記憶是 Agent 從“無狀態(tài)工具”進化為“持續(xù)智能體”的核心基礎設施。如果說大模型是 Agent 的大腦，那么記憶系統就是它的硬盤——決定了 Agent 能否跨會話記住用戶偏好、從過往經驗中學習、以及在復雜任務中保持一致性。

本文將深入對比三個代表性項目的記憶系統設計：OpenClaw（通用 Agent 框架）、Claude Code（編程 Agent）和 Hermes Agent（自進化 Agent）。它們分別代表了三種不同的設計哲學——文件優(yōu)先的本地記憶、工程化的上下文壓縮、以及自主學習的閉環(huán)系統。

一、為什么記憶系統是 Agent 架構的核心瓶頸

在深入對比之前，有必要先理解記憶系統要解決的根本問題。大語言模型本質上是無狀態(tài)的推理引擎——每次調用都從零開始，Session 內有效，Session 外失憶。這導致三個工程級問題：

1. 1. 上下文污染：長對話會引入冗余指令、過期決策和錯誤假設殘留，模型越聊越不穩(wěn)定
2. 2. 經驗無法復用：用戶每次都要重復解釋項目結構、編碼規(guī)范和個人偏好
3. 3. 成本指數上升：上下文越長，Token 成本越高、推理延遲越大，質量反而下降

一個設計良好的記憶系統，需要在速度、成本和保真度之間尋求動態(tài)平衡。但不同場景對記憶的需求差異巨大——個人助手需要記住用戶偏好，企業(yè)客服需要多客戶隔離，編程 Agent 需要壓縮長對話，自進化 Agent 需要從經驗中提煉技能。

三個對比項目的定位差異如下：

二、OpenClaw：文件優(yōu)先的本地記憶架構

OpenClaw 代表了“逆數據庫”的設計思潮——拒絕將記憶黑盒化存入向量數據庫，而是用本地 Markdown 文件作為真理來源。這種設計的核心優(yōu)勢是透明、可控、可審計。

2.1 雙層記憶拓撲

OpenClaw 的記憶體系分為兩個獨立但協同的層次：

瞬時情境層：memory/YYYY-MM-DD.md 格式的每日日志，采用“僅追加”模式記錄當天所有對話。這一層不做任何過濾或壓縮，保留原始對話流用于后續(xù)回溯。

持久知識層：MEMORY.md 作為長期記憶的入口文件，存儲經過篩選、壓縮和固化的高價值信息。Agent 通過嚴格的“隱私門控”決定哪些瞬時記憶值得晉升到持久層。

這種分層設計的核心價值在于預壓縮——當會話 Token 觸及軟閾值時，觸發(fā)靜默的“智能體回合”，強制模型在遺忘前進行主動認知結晶。換句話說，OpenClaw 不會等到上下文爆滿才被動處理，而是在關鍵節(jié)點主動觸發(fā)記憶沉淀。

2.2 混合檢索算法

OpenClaw 摒棄了傳統的 RRF（倒數排名融合），采用保留原始分數幅度信號的混合檢索策略：

• • 向量檢索（70% 權重） ：利用 sqlite-vec 進行余弦相似度計算，捕獲語義層面的相關性
• • 關鍵詞檢索（30% 權重） ：利用 SQLite FTS5 進行精準匹配，確保專有名詞不被遺漏

這種權重分配背后的洞察是：在多數 Agent 場景中，“意思相近”比“用詞相同”更重要，但完全放棄關鍵詞匹配會導致技術術語丟失。

2.3 企業(yè)級擴展：memory-agentcore

OpenClaw 基礎版是為單用戶設計的——所有客戶的偏好混在同一個 MEMORY.md 里。這在多客戶服務場景下會引發(fā)嚴重問題：客戶 A 的“喜歡素色”和客戶 B 的“喜歡鮮艷”相互污染，Agent 召回的信息一團亂麻。

Amazon 開源的 memory-agentcore 插件解決了這個問題，在原有雙層架構上疊加了云端共享層：

該插件的核心創(chuàng)新是層級命名空間 + actorId 驅動的權限隔離。在多客戶面客模式下，通過 peerId 實現記憶按客戶自動隔離，同時支持跨 Agent 天然共享。導購 Agent 記錄的“客戶對化纖過敏”可以被客服 Agent 直接訪問，但客戶 B 永遠看不到客戶 A 的偏好。

