让 OpenClaw 记忆不丢失，经验能共享：seekdb M0 正式发布

如果你在用 OpenClaw，你大概率经历过这样的场景：

昨天下午你和 Agent 花了两个小时排查一个线上问题。过程中它帮你查了日志、读了配置、试了好几种方案，最后定位到是连接池配置导致的。你们还顺便讨论了项目里几个服务之间的依赖关系，以及下周要做的重构计划。

第二天早上，你让它继续昨天聊到的重构。它回了一句：「你好！请问你说的是哪个重构？能给我一些背景吗？」

昨天那些讨论，它全忘了。

这不是偶发现象。MEMORY.md 里的基本信息——你的名字、偏好、常用工具——这些它记得住，因为每次都会加载。但昨天对话里的具体细节——排查过程中发现的关键线索、讨论过的方案取舍、约定好的下一步计划——这些留在了 session 历史和 `memory/` 目录的文件里。新 session 开始后，Agent 需要主动搜索才能找回这些细节，但它不一定知道该搜什么，也不一定搜得准。换成 idle 模式能缓解 session 切割的问题，但治标不治本：session 越长，累积的 token 越多，Agent 回复越慢。

根本矛盾是：OpenClaw 的记忆机制是为「单次对话」设计的，而用户期望的是一个「长期相处的私人助理」。

这就是 seekdb M0 要解决的问题。

OpenClaw 的记忆为什么会崩

先别急着看方案。搞清楚问题出在哪，方案才会有说服力。

OpenClaw 有记忆机制——MEMORY.md 文件和基于 SQLite 的语义检索。但这套机制在长期使用中会陷入两个恶性循环。

循环一：越记越贵。

Agent 把重要信息写入 MEMORY.md。这个文件会被全量加载到每次请求的系统提示词里。用的时间越长，MEMORY.md 越大，每次 API 调用的 input token 越多，响应越慢。Bootstrap 文件有单文件 20K 字符的默认上限（总计 150K），但早在到达上限之前，臃肿的上下文就已经开始挤占 Agent 的工作空间了。

更糟糕的是，Agent 知道信息可能会丢，于是更积极地往 MEMORY.md 里塞东西——加速膨胀。

循环二：越忘越错。

当 session 太长时，OpenClaw 会触发两套机制来应对。

一是 compaction——用 LLM 把旧对话分段总结压缩，腾出上下文空间；

二是 memory flush——在 compaction 前启动一个嵌入式 agent，让它自行决定把哪些重要信息写入 memory/YYYY-MM-DD.md。但 compaction 的总结本质上是有损压缩，而检索侧的切片逻辑按行和字符预算硬切（默认 400 token 一块），不识别语义边界。关键上下文可能被切断，检索召回质量差。Agent 找不回需要的信息就犯错，犯错就返工，返工产生更多对话，更快触发下一次压缩。

工具调用是加速器。 这是很多 OpenClaw 用户没意识到的一点。Agent 调用工具产生的中间结果——web_fetch 返回的网页、exec 输出的命令结果——单条最大 400K 字符，会快速填满 session。这些中间过程不适合写进 MEMORY.md，但可能包含有价值的信息。无论选哪条路，工具调用都会加剧恶性循环。

两条路的本质矛盾是：记住的代价是昂贵，遗忘的代价是犯错。

需要第三条路。

seekdb M0：记忆独立于上下文

seekdb M0 是一个 OpenClaw 云端记忆插件，核心理念一句话：不把所有记忆塞进 system prompt，而是在每次对话开始前，只检索与当前话题相关的记忆片段注入上下文。

和 MEMORY.md 的全量加载不同，seekdb M0 把记忆拆解为独立的「事实」存储在云端数据库中。每条事实都有向量表示和全文索引。对话开始前，seekdb M0 用混合检索（BM25 + 向量相似度）找到最相关的几条记忆注入上下文；对话结束后，自动从对话中提取新事实，与已有记忆比对后决定新增、更新还是跳过。

这意味着：

MEMORY.md 不再膨胀——记忆存在云端，不占系统提示词空间
session 重置不再是灾难——记忆是持久化的，新 session 开始时自动召回
跨设备同步——换一台机器，记忆还在

整个过程对用户透明——你只管和 Agent 聊天，M0 在后台自动管理记忆。

但如果只是「把 MEMORY.md 搬到云端」，seekdb M0 的价值就有限了。真正的差异在记忆管理的方式上。

seekdb M0 做了哪些事

两阶段记忆管理：先提取，再决策

OpenClaw 原生的记忆持久化依赖 compaction 总结和 memory flush agent——前者把整段对话（含全部工具输出）压缩成摘要，后者让 LLM 自行决定把什么写入文件。两者都是全量处理对话内容，token 开销大，信息有损。seekdb M0 不这么干，它把「存什么」和「怎么存」拆成两个独立的阶段。

