搞技术的朋友们好今天聊个底层问题。你有没有遇过这种场景跟 Agent 对话到第 20 轮突然发现它把你前面说的关键规则忘得一干二净。你确认它说过好的我记住了但它就是记不住。这不是 bug。这是语言模型的先天缺陷。每次调用从零开始。没有状态没有延续没有记忆。就像一个每天早上醒来都不认识你的同事——能力很强但你每次都得从头交代一遍。所有 Agent 框架要解决的第一个问题不是用什么模型而是怎么让这个失忆症患者记住东西。三个主流框架——OpenClaw、Claude Code、Hermes Agent——给出了三条完全不同的路。拆开看挺有意思。模型失忆症一个被忽视的致命缺陷大部分人关注 Agent 的推理能力、工具调用、多步规划。但很少有人认真想过一个前置问题它凭什么记得上一步做了什么答案是它不记得。Token 窗口就是它的全部短期记忆。窗口之外的信息对模型来说等于不存在。这个约束意味着每个 Agent 框架都必须自己搭一套外挂记忆系统回答四个核心问题哪些信息值得保留、存在哪里、怎么找到、怎么防止记忆变成垃圾。这四个问题的不同回答直接决定了框架的性格。把记忆拆开看学术界划了四个层级。上下文层是当前窗口里的内容开销最小但寿命最短外部层是存在模型之外的东西跨会话不消失但每次得主动去翻情景层是干过什么、结果怎样的结构化记录让 Agent 有能力从过去的执行中总结规律参数层是训练时写进权重的通识知识随时调用但运行时没法更新还时不时虚构事实。真正拉开差距的是后两层——外部存储和经验积累——的设计思路。三个框架在这里分道扬镳。四种记忆四种活法在拆具体框架之前先把这个分层模型铺清楚——后面的讨论全围着它转。上下文记忆就是当前对话窗口里装着的东西。调用成本约等于零但空间有顶对话一断就清空。跟你的工作台差不多——手边能放的东西有限下班一收拾就没了。外部记忆持久化在模型之外的存储系统。文件、数据库、向量库都归这层。跨会话不消失但想用的时候得跑一趟检索。像你的档案柜——材料都在但你得离开工位走过去翻。情景记忆过去行为的结构化记录。不光存事实还存这事我怎么做的、结果好不好、下次该怎么改。没有这层Agent 永远是个有能力但没经验的新人。跟老师傅的经验手册一个性质——做多了自然知道哪条路走得通。参数记忆模型训练时编进权重的知识。永远在线不用检索但运行时改不了偶尔还会胡说。就是你的常识——大多数时候靠谱但偶尔也会有我明明记得是这样的尴尬。四层里头上下文和参数是出厂自带的框架能动刀的地方不多。真正的架构博弈集中在外部存储和经验积累这两层。接下来一个一个拆。OpenClaw 的哲学用记事本治失忆OpenClaw 的做法简单粗暴但背后逻辑很清晰。核心就一句话没落盘的等于没发生。不是口号。是工程约束。长期要保留的任何信息必须写进 .md 文件落盘。文件既是存储介质也是你跟 Agent 对话的桥梁。为什么选文件而不是数据库这是一个主动放弃查询能力、换取透明度的取舍。文件有三样东西数据库给不了人能直接打开看、能随手改、能用 Git 追踪变化。你打开 MEMORY.mdAgent 记住了什么一目了然。发现它记错了直接删那一行。信任就是这么建立的。代价也明摆着——复杂查询做不了精确匹配慢数据量大了扛不住。两层分离解决记太多和记不全的矛盾OpenClaw 把存储分成两层。短期层是每天一个日志文件追加写入不做整理什么都往里堆。长期层是一份 MEMORY.md从日志里提炼出来的精华——稳定事实、用户偏好、工作习惯。短期层保证不丢东西。长期层保证常用的东西随时在手边。今天和昨天的日志自动塞进上下文更早的按需检索。谁负责把日志里的信息晋升到长期记忆目前主要靠人。你觉得重要就手动写进 MEMORY.md。框架有个实验性的 Dreaming 机制——后台定期扫日志、打分、把高分内容自动提升。但默认关着因为什么值得长期记住这个判断太难自动化。检索设计语义 关键词双管齐下搜记忆的时候单用语义搜索有个坑你搜一个具体的 API 名字它给你返回一堆意思相近但不是那个东西的结果。这个问题怎么解双引擎并行——语义搜索和 BM25 关键词搜索同时跑把两边结果合并取最相关的。