2.4 2026.4.11 升級：主動記憶型運行時

2026 年 4 月，OpenClaw 完成了一次架構層面的重大升級，從“被動查詢”轉向“主動推送”模式：

新增的 Dreaming 模塊 實現了三大突破：

1. 1. 多源數據適配層：通過標準化適配器接口，支持 JSON、CSV、Markdown 等 12 種常見對話格式的自動解析
2. 2. 語義對齊算法：采用 BERT+BiLSTM 混合模型，將不同平臺的對話片段映射到統一語義空間
3. 3. 增量記憶更新：支持每秒處理 500+ 條歷史記錄的實時導入

Memory Palace（記憶宮殿）模塊 引入了三維空間記憶模型——用戶可以創(chuàng)建多達 200 個獨立記憶場景，通過 R-Tree 空間索引實現毫秒級檢索，甚至提供 Web 端 3D 編輯器進行可視化布局。

三、Claude Code：工程化的上下文壓縮記憶

Claude Code 是 Anthropic 推出的編程 Agent，其記憶系統設計的核心挑戰(zhàn)是：如何在極長的代碼生成會話中，在不丟失關鍵信息的前提下控制上下文窗口？  答案是一套精密的“多級壓縮 + 按需檢索”架構。

3.1 記憶文件體系

Claude Code 的記憶文件采用分類存儲策略：

每個記憶文件都是 Markdown 格式，通過 frontmatter 記錄類型、描述、修改時間等元數據。系統配置了嚴格的容量上限：

• • MEMORY.md 最大 200 行 / 25KB
• • 最大記憶文件數 200 個
• • 單次最多召回 5 條相關記憶

這些限制不是隨意的——200 行約等于 5-10 分鐘閱讀量，25KB 約 6000-8000 tokens，正好是 LLM 高效處理的甜區(qū)。

3.2 多級上下文壓縮機制

這是 Claude Code 記憶系統最具工程價值的部分。當 Token 使用量達到預設閾值時，系統按順序執(zhí)行四種壓縮模式，每種模式由獨立的 feature gate 控制：

第四級壓縮是最激進的——當上下文使用率達到 87% 時，系統會觸發(fā)一個獨立的“壓縮代理”，由該代理讀取當前完整上下文，生成一個 SystemCompactBoundaryMessage，然后用這個摘要消息替換原有上下文。這個設計的關鍵在于：壓縮本身也是由 Agent 完成的，而不是簡單的截斷或摘要算法。

3.3 記憶查詢流程

Claude Code 的記憶檢索采用“清單 + 模型選擇”模式，而非自動向量檢索：

1.用戶發(fā)起對話后，系統調用 loadMemoryPrompt() 加載記憶入口

2. scanMemoryFiles() 遍歷記憶目錄下所有 .md 文件，排除 MEMORY.md

3.解析每個文件的 frontmatter，提取 type、description、mtime 等字段

4.將掃描結果格式化為模型可讀的清單，由模型自主選擇最相關的 ≤5 條記憶

5.選中記憶與當前對話一起提交給模型生成回答

這種設計的優(yōu)勢是模型擁有選擇權——只有模型自己知道當前任務需要哪些歷史信息。缺點是每次都需要掃描所有記憶文件，但隨著記憶文件數量增加，掃描開銷也會線性增長。

3.4 claude-mem：第三方長期記憶擴展

除了 Claude Code 內置的記憶系統，社區(qū)還開發(fā)了 claude-mem 插件，為 Claude Code 增加長期記憶能力。其核心設計是“AI 壓縮 + 精準注入”：

• 全量記錄：捕獲 Claude 在 coding session 中的所有行為（對話、修改、決策路徑）
• AI 壓縮：將 5000 tokens 的原始上下文壓縮為 200 tokens 的高密度記憶片段，保留核心信息、丟棄冗余
• 精準注入：在未來交互中根據當前任務自動檢索相關記憶并注入 prompt

claude-mem 與 Claude Code 的關系可以這樣理解：Claude Code = 手，OpenClaw = 身體，claude-mem = 大腦記憶。它不是要替代 Claude Code 的內置記憶，而是在其之上疊加一層長期記憶能力。

3.5 后臺 Dream 整合機制

Claude Code 還有一個獨特的設計：Dream 整合（Dream Consolidation） 。對話結束后，系統在后臺異步執(zhí)行記憶整合：

• 讀取會話記錄（.jsonl 格式）
• 提取新知識存入對應類型的記憶文件
• 定期執(zhí)行“Dream 壓縮”——合并冗余條目、修剪過時信息、優(yōu)化記憶結構
• 使用鎖文件（.consolidate-lock）防止并發(fā)沖突

