始时读取今天和昨天的内容。

MEMORY.md（可选）

精心整理的长期记忆。
仅在主要的私人会话中加载（绝不在群组上下文中加载）。
这些文件位于工作空间下（agents.defaults.workspace，默认 ~/.openclaw/workspace）。完整布局参见智能体工作空间。

何时写入记忆

决策、偏好和持久性事实写入 MEMORY.md。
日常笔记和运行上下文写入 memory/YYYY-MM-DD.md。
如果有人说”记住这个”，就写下来（不要只保存在内存中）。
这个领域仍在发展中。提醒模型存储记忆会有帮助；它会知道该怎么做。
如果你想让某些内容持久保存，请要求机器人将其写入记忆。

自动记忆刷新（压缩前触发）

当会话接近自动压缩时，OpenClaw 会触发一个静默的智能体回合，提醒模型在上下文被压缩之前写入持久记忆。默认提示明确说明模型可以回复，但通常 NO_REPLY 是正确的响应，因此用户永远不会看到这个回合。
这由 agents.defaults.compaction.memoryFlush 控制：

{
  agents: {
    defaults: {
      compaction: {
        reserveTokensFloor: 20000,
        memoryFlush: {
          enabled: true,
          softThresholdTokens: 4000,
          systemPrompt: "Session nearing compaction. Store durable memories now.",
          prompt: "Write any lasting notes to memory/YYYY-MM-DD.md; reply with NO_REPLY if nothing to store.",
        },
      },
    },
  },
}

详情：

软阈值：当会话 token 估计超过 contextWindow - reserveTokensFloor - softThresholdTokens 时触发刷新。
默认静默：提示包含 NO_REPLY，因此不会发送任何内容。
两个提示：一个用户提示加一个系统提示附加提醒。
每个压缩周期刷新一次（在 sessions.json 中跟踪）。
工作空间必须可写：如果会话以 workspaceAccess: “ro” 或 “none” 在沙箱中运行，则跳过刷新。
完整的压缩生命周期参见会话管理 + 压缩。

向量记忆搜索

OpenClaw 可以在 MEMORY.md 和 memory/*.md（以及你选择加入的任何额外目录或文件）上构建小型向量索引，以便语义查询可以找到相关笔记，即使措辞不同。
默认值：

默认启用。
监视记忆文件的更改（去抖动）。
默认使用远程嵌入。如果未设置 memorySearch.provider，OpenClaw 自动选择：
1. 如果配置了 memorySearch.local.modelPath 且文件存在，则使用 local。
2. 如果可以解析 OpenAI 密钥，则使用 openai。
3. 如果可以解析 Gemini 密钥，则使用 gemini。
4. 否则记忆搜索保持禁用状态直到配置完成。
本地模式使用 node-llama-cpp，可能需要运行 pnpm approve-builds。
使用 sqlite-vec（如果可用）在 SQLite 中加速向量搜索。
远程嵌入需要嵌入提供商的 API 密钥。OpenClaw 从身份验证配置文件、models.providers.*.apiKey 或环境变量解析密钥。Codex OAuth 仅涵盖聊天/补全，不满足记忆搜索的嵌入需求。对于 Gemini，使用 GEMINI_API_KEY 或 models.providers.google.apiKey。使用自定义 OpenAI 兼容端点时，设置 memorySearch.remote.apiKey（以及可选的 memorySearch.remote.headers）。

额外记忆路径

如果你想索引默认工作空间布局之外的 Markdown 文件，添加显式路径：

agents: {
  defaults: {
    memorySearch: {
      extraPaths: ["../team-docs", "/srv/shared-notes/overview.md"]
    }
  }
}

说明：

路径可以是绝对路径或工作空间相对路径。
目录会递归扫描 .md 文件。
仅索引 Markdown 文件。
符号链接被忽略（文件或目录）。

Gemini 嵌入（原生）

将提供商设置为 gemini 以直接使用 Gemini 嵌入 API：

agents: {
  defaults: {
    memorySearch: {
      provider: "gemini",
      model: "gemini-embedding-001",
      remote: {
        apiKey: "YOUR_GEMINI_API_KEY"
      }
    }
  }
}

说明：

remote.baseUrl 是可选的（默认为 Gemini API 基础 URL）。
remote.headers 让你可以在需要时添加额外的标头。
默认模型：gemini-embedding-001。
如果你想使用自定义 OpenAI 兼容端点（OpenRouter、vLLM 或代理），可以使用 remote 配置与 OpenAI 提供商：

agents: {
  defaults: {
    memorySearch: {
      provider: "openai",
      model: "text-embedding-3-small",
      remote: {
        baseUrl: "https://api.example.com/v1/",
        apiKey: "YOUR_OPENAI_COMPAT_API_KEY",
        headers: { "X-Custom-Header": "value" }
      }
    }
  }
}