两者互补语义处理换了个说法但意思一样BM25 处理我就要这个精确的词。向量索引存在 SQLite 里通过 vec 扩展实现不用单独起向量数据库。部署简单但数据量上去后性能扛不住专业级方案。最凶险的环节压缩长对话会撑爆 Token 窗口。系统必须压缩——用摘要替换旧对话腾出空间。压缩本身没问题凶险的是副作用只存在对话历史里、没写进文件的信息压缩后就消失了。经典翻车场景你第 5 轮告诉 Agent 一条规矩它答应了。到第 30 轮系统压缩历史这条规矩被摘要吃掉了。之后它的行为明显违规你一脸懵。OpenClaw 的解法叫 Memory Flush压缩之前系统先悄悄跑一轮 Agent提示它把当前对话里所有关键信息写进磁盘。写完再动手压。磁盘上的东西压缩根本碰不到。这一步把写进文件才算记住从需要人手动执行变成了系统级的自动保障。设计很聪明。Claude Code 的精算术每个 Token 都是钱Claude Code 的思路完全不同。它不关心怎么存更多它关心怎么在正确时机注入正确信息。核心判断Token 窗口的容量 ≠ 可用容量。研究表明模型对上下文不同位置的注意力分布是不均匀的——头部和尾部最强中间最弱。直接把记忆堆进去中间段的信息模型可能根本看不见。所以 Claude Code 的记忆系统本质上不是存储方案而是一套信息调度机制。分层注入固定层走缓存条件层按需加载每次调用模型之前系统精细组装系统提示。固定层——身份定义、行为规范、编码哲学——每次都一样利用前缀缓存机制只计一次费。条件层——规则文件、Git 状态、Skills 索引——按当前场景动态组装用不到就不加载一个 Token 都不浪费。这跟打游戏的装备栏一个道理。固定装备一直穿着消耗品看情况吃。用目录结构编码相关性Claude Code 有个很巧妙的设计用文件系统路径本身来决定加载什么规则。用户级的 CLAUDE.md 所有项目都加载项目根目录的只在当前项目加载子目录的只在进入那个目录时加载。不需要语义检索。当前路径在哪自动加载对应层级的规则。O(1) 查找零开销。短板也明显——只能处理这个位置适用什么规则的静态匹配做不了当前任务需要什么知识的动态判断。三档预警让 Agent 感知自己的油量Token 用到 70% 时第一次提示90% 时严重警告95% 时准备压缩。更关键的是Token 使用量会注入 Agent 自己的上下文里。Agent 能感知自己还剩多少 Token据此主动决策——先处理哪些文件、在压缩前完成哪些关键步骤。记忆系统的状态变成了推理的输入。不是被动的存储后端而是 Agent 决策的一个变量。这个思路很值得借鉴。代价也很明显没有经验积累机制。每个任务都是白纸一张不会从过去的执行中学习。规则是人预设的能力边界是固定的。适合边界清晰、规则稳定的工程任务不适合需要越用越聪明的场景。Hermes 的野心让 Agent 学会自我进化Hermes 的方案是三者中最复杂的也最有野心。核心逻辑不同访问模式的记忆必须住在不同的地方用不同的方式管理。混在一起是记忆系统变不可靠的根源。它把记忆严格分成四层。第一层热记忆——永远在场但故意很小两个文件每次会话开始直接注入系统提示零延迟访问。上限故意设得很小。为什么反直觉但正确。小上限强制你做质量控制。每加一条新记忆你必须问它值得占系统提示的空间吗它比已有的哪条更重要上限大了记忆会退化成垃圾桶——什么都往里扔检索质量越来越差。同时小的系统提示对 Prefix Cache 友好——固定前缀越稳定缓存命中率越高推理成本越低。一石二鸟。第二层历史归档——不主动加载Agent 自己决定什么时候去翻所有对话记录存进 SQLiteFTS5 全文索引。关键点不是系统自动灌进来的是 Agent 自己拿主意我现在要翻一下旧账时才去查。这防止了系统提示随使用时间无限膨胀。历史只在真正需要的时候才进场。局限在于 FTS5 语义理解弱——搜身份验证不一定能找到记录里的auth service。已知权衡点社区有向量搜索增强方案。第三层情景记忆——这是 Hermes 的核心差异这层记录的不是知识点是实战经历——干了啥、怎么干的、干成没有。