Ch17: OpenClaw 记忆——Pre-Compaction Flush 与 Dreaming

Part 4: 生产级 Coding Agent 记忆系统 前置章节：Ch16: Codex 记忆——AI 驱动的批量整合 后续章节：Ch18: 八大记忆设计模式——从 Flush 到 Rules-as-Memory

17.1 一句话定位

OpenClaw 是腾讯 tRPC-Agent-Go 的 Coding Agent 模式，其独家创新是 Pre-Compaction Memory Flush——在上下文压缩（compaction）之前，主动运行嵌入式 agent 将重要信息 flush 到日记文件，是唯一显式将记忆保存前置于上下文压缩的生产方案。

17.2 日常类比：值班交接本

想象你是一个 24 小时值班的运维工程师，三班倒：

• Claude Code 的做法：每处理一个工单就记一条笔记（实时写入），换班时把所有笔记交给下一班
• Codex 的做法：处理工单时不记笔记，下班后统一整理当天所有工单的要点（批量整合）
• OpenClaw 的做法：处理工单时正常工作，但换班前必须把重要事项写在交接本上（Pre-Compaction Flush）

第三种做法的独特之处：它不是”随时记”也不是”事后整理”，而是在一个关键的临界时刻——换班——做一次主动的信息保存。为什么这个时刻关键？因为换班意味着你的工作记忆会被清空（对应 AI 的上下文压缩），如果不在清空前保存，重要信息就永久丢失。

类比的深层含义

换班（compaction）不是普通的时刻，而是一个信息生存的分水岭：

• 换班前保存的信息 → 存活在交接本（日记文件）中，下一班能看到
• 换班前没保存的信息 → 随着工作记忆清空而永久丢失

其他两个方案都没有显式关注这个分水岭：

• Claude Code 的 extractMemories 和 compaction 独立运行——extractMemories 可能还没跑完 compaction 就已经发生了
• Codex 的 Phase1 完全不关心 compaction 时机——记忆提取在 session 启动时，和 compaction 无关

只有 OpenClaw 显式地把”保存记忆”排在”压缩上下文”之前，确保不因压缩而丢失重要信息。

类比的边界

17.3 三层文件布局

OpenClaw 的记忆文件按时间稳定性和用途分为三层：

17.3.1 第一层：MEMORY.md（长期层）

# Memory

## Preferences
- Editor: vim keybindings
- Language: TypeScript preferred
- Style: functional over OOP

## Stable Knowledge
- tRPC: always define procedures with input/output schemas
- Go: use errgroup for concurrent goroutine error handling
- Docker: multi-stage builds for production images

## Project Conventions
- Monorepo: pnpm workspaces
- CI: GitHub Actions with caching

10000 字符的预算约等于 3000-4000 个中文字符或 200-300 行 markdown。比 Claude Code 的 MEMORY.md（25KB）和 Codex 的 memory_summary.md 都小，但 OpenClaw 的策略是”小而精”——只存真正核心的信息。

17.3.2 第二层：daily/YYYY-MM-DD.md（日记层）

# 2026-06-23

## 今日工作
- 修复了 login API 的认证 bug（token 过期未刷新）
- 给 user service 加了 retry 逻辑

## 学到的
- tRPC 的 middleware 执行顺序是洋葱模型：先入后出
- pnpm 的 hoist-pattern 配置影响 monorepo 依赖解析

## 遇到的问题
- Docker build 在 Apple Silicon 上需要 --platform linux/amd64
- GitHub Actions 的 cache key 需要包含 pnpm-lock.yaml 的 hash

## 待跟进
- [ ] login bug 的根因分析还没完成
- [ ] retry 逻辑需要加 exponential backoff

17.3.3 第三层：DREAMS.md（整合日志）

# Dreams Log

## 2026-06-22 Dream
- Consolidated 3 daily files (06-19, 06-20, 06-21)
- Promoted: "tRPC middleware onion model" → MEMORY.md
- Promoted: "pnpm hoist-pattern" → MEMORY.md
- Discarded: "临时 workaround for build error" (resolved)
- Memory budget: 8500/10000 chars (85%)