這個機制的命名致敬了人類睡眠中的記憶鞏固過程——白天的經歷在睡眠中被重新激活、篩選、固化到長期存儲中。

四、Hermes Agent：自主進化的記憶系統

Hermes Agent 代表了第三代 Agent 記憶系統的設計方向：Self-Improving——不僅記住信息，更從經驗中提煉可復用的技能，讓 Agent 越用越強。上線不到半年 GitHub 星標破 10 萬，是目前增長最快的 Agent 項目之一。

4.1 Memory：聲明式事實存儲

Hermes 的 Memory 系統設計極為克制——只有兩個純文本文件，用 § 分隔條目：

~/.hermes/memories/
├── MEMORY.md    # Agent 的環(huán)境認知（項目約定、工具怪癖、環(huán)境細節(jié)）
└── USER.md      # Agent 對用戶的認知（偏好、溝通風格、工作習慣）

關鍵設計決策是嚴格的字符上限：MEMORY 限 2200 字符，USER 限 1375 字符。這迫使 Agent 只能記錄最高密度的信息，過時的條目會被新信息自然“擠掉”。

對比 OpenClaw 的純追加模式——幾個月后 MEMORY.md 可能膨脹成幾萬行的怪獸文件，找一句話需要通讀全文——Hermes 的做法是“被動淘汰”而非“主動清理”。當添加新條目會超限時，add 操作直接失敗，并返回當前所有條目給模型，由模型自己決定刪什么、改什么、合并什么：

if?new_total?>?limit:
????return?{
????????"success":?False,
????????"error":?f"Memory?at?{current:,}/{limit:,}?chars.?Adding?would?exceed?limit.",
????????"current_entries":?entries,??#?讓模型看到現有內容，自己決定如何整理
????}

這迫使模型進行主動的信息整理——本身就是一次“自我反思”過程。

另一個精妙設計是凍結快照機制：每次會話啟動時，Memory 加載后立刻捕獲一份快照，之后系統提示詞里用的都是這份快照，而非實時內容。這樣設計的原因是：系統提示詞在會話內不變可以共享前綴緩存（Prefix Cache），大幅節(jié)省 API 成本。新寫入的內容只改磁盤，下一個會話才刷新進來。

Memory 的寫入遵循“聲明式事實”原則——提示詞中明確要求：

• ? “User prefers concise responses”（用戶偏好簡潔回復）
• ? “Always respond concisely”（始終簡潔回復）

前者是可供推理的偏好，后者是僵硬的指令。Memory 只存前者，保持 Agent 的靈活性。

4.2 Skill：程序性記憶與自主進化

如果說 Memory 是“知道什么”，Skill 就是“會做什么”。這是 Hermes 與 OpenClaw 最核心的差異所在。

OpenClaw 也有 Skill 系統（SKILL.md + YAML frontmatter），但 Skill 要么是用戶手寫的，要么是從社區(qū)裝的——Agent 本身不會從工作中學習任何東西。干了一百次部署，第一百零一次犯的錯跟第一次一模一樣。

Hermes 的設計是：Agent 在完成任務后，自動將踩坑經驗提煉成可復用的 Skill。每個 Skill 是一個目錄，核心是 SKILL.md 文件：

---
name:?flask-k8s-deploy
description:?Deploy?a?Flask?app?to?Kubernetes?with?health?checks
version:?1.0.0
---
#?Flask?K8s?Deployment
##?When?to?use
-?User?wants?to?deploy?a?Flask/Python?app?to?Kubernetes
##?Steps
1.?Create?Dockerfile?with?gunicorn?(not?dev?server)
2.?Build?and?push?image?to?registry?BEFORE?creating?deployment
3.?Write?deployment.yaml?with?livenessProbe?pointing?to?/health
...
##?Pitfalls
-?MUST?push?image?to?registry?before?kubectl?apply,?otherwise?ImagePullBackOff
-?Flask?默認沒有?/health?端點，需要手動添加

