给 OpenClaw 加长期记忆时，最容易做错的 7 个地方

长期记忆这个方向很容易让人兴奋，因为它看起来像是在给系统补“大脑”。

但在真实项目里，长期记忆更像一套很容易做脏的基础设施。下面这 7 个错误，是最常见也最伤系统稳定性的。

1. 把“存得多”误当成“记得住”

这是最常见的起手错误。

很多系统一开始就做：

• 全量聊天入库
• 全量日志入库
• 全量文档切片入库

看起来像是在积累能力，实际上是在积累噪声。

真正的长期记忆不是“保留一切”，而是“保留对后续任务持续有用的部分”。

2. 不区分事实、状态、知识和归档

如果你把这些内容都放进一个池子里，后面检索再聪明也很难完全补救：

• 当前有效约束
• 已过期任务状态
• 某次讨论里的推测
• 旧版本记录

这些内容结构不同、时效不同、权重不同，混在一起以后，模型很容易拿到“看着都像相关”的错误上下文。

3. 写入门槛太低

很多记忆污染，不是发生在检索时，而是发生在“写进去的那一刻”。

典型表现是：

• 模型猜测也写
• 一次性临时结论也写
• 没有验证的摘要也写
• 用户随口说过的话和明确约束同权写入

如果系统没有写入门槛，它早晚会变成一个高噪声垃圾池。

4. 新旧事实并存，却没有冲突处理

这是最危险的一类错误。

因为系统不会明显崩掉，它只是开始不稳定：

• 有时用旧规则
• 有时用新规则
• 有时两条都拿出来

最后你会发现，模型不是“不记得”，而是“记住了互相矛盾的东西”。

只要事实会变，就必须有：

• 版本关系
• 覆盖策略
• 历史退场机制

5. 过分相信向量召回能自动解决一切

向量检索很有用，但它最擅长的是“语义接近”，不是“当前有效”。

这意味着它对下面几类任务不天然靠谱：

• 查当前配置
• 查最新约束
• 查进行中的任务状态

这些内容更需要结构化状态查询，而不是只靠相似度。

如果你把“事实状态管理”也全交给向量召回，系统就会经常看起来很聪明，但关键时刻不可靠。

6. 没有遗忘机制

很多系统做了写入、做了检索、做了更新，却完全没做遗忘。

结果就是：

• 旧信息永远参与召回
• 冷门低价值条目不断拖慢系统
• 过时知识和当前知识混在一起

遗忘不是可选优化，而是长期记忆的基本防腐层。

哪怕你不删，也至少要做到：

• 过期退出默认召回
• 降级进入归档层
• 被覆盖后不再作为当前事实返回

7. 没有回退和人工确认机制

长期记忆一旦写错，影响往往会跨很多轮任务。

这和一次回复写错不一样。一次回复错了，改完就过去了；长期记忆错了，系统会持续带着这个错误做决策。

所以高风险更新至少要具备两样东西：

1. 可以回滚到旧版本
2. 可以把敏感更新送给人工确认

没有这两样，系统越自动，风险反而越大。

什么时候说明你该停下来修基础，而不是继续堆功能

如果你已经看到下面这些信号，就先别继续扩功能了：

• 同一个问题在不同时间召回不同规则
• 团队开始不信任系统给出的上下文
• 每次都要靠人工补充“你别信那个旧记忆”
• 新条目越来越多，但任务效果没明显改善

这说明问题不在于“记忆还不够多”，而在于基础机制已经偏了。

一个更现实的修正顺序

如果你已经踩坑了，我建议按这个顺序修：

1. 暂停低质量自动写入
2. 先把状态事实和知识摘要拆层
3. 给事实更新加版本和覆盖关系
4. 给过期信息加退出默认召回机制
5. 最后再优化召回排序

这个顺序看起来保守，但通常比“继续上更高级检索”有效得多。

延伸阅读

• 如何给 OpenClaw 打造一套能解决实际问题的长期记忆系统
• OpenClaw 长期记忆系统的设计思路：记忆写入、检索、更新与遗忘怎么分层
• 如何验证一套 AI 长期记忆系统真的在解决问题