## 2026-06-15 Dream
- Consolidated 5 daily files (06-10 to 06-14)
- Promoted: "Docker multi-stage builds" → MEMORY.md
- Promoted: "GitHub Actions cache strategy" → MEMORY.md
- Discarded: "deprecated API endpoint" (no longer relevant)
- Memory budget: 7200/10000 chars (72%)

17.3.4 三层的协作关系

日记层（daily/*.md）
  │
  │ Pre-Compaction Flush ──→ 写入当天日记
  │
  │ Dreaming ──→ 晋升重要内容到长期层
  │            ──→ 淘汰过时内容
  │            ──→ 记录操作到 DREAMS.md
  │
  └──→ 长期层（MEMORY.md）
         │
         │ Budget Compaction ──→ 超预算时删除最旧段落
         │
         └──→ 注入 agent 上下文

关键洞察：信息流动方向是单向的——从日记层到长期层（晋升），不会从长期层回到日记层（降级）。这保证了长期层的内容质量始终在提升（只晋升不降级），而日记层是”草稿”——可以粗糙、可以重复、可以过时。

17.4 Pre-Compaction Memory Flush——核心创新

这是 OpenClaw 最独特的设计，值得深入拆解。

17.4.1 问题背景：Compaction 导致的信息丢失

所有长对话的 AI agent 都面临上下文窗口不够的问题。当对话累积的 token 数接近上下文窗口上限时，需要压缩（compaction）——用一个摘要替换前面的对话历史。

压缩的本质是有损压缩：100 轮对话的细节被压缩成一段摘要，必然丢失信息。问题在于：

• 用户在早期说的重要偏好（如”不要用 any 类型”）可能不在摘要中
• agent 在早期发现的关键事实（如”这个项目的数据库是 PostgreSQL”）可能被压缩掉
• 问题的排查线索可能分散在多轮对话中，压缩后线索断裂

17.4.2 Flush 机制详解

OpenClaw 的解决方案：在 compaction 前主动运行一次记忆保存。

对话进行中，上下文逐渐增长
  │
  ├─ token_count > compaction_threshold?
  │    │
  │    ├─ Yes → 触发 Pre-Compaction Flush
  │    │         │
  │    │         ├─ 1. 启动嵌入式 agent（比 forked agent 更轻量）
  │    │         ├─ 2. 扫描当前上下文，识别"重要信息"
  │    │         ├─ 3. 将重要信息写入 daily/YYYY-MM-DD.md
  │    │         ├─ 4. 等待 flush 完成（阻塞式，不是 fire-and-forget）
  │    │         │
  │    │         └─ 5. 执行 compaction
  │    │
  │    └─ No → 继续对话

关键细节：

1. Flush 是阻塞式的：必须等 flush 完成后才执行 compaction，确保信息已经安全写入文件
2. 嵌入式 agent：和 Claude Code 的 forked agent 类似但有区别——嵌入式 agent 共享当前 session 的完整上下文，而不是从 prompt cache 恢复
3. 重要性判断：由嵌入式 LLM 判断当前上下文中哪些信息值得保存

17.4.3 和 Claude Code extractMemories 的区别

最核心的区别：Claude Code 的 extractMemories 和 compaction 是两个独立进程，可能发生竞态——compaction 在 extractMemories 完成前就把上下文压缩了，导致 extractMemories 读不到完整的对话历史。OpenClaw 通过显式排序（flush → compaction）消除了这个竞态。

17.4.4 和 Codex Phase1 的区别

Codex 不关心 compaction 的原因：Codex 的记忆是全局共享的，Phase1 在下一个 session 启动时才处理上一个 session 的 rollout。这意味着 Codex 假设”当前 session 的上下文足够大，不需要 compaction”——如果确实需要 compaction，Codex 依赖 LLM 的摘要能力保留关键信息，但不做显式的记忆保存。

17.4.5 Flush 的局限性

Pre-Compaction Flush 不是完美的：

1. 重要性判断可能失误：嵌入式 LLM 可能把不重要信息当重要（浪费日记空间），或把重要信息当不重要（信息丢失）
2. 阻塞延迟：flush 完成前用户不能继续输入，如果嵌入式 agent 推理慢，用户体验受影响
3. 只防 compaction 丢失：如果 session 正常结束（不需要 compaction），flush 不触发——此时靠其他机制（如下次 session 的 Dreaming）保存信息
4. 日记层膨胀：频繁 compaction 的长对话可能产生大量日记条目，需要 Dreaming 及时整合