Pitfalls 這一節(jié)不是預先寫好的，而是 Agent 踩坑后追加的——這就是 Skill 層面的“自我進化”。

創(chuàng)建 Skill 的觸發(fā)條件在 skill_manage 工具的 schema 中明確定義：

• 復雜任務成功完成（工具調用超過 5 次）
• 成功克服了錯誤
• 用戶糾正的方法驗證有效
• 發(fā)現了非簡單的工作流

同時有一條關鍵規(guī)則：如果使用 Skill 時遇到了 Skill 沒覆蓋的問題，立即用 patch 操作更新它，不要等用戶提醒。  這確保了 Skill 會隨著使用不斷精化。

Skill 的更新不是簡單的追加，而是版本化的差異管理——Agent 可以對比新舊版本，只更新變化的部分，保留完整的歷史演進軌跡。

4.3 三層記憶架構

Hermes 官方文檔中描述了三層記憶系統：

會話記憶使用時間衰減算法自動清理過期數據；持久記憶通過增量學習機制避免災難性遺忘；技能記憶支持版本控制和差異比對，當檢測到重復性任務時自動提煉為標準化技能模板。

4.4 閉環(huán)系統：Nudge Engine

連接 Memory 和 Skill 的是 Nudge Engine——一個定時運行的提醒機制，定期觸發(fā) Agent 進行“反思”：

• 回顧最近完成的任務
• 檢查是否有值得提煉的操作模式
• 如果發(fā)現重復性工作，創(chuàng)建或更新相關 Skill
• 清理過時的 Memory 條目

這個閉環(huán)系統是 Hermes “自主進化”能力的工程化實現：Memory 提供事實基礎 → 任務執(zhí)行積累經驗 → Skill 提煉可復用流程 → 下次任務更高效 → 繼續(xù)發(fā)現新的可提煉點。

五、三種架構的對比分析

5.1 設計哲學對比

5.2 核心差異：信息密度的處理

三種架構最本質的差異在于對信息密度的不同處理方式：

OpenClaw 采用“文件即真理”的低密度存儲。所有信息都以原始或接近原始的形式存入 Markdown，優(yōu)勢是完全透明、可審計、可 Git 管理；劣勢是文件會無限膨脹，檢索效率隨數據量增長而下降。

Claude Code 采用“按需壓縮”的中密度策略。通過四級壓縮機制在運行時動態(tài)決定信息的詳細程度——不常用的信息被高度壓縮，關鍵信息保留完整。這是最工程化的方案。

Hermes 采用“認知分層”的高密度策略。Memory 和 Skill 的分離本身就是一種認知壓縮——Memory 存聲明式事實（知道什么），Skill 存過程性知識（會做什么）。嚴格的字符上限迫使模型只保留最高密度的信息。

5.3 適用場景對比

5.4 三種架構的可組合性

值得強調的是，這三種架構不是互斥的。實際生產系統可以根據需求組合使用：

• OpenClaw 的文件層 + Claude Code 的壓縮機制：用 Markdown 存儲原始數據，但在上下文注入前執(zhí)行分級壓縮
• Hermes 的 Skill 系統 + OpenClaw 的工具生態(tài)：讓 OpenClaw 的技能也能自我進化
• Claude Code 的 Dream 整合 + memory-agentcore 的云端共享：編程 Agent 的經驗可以被團隊其他 Agent 復用

六、總結與展望

OpenClaw、Claude Code 和 Hermes Agent 分別代表了 Agent 記憶系統演進的三代思路：

• 第一代（OpenClaw） ：文件即記憶。簡單、透明、可控，但缺少智能化的信息管理
• 第二代（Claude Code） ：工程化壓縮。通過多級壓縮在有限上下文中塞入更多信息，但 Agent 本身不學習
• 第三代（Hermes） ：自主進化。Agent 不僅使用記憶，還能從經驗中提煉技能，實現能力增長

未來的 Agent 記憶系統可能會向三個方向演進：

1. 混合架構：在文件系統基礎上構建輕量級索引層，兼顧透明度和檢索效率

2. 聯邦記憶網絡：實現跨實例的記憶共享與協作，形成“集體智能”

3. 量子化記憶壓縮：將記憶存儲需求降低 70% 以上，讓長時間跨度的記憶成為可能

正如 HN 上一個高贊評論所說：“Data Is the Final Moat”——當模型智能被商品化、Agent 框架被開源，真正的護城河是 Agent 在工作中積累的領域知識。記憶系統的設計，將直接決定這條護城河的深度和寬度。

以上就是深度對比OpenClaw,Claude Code與Hermes Agent的AI Agent記憶系統架構設計的詳細內容，更多關于OpenClaw,Claude Code與Hermes Agent對比的資料請關注腳本之家其它相關文章！

最新評論