实现形式是 Skills 系统。Agent 完成一个复杂任务通常五次以上工具调用系统评估这次过程值不值得保留。值得的话自动把执行步骤、使用的工具、遇到的问题、解决方法结构化写成一份 Markdown。加载方式用渐进式披露平时只加载名称和描述几十个 Token判断当前任务相关时才加载完整内容。积累几十上百个 Skill 也不撑爆上下文。最关键的是Skill 在使用中自我更新。 Agent 用一个现有 Skill 执行任务发现更好的做法会自动修改文档。经验在迭代方法在进化。这才叫从实践中成长。不是人写好手册让它照搬是它自己摸索出下次换个做法会更顺。第四层深度用户建模可选通过接入 Honcho建立对用户决策风格和偏好的结构化模型。不是记你说了什么是建你怎么思考。最接近了解用户的记忆层但也最重——需要额外服务有隐私考量。三条路谁走得更远把三套方案放在一起三种性格一目了然。OpenClaw 是透明派。 所有东西摊在文件里你看得见、改得了、追得到历史。Agent 的记忆跟你的笔记本一样透明。代价是需要你主动维护——它不会自己变聪明你不整理就乱。适合重视控制感的场景你想随时知道 Agent 脑子里有什么。Claude Code 是效率派。 不追求记更多追求在对的时间给对的信息。文件路径本身就是索引Token 预算精确管控。代价是没有情景记忆每次都是新人上岗。适合边界清晰的工程任务——规则稳定、任务独立、不需要从历史里学东西。Hermes 是成长派。 四层分离、情景记忆自动积累。用得越久越熟悉你的工作方式。代价是系统复杂、冷启动慢、需要时间养。适合长期运行、任务重复性高的场景——时间是它的朋友。选哪条路看你的场景。如果你做的事规则明确、任务边界清晰、团队需要标准化——Claude Code 那套精确调度就够了。规则写好Agent 照做不需要它自己琢磨。如果你希望完全掌控 Agent 的认知、随时能人工纠偏——OpenClaw 的文件系统方案给你最大的透明度。你看得见每一条记忆改得了每一个错误。如果你的场景是长期使用、任务有重复性、希望 Agent 越用越顺手——Hermes 的情景记忆是唯一真正在学习的方案。前期投入大后期回报高。没有完美方案。只有适合你场景的方案。你们团队现在用什么记忆方案还是压根没考虑过这层评论区聊聊。这里给大家精心整理了一份全面的AI大模型学习资源包括AI大模型全套学习路线图从入门到实战、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等资料免费分享扫码免费领取全部内容1. 成长路线图学习规划要学习一门新的技术作为新手一定要先学习成长路线图方向不对努力白费。这里我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。2. 大模型经典PDF书籍书籍和学习文档资料是学习大模型过程中必不可少的我们精选了一系列深入探讨大模型技术的书籍和学习文档它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。书籍含电子版PDF3. 大模型视频教程对于很多自学或者没有基础的同学来说书籍这些纯文字类的学习教材会觉得比较晦涩难以理解因此我们提供了丰富的大模型视频教程以动态、形象的方式展示技术概念帮助你更快、更轻松地掌握核心知识。4. 2026行业报告行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5. 大模型项目实战学以致用当你的理论知识积累到一定程度就需要通过项目实战在实际操作中检验和巩固你所学到的知识同时为你找工作和职业发展打下坚实的基础。6. 大模型面试题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我们将提供精心整理的大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。7. 资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容