17.5 Flush 模型可独立配置

OpenClaw 允许独立配置 flush 使用的模型，这是一个实用的工程优化。

17.5.1 配置方式

memory:
  flush:
    model: "qwen2.5-7b"        # 用本地小模型做 flush
    max_tokens: 2048            # flush 输出预算
    temperature: 0.1            # 低温度，减少随机性
  dreaming:
    model: "deepseek-v3"        # 用更强模型做 Dreaming
    max_tokens: 4096

17.5.2 为什么 flush 可以用小模型？

flush 的任务是”从上下文中识别重要信息并写入日记”——这不需要深度推理，更像是信息提取：

• 识别重要性：基于启发式规则（如”用户显式声明的偏好”、”agent 发现的项目约定”、”报错信息”）
• 格式化输出：按日记模板写入，格式固定
• 不需要跨上下文推理：不需要比较”这条信息和上周的信息是否矛盾”

用 7B 参数的本地模型做 flush，推理延迟 <1s，成本几乎为零。而用 GPT-4 级模型做 flush，推理延迟 3-5s，成本 $0.01+/次。

17.5.3 为什么 Dreaming 不能用小模型？

Dreaming 的任务是”从日记中整合知识并晋升到长期层”——这需要更强的推理：

• 判断信息是否仍然有效：需要理解技术栈的版本变化
• 发现信息间的矛盾：需要跨条目推理
• 合并相似信息：需要语义理解能力
• 决定晋升/淘汰：需要价值判断

小模型在这些任务上表现明显差于大模型，因此 Dreaming 通常配置更强的模型。

17.5.4 模型配置的成本/质量权衡

第三种方案（flush 小 + Dreaming 大）是 OpenClaw 推荐的默认配置，也是实际生产中性价比最高的选择。

17.6 Memory Budget Compaction

当 MEMORY.md 超过 10000 字符预算时，需要压缩。OpenClaw 的方案比 Claude Code 的硬截断更温和。

17.6.1 触发条件

if (sizeof(MEMORY.md) > 10000 chars):
    trigger_budget_compaction()

17.6.2 压缩策略：按日期删最旧段落

MEMORY.md 超预算
  │
  ├─ 按段落时间戳排序（从旧到新）
  ├─ 删除最旧段落，直到总大小 <= 10000 chars
  ├─ 但跳过标记为 [persistent] 的段落
  └─ 被删除段落的信息保留在 DREAMS.md 审计日志中

关键设计：

1. 按时间顺序删除：最旧的信息最可能过时，最新的信息最可能有效——这是合理的默认假设
2. 保留手写内容：标记为 [persistent] 的段落不会被自动删除——用户显式标记的内容优先级最高
3. 审计日志：被删除的段落不是真的消失，而是记录在 DREAMS.md 中——如果发现误删，可以从 DREAMS.md 恢复

17.6.3 段落晋升机制

删除前会尝试”晋升”——把长段落压缩成短段落：

原始段落（300 字符）：
  "使用 pnpm workspaces 管理依赖。配置方法：在根目录
   创建 pnpm-workspace.yaml，列出 packages/*。注意
   hoist-pattern 配置影响依赖解析，需要显式声明..."

晋升后（80 字符）：
  "pnpm workspaces: pnpm-workspace.yaml + hoist-pattern 配置"

晋升由 LLM 完成（和 Dreaming 用同一个模型），压缩比约 3-4x。晋升的好处是保留了信息的”指针”——即使细节丢失，agent 知道”这个项目用 pnpm workspaces”这个事实，需要时可以查阅文档补全细节。

17.6.4 和 Claude Code 硬截断的对比

OpenClaw 的方案更温和因为：它不会突然丢弃信息（有晋升机制），有审计可追溯（DREAMS.md），用户可以显式保护重要内容（[persistent] 标记）。