如果你不想设置 API 密钥，使用 memorySearch.provider = "local" 或设置 memorySearch.fallback = "none"。
备选：

memorySearch.fallback 可以是 openai、gemini、local 或 none。
备选提供商仅在主嵌入提供商失败时使用。
批量索引（OpenAI + Gemini）：
OpenAI 和 Gemini 嵌入默认启用。设置 agents.defaults.memorySearch.remote.batch.enabled = false 以禁用。
默认行为等待批处理完成；如果需要可以调整 remote.batch.wait、remote.batch.pollIntervalMs 和 remote.batch.timeoutMinutes。
设置 remote.batch.concurrency 以控制我们并行提交多少个批处理作业（默认：2）。
批处理模式在 memorySearch.provider = "openai" 或 “gemini” 时适用，并使用相应的 API 密钥。
Gemini 批处理作业使用异步嵌入批处理端点，需要 Gemini Batch API 可用。

为什么 OpenAI 批处理快速又便宜：

对于大型回填，OpenAI 通常是我们支持的最快选项，因为我们可以在单个批处理作业中提交许多嵌入请求，让 OpenAI 异步处理它们。
OpenAI 为 Batch API 工作负载提供折扣定价，因此大型索引运行通常比同步发送相同请求更便宜。
详情参见 OpenAI Batch API 文档和定价：
- https://platform.openai.com/docs/api-reference/batch
- https://platform.openai.com/pricing
  配置示例：

agents: {
  defaults: {
    memorySearch: {
      provider: "openai",
      model: "text-embedding-3-small",
      fallback: "openai",
      remote: {
        batch: { enabled: true, concurrency: 2 }
      },
      sync: { watch: true }
    }
  }
}

工具：

memory_search — 返回带有文件 + 行范围的片段。
memory_get — 按路径读取记忆文件内容。
本地模式：
设置 agents.defaults.memorySearch.provider = “local”。
提供 agents.defaults.memorySearch.local.modelPath（GGUF 或 hf: URI）。
可选：设置 agents.defaults.memorySearch.fallback = “none” 以避免远程回退。

记忆工具的工作原理

memory_search 从 MEMORY.md + memory/**/*.md 语义搜索 Markdown 块（目标约 400 个 token，80 个 token 重叠）。它返回片段文本（上限约 700 个字符）、文件路径、行范围、分数、提供商/模型，以及我们是否从本地回退到远程嵌入。不返回完整文件内容。
memory_get 读取特定的记忆 Markdown 文件（工作空间相对路径），可选从起始行开始读取 N 行。MEMORY.md / memory/ 之外的路径仅在明确列在 memorySearch.extraPaths 中时才允许。
两个工具仅在智能体的 memorySearch.enabled 解析为 true 时启用。

索引内容（及时机）

文件类型：仅 Markdown（MEMORY.md、memory/**/*.md，以及 memorySearch.extraPaths 下的任何 .md 文件）。
索引存储：每个智能体的 SQLite 位于 ~/.openclaw/memory/.sqlite（可通过 agents.defaults.memorySearch.store.path 配置，支持 {agentId} 令牌）。
新鲜度：监视器监视 MEMORY.md、memory/ 和 memorySearch.extraPaths，标记索引为脏（去抖动 1.5 秒）。同步在会话开始时、搜索时或按间隔安排，并异步运行。会话记录使用增量阈值触发后台同步。
重新索引触发器：索引存储嵌入的提供商/模型 + 端点指纹 + 分块参数。如果其中任何一个发生变化，OpenClaw 会自动重置并重新索引整个存储。

混合搜索（BM25 + 向量）

启用时，OpenClaw 结合：

向量相似度（语义匹配，措辞可以不同）
BM25 关键词相关性（精确令牌如 ID、环境变量、代码符号）
如果你的平台上全文搜索不可用，OpenClaw 会回退到纯向量搜索。

为什么使用混合搜索？

向量搜索擅长”这意味着同一件事”：

“Mac Studio gateway host” vs “运行 gateway 的机器”
“debounce file updates” vs “避免每次写入都索引”
但它在精确的高信号令牌上可能较弱：
ID（a828e60、b3b9895a…）
代码符号（memorySearch.query.hybrid）
错误字符串（“sqlite-vec unavailable”）
BM25（全文）正好相反：擅长精确令牌，弱于释义。混合搜索是务实的中间地带：同时使用两种检索信号，这样你可以在”自然语言”查询和”大海捞针”查询上都获得好结果。

