对话记忆的层次
OpenClaw 的对话记忆分为三个层次：
- 短期记忆：当前对话的上下文窗口
- 会话记忆：单个用户的对话历史
- 长期记忆：跨会话的持久化知识
短期记忆：上下文窗口
每次 AI 回复时，OpenClaw 会将最近的对话历史发送给模型。上下文窗口的大小由模型决定：
| 模型 | 上下文窗口 |
|---|---|
| Claude Sonnet 4.6 | 200K tokens |
| GPT-4o | 128K tokens |
| Qwen-Max | 128K tokens |
| Qwen-Turbo | 32K tokens |
配置上下文长度
{
conversation: {
maxContextTokens: 8000, // 发送给模型的最大 token 数
maxHistoryMessages: 50, // 保留的最大历史消息数
systemPrompt: "你是一个有帮助的 AI 助手。"
}
}
maxContextTokens 控制实际发送给模型的 token 数量。设得太小会让 AI "失忆"，设得太大会增加成本和延迟。
推荐值：
- 日常对话：4000-8000
- 技术协助：8000-16000
- 长文创作：16000-32000
会话记忆：对话历史
OpenClaw 默认将对话历史保存在本地：
{
conversation: {
storage: "local", // local | redis | postgres
historyRetention: "30d", // 历史保留时长
separateByChannel: true // 每个频道独立会话
}
}
会话隔离策略
{
conversation: {
isolation: "user", // user | channel | global
}
}
user：每个用户独立会话（推荐）channel：每个频道一个共享会话global：所有频道和用户共享一个会话
手动管理会话
用户可以通过命令管理自己的会话：
/new— 开始新对话，清除当前上下文/history— 查看对话历史/export— 导出对话记录
长期记忆：持久化知识
长期记忆让 AI 记住跨会话的信息，例如用户偏好、项目背景等。
启用长期记忆
需要安装 Memory Skill：
clawhub install memory
配置：
{
skills: {
memory: {
backend: "local", // local | redis
maxMemories: 1000, // 最大记忆条数
autoSummarize: true, // 自动提炼关键信息
relevanceThreshold: 0.7 // 记忆相关性阈值
}
}
}
记忆的工作方式
- 自动存储：AI 在对话中识别到值得记住的信息时，自动存储为记忆
- 自动召回：新对话开始时，AI 根据上下文检索相关记忆
- 手动管理：用户可以通过
/remember和/forget命令管理
示例对话：
用户：我叫张三，是一名后端工程师，主要用 Go 语言
AI：好的张三，已经记住了你的信息。
---（新的对话）---
用户：帮我写一个 HTTP 服务器
AI：好的张三，我用 Go 帮你写一个 HTTP 服务器...
系统提示词优化
系统提示词是影响 AI 行为的关键。OpenClaw 支持多级系统提示词：
{
conversation: {
systemPrompt: "你是 OpenClaw AI 助手。",
channelPrompts: {
telegram: "用户通过 Telegram 联系你，请保持回复简洁。",
webchat: "用户通过网页联系你，可以使用 Markdown 格式。"
}
}
}
提示词模板变量
系统提示词支持动态变量：
{
conversation: {
systemPrompt: "你是 的 AI 助手。当前时间：。用户：。"
}
}
可用变量：
- ``：品牌名称
- ``：当前时间
- ``：用户名
- ``：当前频道
- ``：用户语言
性能优化建议
- 合理设置 maxContextTokens：不是越大越好，找到质量和成本的平衡点
- 启用 autoSummarize：长对话自动压缩历史，保留关键信息
- 按频道隔离：避免不同场景的对话互相干扰
- 定期清理历史：设置
historyRetention自动清理过期数据