17.6.5 Budget Compaction 的局限

• 晋升质量依赖 LLM——压缩可能丢失关键细节
• [persistent] 标记需要用户手动添加——如果用户忘记标记，重要内容可能被自动删除
• 审计日志本身也会增长——如果频繁压缩，DREAMS.md 可能变得很大

17.7 Dreaming 后台整合

Dreaming 是 OpenClaw 的后台整合机制，负责把日记层的重要内容晋升到长期层。

17.7.1 触发条件

和 autoDream 类似，有冷却期门槛：

if (days_since_last_dream > 1 && unread_daily_files > 0):
    trigger_dreaming()

17.7.2 Dreaming 流程

Dreaming 启动
  │
  ├─ 1. 扫描 daily/ 目录，找到未整合的日记文件
  ├─ 2. 对每个日记文件，由 Dreaming agent 评估每条信息的价值
  │     ├─ 价值高 + 长期有效 → 晋升到 MEMORY.md
  │     ├─ 价值中 + 可能有参考价值 → 保留在日记层
  │     └─ 价值低 + 已过时 → 标记为可删除
  ├─ 3. 晋升时检查 MEMORY.md 预算
  │     ├─ 预算充足 → 直接追加
  │     └─ 预算不足 → 先触发 Budget Compaction 再追加
  ├─ 4. 更新 DREAMS.md，记录晋升/淘汰决策
  └─ 5. 标记已处理的日记文件（避免重复处理）

17.7.3 晋升判断标准

Dreaming agent 判断一条信息是否值得晋升的标准：

17.7.4 Dreaming vs autoDream vs Phase2

17.8 与 DB-Agent-Memory 集成的三层协同问题

OpenClaw 的文件记忆系统不是孤立运行的——它需要和 DB-Agent-Memory（基于数据库的 agent 记忆）协同工作，形成三层记忆架构。

17.8.1 三层架构

L1: MEMORY.md（文件记忆，10KB）
  ↓ 慢但精
L2: DB-Agent-Memory（数据库记忆，结构化查询）
  ↓ 快但泛
L3: 上下文窗口（工作记忆，最快但最易失）

17.8.2 协同问题一：一致性

同一信息可能存在于三层中，如何保证一致？

场景：用户说”从现在开始用 ESM 不用 CommonJS”——这个偏好应该更新在所有三层中：

• L1：MEMORY.md 中的”模块系统”段落
• L2：DB 中的 user_preference 表
• L3：当前上下文窗口

如果只更新了 L1 而没更新 L2，下次 session 从 DB 查到的还是旧的 CommonJS 偏好。

OpenClaw 的策略：以 L1（文件记忆）为 source of truth，L2 是 L1 的索引和补充。更新时先写 L1，再异步同步到 L2。L3 在下次注入时自动从 L1 获取最新值。

17.8.3 协同问题二：查询路由

不同类型的查询应该路由到不同层：

路由错误的后果：

• 把偏好查询路由到 L2 → 可能查到过时数据（DB 同步有延迟）
• 把结构化查询路由到 L1 → 可能查不到（MEMORY.md 不存详细数据）
• 把当前对话查询路由到 L1/L2 → 一定查不到（工作记忆不在持久层）

17.8.4 协同问题三：冲突解决

当 L1 和 L2 对同一事实有不同记录时：

L1: "项目用 pnpm"
L2: "项目用 yarn"  （过时记录）

解决策略：L1 优先（文件记忆是 agent 直接维护的，更可信），L2 在检测到冲突时标记为”待验证”并异步更新。但这个策略不是完美的——如果 L1 的记录才是过时的（用户手动改了项目配置但没触发 flush），L2 的数据库记录（从实际文件系统扫描得到）可能更准确。

17.8.5 三层协同的现实挑战

• 运维复杂度：三层存储意味着三种备份/恢复策略、三种迁移路径、三种一致性检查
• 调试困难：行为异常时需要查三层的数据才能定位问题
• 性能开销：每次写入需要同步多层，每次读取需要路由决策