我们如何合并结果（当前设计）

实现概述：

从双方检索候选池：

向量：按余弦相似度取前 maxResults * candidateMultiplier 个。
BM25：按 FTS5 BM25 排名取前 maxResults * candidateMultiplier 个（越低越好）。
将 BM25 排名转换为 0..1 范围的分数：
$$textScore = 1 / (1 + max(0, bm25Rank))$$
按块 id 合并候选并计算加权分数：
$$finalScore = vectorWeight * vectorScore + textWeight * textScore$$
说明：
在配置解析中 vectorWeight + textWeight 归一化为 1.0，因此权重表现为百分比。
如果嵌入不可用（或提供商返回零向量），我们仍然运行 BM25 并返回关键词匹配。
如果无法创建 FTS5，我们保持纯向量搜索（不会硬失败）。
这不是”IR 理论完美”的，但它简单、快速，并且往往能提高真实笔记的召回率/精确率。如果我们以后想要更复杂的方案，常见的下一步是倒数排名融合（RRF）或在混合之前进行分数归一化（最小/最大或 z 分数）。
配置：

agents: {
  defaults: {
    memorySearch: {
      query: {
        hybrid: {
          enabled: true,
          vectorWeight: 0.7,
          textWeight: 0.3,
          candidateMultiplier: 4
        }
      }
    }
  }
}
```
## 嵌入缓存
OpenClaw 可以在 SQLite 中缓存块嵌入，这样重新索引和频繁更新（特别是会话记录）不会重新嵌入未更改的文本。
配置：
```json
agents: {
  defaults: {
    memorySearch: {
      cache: {
        enabled: true,
        maxEntries: 50000
      }
    }
  }
}
```
## 会话记忆搜索（实验性）
你可以选择性地索引会话记录并通过 memory_search 呈现它们。 这由实验性标志控制。
```json
agents: {
  defaults: {
    memorySearch: {
      experimental: { sessionMemory: true },
      sources: ["memory", "sessions"]
    }
  }
}
```json
说明：
会话索引是选择加入的（默认关闭）。
会话更新被去抖动并在超过增量阈值后异步索引（尽力而为）。
memory_search 永远不会阻塞索引；在后台同步完成之前，结果可能略有延迟。
结果仍然只包含片段；memory_get 仍然仅限于记忆文件。
会话索引按智能体隔离（仅索引该智能体的会话日志）。
会话日志存储在磁盘上（~/.openclaw/agents/<agentId>/sessions/*.jsonl）。任何具有文件系统访问权限的进程/用户都可以读取它们，因此将磁盘访问视为信任边界。对于更严格的隔离，在单独的操作系统用户或主机下运行智能体。
增量阈值（显示默认值）：
```json
agents: {
  defaults: {
    memorySearch: {
      sync: {
        sessions: {
          deltaBytes: 100000,   // ~100 KB
          deltaMessages: 50     // JSONL 行数
        }
      }
    }
  }
}
```json
SQLite 向量加速（sqlite-vec）
当 sqlite-vec 扩展可用时，OpenClaw 将嵌入存储在 SQLite 虚拟表（vec0）中，并在数据库中执行向量距离查询。这使搜索保持快速，无需将每个嵌入加载到 JS 中。
配置（可选）：
```json
agents: {
  defaults: {
    memorySearch: {
      store: {
        vector: {
          enabled: true,
          extensionPath: "/path/to/sqlite-vec"
        }
      }
    }
  }
}
```json
说明：
enabled 默认为 true；禁用时，搜索回退到对存储嵌入的进程内余弦相似度计算。
如果 sqlite-vec 扩展缺失或加载失败，OpenClaw 会记录错误并继续使用 JS 回退（无向量表）。
extensionPath 覆盖捆绑的 sqlite-vec 路径（对于自定义构建或非标准安装位置很有用）。

本地嵌入自动下载
默认本地嵌入模型：hf:ggml-org/embeddinggemma-300M-GGUF/embeddinggemma-300M-Q8_0.gguf（约 0.6 GB）。
当 memorySearch.provider = "local" 时，node-llama-cpp 解析 modelPath；如果 GGUF 缺失，它会自动下载到缓存（或 local.modelCacheDir，如果已设置），然后加载它。下载在重试时会续传。
原生构建要求：运行 pnpm approve-builds，选择 node-llama-cpp，然后运行 pnpm rebuild node-llama-cpp。
回退：如果本地设置失败且 memorySearch.fallback = "openai"，我们自动切换到远程嵌入（openai/text-embedding-3-small，除非被覆盖）并记录原因。

自定义 OpenAI 兼容端点示例
```json
agents: {
  defaults: {
    memorySearch: {
      provider: "openai",
      model: "text-embedding-3-small",
      remote: {
        baseUrl: "https://api.example.com/v1/",
        apiKey: "YOUR_REMOTE_API_KEY",
        headers: {
          "X-Organization": "org-id",
          "X-Project": "project-id"
        }
      }
    }
  }
}
```json
说明：
remote.* 优先于 models.providers.openai.*。
remote.headers 与 OpenAI 标头合并；键冲突时 remote 优先。省略 remote.headers 以使用 OpenAI 默认值。