第一阶段：事实提取。 对话结束后，seekdb M0 只提取 user 和 assistant 之间的对话文本（跳过所有工具调用的中间输出），用 LLM 抽取出原子化的事实。比如「用户叫张三，是数据库工程师，在杭州工作」会被拆成三条独立事实。

提取时有几条硬规则：时间信息必须保留（「去年去了夏威夷」不会被简化成「去了夏威夷」）；保持原语言不翻译；敏感信息一律不提取。

第二阶段：记忆决策。 提取出的事实不是直接写入数据库，而是先和已有记忆做比对。M0 用向量检索找到最相似的已有记忆，然后让 LLM 判断：这条事实应该新增（ADD）、更新已有记忆（UPDATE）、删除矛盾记忆（DELETE），还是已经被覆盖可以跳过（NONE）？实际运行中，为了避免误删，插件侧会把 DELETE 当作 NONE 处理——auto-capture 只新增和更新，永远不主动删除已有记录。

新事实：「去年五月去了夏威夷」已有记忆：「去过夏威夷」→ 决策：UPDATE（补充了时间信息）新事实：「不喜欢吃披萨了」已有记忆：「喜欢吃披萨」→ 决策：UPDATE（偏好发生了变化）新事实：「是软件工程师」已有记忆：「名字是 John」「是软件工程师」→ 决策：NONE（已有记忆已覆盖）

有一个有趣的实现细节：送给 LLM 做决策时，已有记忆的 ID 会被替换成临时编号（0、1、2…），避免模型幻觉长整型 ID。如果模型返回的 ID 无法映射回真实记忆，系统会优雅降级为新增。

这种两阶段设计的好处是关注点分离——提取阶段保证事实的质量和合规性，决策阶段保证记忆库不会无限膨胀。

工具调用自动压缩：零 LLM 开销

前面说了，工具调用的中间输出是 session 膨胀的主要推手。seekdb M0 的处理方式很直接：用确定性规则压缩，不花一个 LLM token。

当工具结果被持久化到会话历史时，seekdb M0 的 tool_result_persist 钩子会介入，把原始输出替换为结构化摘要：

原始：curl 返回了一个 3000 行的 JSON 响应压缩后：  工具：web_fetch  状态：success  输出：3000 行 / 48K 字符  预览：{"users": [{"id": 1, "name": "Alice"...（300 字符）

压缩比极高（几万字符 → 几百字符），且完全是规则化的——不需要 LLM 理解内容，只需要保留「做了什么、结果如何、简要预览」。

在事实提取阶段，seekdb M0 直接跳过所有 tool/toolResult 类型的消息，只看人和 Agent 之间的对话。这意味着即使一次对话涉及大量工具调用，事实提取的 LLM 输入也被控制在很小的范围内。

与 OpenClaw 原生的做法相比——compaction 时把完整 session（含全部工具输出）送进 LLM 压缩——这种方式从源头控制了送入 LLM 的数据量，而不是等到溢出了再惰性压缩。

经验系统：从应届生到专家

记忆解决的是「记住用户是谁、喜欢什么」的问题。但 OpenClaw 用户还有另一个困扰：Agent 有 skill，但没有实践经验。

一个装了各种 skill 的 OpenClaw Agent，就像一个刚从学校毕业的学生——专业知识有了，但真正上手办事时，会遇到各种课本里没写过的问题。

举个例子：线上服务报 503，Agent 排查时发现日志里满是「connection refused」，但数据库正常。来回折腾二十分钟后才发现问题在连接池——一条慢查询卡住了所有连接。kill 掉慢查询，服务恢复。

这种排障经验不会写在任何 skill 的说明文档里——「数据库健康但服务报 connection refused 时，检查连接池是否被慢查询耗尽」——这是纯粹的实践智慧，只有踩过坑才知道。

问题是：下次另一个 OpenClaw 用户遇到一模一样的症状，他的 Agent 又得从头摸索二十分钟。

人类有同样的困境——新人排障靠试错，老师傅一眼就能看出问题。但人和 Agent 有一个根本区别：人不能共享大脑，Agent 可以。

这就是 seekdb M0 的经验系统要做的事：让一个 OpenClaw Agent 踩过的坑，所有 OpenClaw Agent 都能受益。

第一个 Agent 花二十分钟排查出的结论，第二个 Agent 在遇到相似症状时直接就能看到——不是因为它自己经历过，而是因为有别的 Agent 已经经历过并分享了经验。