当前 OpenClaw 的方案偏实用主义——L1 是主记忆，L2 是辅助查询，L3 是工作记忆。三层不是平等协作，而是有明确的主次关系。

17.9 三个生产系统对比总结表

经过 Ch15-Ch17 的分析，我们对三个生产级 Coding Agent 的记忆系统有了全面了解。以下是关键维度的对比总结。

17.9.1 架构哲学

17.9.2 读取路径

17.9.3 写入路径

17.9.4 整合机制

17.9.5 独特优势和关键局限

17.9.6 信息安全保证

17.9.7 成本特征

17.10 从三个系统看记忆设计空间

三个生产系统不是孤立的方案，而是记忆设计空间中的三个点。通过对比，我们可以提炼出记忆设计的核心权衡维度。

17.10.1 核心权衡一：实时 vs 批量写入

实时 ←────────────────────→ 批量
Claude Code              Codex
   │                        │
   │  OpenClaw              │
   │  (临界时刻写入)         │
   └────────────────────────┘

• 实时：不丢短期信息，但碎片化和高日常成本
• 批量：整合质量高，但短期信息可能遗漏
• 临界时刻（OpenClaw）：在信息最可能丢失的时刻保存，是实时和批量的折中

17.10.2 核心权衡二：检索精度 vs 注入效率

高精度检索 ←──────────────→ 高效率注入
Claude Code              Codex + OpenClaw
(LLM语义筛选)            (全量注入摘要/索引)

• 高精度检索：只注入相关记忆，上下文效率高，但每次检索消耗一次 LLM 调用
• 高效率注入：全量注入，零检索成本，但可能注入无关信息浪费 token

17.10.3 核心权衡三：项目隔离 vs 全局共享

项目隔离 ←───────────────→ 全局共享
Claude Code              Codex
   │
   OpenClaw
   (层级隔离：日记项目级，长期全局级)

• 项目隔离：避免污染但复用受限
• 全局共享：复用方便但需要精细整合区分适用范围

17.10.4 核心权衡四：硬约束 vs 柔性淘汰

硬约束 ←─────────────────→ 柔性淘汰
Claude Code              Codex
(200文件硬上限)           (Citation驱动)
   │
   OpenClaw
   (预算+晋升+审计)

• 硬约束：简单可预测，但可能截断有用记忆
• 柔性淘汰：自适应，但有冷启动劣势和马太效应
• 预算 + 晋升 + 审计（OpenClaw）：最温和，但有运维复杂度

17.10.5 compaction 感知：被忽视的关键维度

三个系统对比揭示了一个被普遍忽视的维度：记忆系统是否感知上下文压缩的时机。

compaction 是长对话 AI agent 的必经之路，但在记忆系统设计中常被忽视。OpenClaw 的 Pre-Compaction Flush 提醒我们：记忆保存的时机和上下文压缩的时机有强关联，忽略这种关联可能导致信息在压缩的缝隙中丢失。

17.11 章节小结

OpenClaw 的记忆系统是一个Pre-Compaction Flush 驱动的临界保存方案，核心设计可以概括为四句话：

1. 三层布局：MEMORY.md（长期 10KB）+ daily/*.md（日记）+ DREAMS.md（审计），信息单向流动从日记到长期。
2. 核心创新 Pre-Compaction Flush：在 compaction 前阻塞式运行嵌入式 agent，将重要信息 flush 到日记文件——唯一显式将记忆保存前置于上下文压缩的方案，消除 compaction 导致的信息丢失竞态。
3. 温和的预算管理：Budget Compaction 按时间删最旧段落 + 段落晋升 + [persistent] 保护 + DREAMS.md 审计，比硬截断更温和，比柔性淘汰更可控。
4. 模型可配置：flush 用小模型降成本，Dreaming 用强模型保质量，是三个系统中模型配置最灵活的。

三个生产系统的对比揭示了一个核心洞察：记忆设计没有银弹，只有权衡。Claude Code 用实时写入换不丢信息，Codex 用批量整合换精炼质量，OpenClaw 用临界保存换 compaction 安全。每种选择都有代价，关键是在具体场景下选择代价最小的方案。

下一章我们将跳出具体系统，从更高视角审视记忆设计空间的全景——什么是好的记忆，什么是差的记忆，以及如何评估一个记忆系统的效果。

导读目录：README.md 上一章：Ch16: Codex 记忆——AI 驱动的批量整合 下一章：Ch18: 八大记忆设计模式——从 Flush 到 Rules-as-Memory