如何通过Nanobot源码学习OpenClaw的Memory架构为？

【OpenClaw】通过 Nanobot 源码学习架构---（7）Memory 目录【OpenClaw】通过 Nanobot 源码学习架构---（7）Memory0x00 概要0x01 OpenClaw1.1 核心设计理念1.2 双层存储架构（核心）1.2.1. 短期记忆（每日日志）1.2.2. 长期记忆（精选持久）1.3 记忆写入规则（何时写、写哪里）1.4 检索机制（混合搜索）1.5 关键流程与特性1.6 Claw01.6.1 混合搜索管道 -- 向量 + 关键词 + MMR1.6.2 _auto_recall() -- 自动记忆注入1.7 ZeroClaw1.7.1 记忆系统架构1.7.2 数据流向1.7.3 RAG 集成1.7.4 颜色图例0x02 会话消息2.1 消息记录结构2.2 存储位置2.3 会话状态更新2.4 重要特性2.5 Claw00x03 MemoryStore3.1 两层记忆结构3.1.1 HISTORY.md3.1.2 MEMORY.md3.2 与其他组件的协作3.3 记忆管理方式3.3.1 记忆存储的时机会话压缩（系统驱动/自动写记忆）手动记忆管理3.3.2 记忆读取的时机3.4 记忆整合/会话压缩3.4.1 机制总体流程具体流程3.4.2 示例图3.5 代码0x04 SKILL.md4.1 文件内容4.2 文件结构前置元数据正文使用说明4.3 核心作用4.4 使用流程4.5 memory 技能用法拆解4.6 关键补充0x05 相关工具5.1 文件系统工具5.2 _SAVE_MEMORY_TOOL0xFF 参考 0x00 概要 OpenClaw 应该有40万行代码，阅读理解起来难度过大，因此，本系列通过Nanobot来学习 OpenClaw 的特色。 Nanobot是由香港大学数据科学实验室(HKUDS)开源的超轻量级个人 AI 助手框架，定位为"Ultra-Lightweight OpenClaw"。非常适合学习Agent架构。 Memory 是构建复杂 Agent 的关键基础。如果仅依赖 LLM 自带的有限上下文窗口作为短期记忆，Agent 将在跨会话中处于 stateless 的状态，难以维持连贯性。同时，缺乏长期记忆机制也限制了 Agent 自主管理和执行持续性任务的能力。引入额外的 Memory 可以让 Agent 做到存储、检索，并利用历史交互与经验，从而实现更智能和持续的行为。 Nanobot 的记忆系统提供了两层存储方案：频繁访问的重要信息保存在 MEMORY.md 中并始终加载到上下文，而详细的历史事件保存在 HISTORY.md 中可通过搜索访问。然而，实际上的记忆系统还应该包括会话消息，因此记忆系统总体包括如下： Session messages：当前会话临时存储 HISTORY.md：历史日志文件，记录会话历史事件，用于搜索查询 MEMORY.md：长期记忆文件，存储偏好、项目上下文、关系等重要信息 0x01 OpenClaw OpenClaw 的记忆机制以 文件即真相（File-First） 为核心，采用 双层 Markdown 落盘存储 + 混合向量检索 + 自动刷新 的工程化设计，彻底解决 Agent 跨会话失忆问题，同时保证透明、可控、可治理。 1.1 核心设计理念 文件是唯一真相源：所有记忆以纯 Markdown 文件存储在本地工作区，模型只 “记住” 写入磁盘的内容，无黑盒向量库。 透明可控：可直接用编辑器查看、编辑、Git 版本管理记忆文件。 持久优先：重要信息必须落盘，不依赖内存，跨会话、重启后不丢失。 分层治理：短期临时信息与长期重要知识分离，避免记忆污染。 模型不会因为你用得更久而变聪明。但围绕它的文件会变得更丰富、更精准、更贴合你的具体需求。