经验（experience）和记忆（memory）是两种不同的东西。 记忆是个人事实——「用户喜欢深色模式」「用户住在杭州」。经验是通用智慧——「数据库健康但服务连不上时优先检查连接池」「部署到容器时需要设置 LANG=C.UTF-8 否则中文会乱码」。

M0 的经验系统有四个阶段：

自动蒸馏：当一次对话成功完成且涉及工具调用时，seekdb M0 会在后台异步分析这次交互，提炼出可复用的经验。这个过程是非阻塞的，不影响正常对话。

分级验证：新经验不会立刻对外公开。它有一个生命周期——Draft（刚提取，仅对创建者可见）→ Published（正向反馈累积达到阈值后进入公开池，所有用户可检索）→ Deprecated（负向反馈比例过高，标记淘汰）。

自动注入：下次有 Agent 遇到类似场景时，seekdb M0 会在对话开始前检索相关经验，和记忆一起注入上下文。Agent 不需要主动去「查经验」，相关经验会自动出现在它的视野里。

反馈闭环：Agent 在对话中被注入了某条经验后，本轮对话的执行结果（成功或失败）会作为反馈信号自动上报。成功的执行驱动经验晋升，反复失败的执行让低质量经验被淘汰。

这套机制的关键在于：经验中不包含原始对话内容，只保留蒸馏后的通用知识。一个用户的隐私信息不会通过经验系统泄露给其他用户。隔离是共享的前提。

一句话安装

OpenClaw 的哲学是「让 Agent 自己干」，seekdb M0 的安装也遵循这个原则。你只需要对自己的 Agent 说一句话：

阅读 https://m0.seekdb.ai/SKILL.md 并按说明安装与配置 m0。

Agent 读取这份文档后，会自主完成全流程：检测 OpenClaw 版本 → 获取 Access Key → 下载插件源码 → 写入 openclaw.json 配置 → 重启 Gateway。全程无需用户手动操作。

人类开发者也可以用更直接的方式验证服务：

# 确认服务正常curl -s https://m0.seekdb.ai/health# 创建记忆实例curl -s -X POST https://m0.seekdb.ai/api/instances/ \  -H "Content-Type: application/json" \  -d '{"name": "my-memory"}'

返回的 ak 字段就是你的 Access Key，之后所有记忆操作都通过这个 Key 认证。

动手试一试

告诉 Agent 一些关于你的事情：

我叫李明，是一名前端工程师，在上海工作。我喜欢 TypeScript 和 React，讨厌写 CSS。周末喜欢打羽毛球。

对话结束后，seekdb M0 会自动提取出 5-6 条事实，经过记忆决策后存入云端。

开一个新 session，测试召回：

帮我写一个组件

你没有指定技术栈，但 M0 已自动检索到你的技术偏好，Agent 会主动提及「技术栈是 React + TypeScript 吗？」——而不是从零问起。它已经知道你是谁了。

再看看经验的效果：

假设之前有其他 OpenClaw 用户的 Agent 在排障过程中总结出了一条经验——「当服务返回 connection refused 但数据库进程正常时，优先检查连接池是否被慢查询耗尽，而不是反复重启服务」。这条经验经过多次验证后被发布到公开池。

现在你的 Agent 遇到了类似的 503 报错，seekdb M0 在对话开始前自动检索到了这条经验并注入上下文。你的 Agent 不会再花二十分钟反复重启，而是直接去检查慢查询——五分钟内解决问题。

写在最后

最后官宣一下：seekdb M0 今天正式上线了。

回到最初的问题：为什么你的 OpenClaw 会记忆退化？因为它的记忆依赖 MEMORY.md 全量加载和被动的搜索检索。MEMORY.md 越写越大，上下文越来越挤；历史记忆散落在 memory/ 文件中，Agent 需要主动搜索才能想起来，但它不一定知道该搜什么。记得多了会贵，记得少了会忘。这是本地记忆架构的固有局限，不是配置能解决的。

seekdb M0 选择的路是：把记忆从上下文中解放出来——独立存储、按需检索、跨 session 持久化。 不再全量加载，而是在对的时间想起对的事情。

更让我兴奋的是经验系统。OpenClaw 社区每天有大量 Agent 在日常工作中积累实践经验，但这些经验是孤立的——每个 Agent 都在独立试错。

OpenClaw Agent 有了 skill，就像毕业生有了专业知识。但真正让它们成为专家的，是经验。而和人类不同的是，Agent 之间可以直接共享大脑。

这是 seekdb M0 真正想做的事。

👉相关链接：