【新智元导读】一个开源AI，能记住你几个月前的决定、在本地替你跑活、还不受大厂控制：Clawdbot到底是个人助理，还是下一代「赛博打工人」？

　　甚至，还有人把Clawdbot当成了赚钱工具，开始兜售Clawdbot赚钱指南，还不忘贩卖一波焦虑：

　　Clawdbot被网友称为「长了手的Claude」或者「7×24在线的贾维斯」，它最大的亮点之一，便是长时记忆和长时任务执行能力。

　　你在浏览器中打开AI助手，输入问题，得到回复，然后关闭标签页；但当你明天再回来时，又得从头开始。

　　你可能会好奇Clawdbot是如何记住那么多东西的，最近AI研究工程师Manthan Gupta就写了一篇文章来回答这个问题。

　　与那些跑在云端的ChatGPT或者Claude不一样，Clawdbot是直接在你本地机器上跑的，而且能直接集成到你已经在用的聊天平台里，比如Discord、WhatsApp、Telegram等。

　　最绝的是，Clawdbot能自主处理现实世界的任务：管理邮件、安排日历、处理航班值机，还能按计划跑后台任务。

　　但真正吸引Manthan Gupta眼球的，是它的持久记忆系统：它能保持全天候的上下文记忆，记住之前的对话，并且能基于过往的互动无限叠加。

　　它不搞那种基于云端、由大公司控制的记忆，而是把所有东西都留在本地，让用户完全掌控自己的上下文和技能。

　　在聊记忆之前，咱们先得搞清楚模型在处理每个请求时到底看到了什么：[0] 系统提示词 (System Prompt) (静态+条件指令) [1] 项目上下文 (引导文件: AGENTS.md, SOUL.md 等) [2] 对话历史 (消息, 工具调用, 压缩摘要) [3] 当前消息

　　这些文件跟记忆文件一块待在AI智能体的工作区里，这就让整个AI智能体的配置变得完全透明，而且你想改就改。

　　这里没有专门的memory_write工具。AI智能体想写记忆，就用它平时写文件、改文件的那些标准工具。

　　Clawdbot记忆系统的核心原则就是：「记忆就是AI智能体工作区里的纯Markdown文件。」

　　┌─────────────────────────────────────────────────────────────┐│ 1. 文件保存 ││ ~/clawd/memory/2026-01-26.md │└─────────────────────────────────────────────────────────────┘ │ ▼┌─────────────────────────────────────────────────────────────┐│ 2. 文件监听器检测到更改 ││ Chokidar监控MEMORY.md + memory/**/*.md ││ 防抖1.5秒以批处理快速写入 │└─────────────────────────────────────────────────────────────┘ │ ▼┌─────────────────────────────────────────────────────────────┐│ 3. 分块（Chunking） ││ 分割成约400 Token的块，重叠80 Token ││ ││ ┌────────────────┐ ││ │ 块1 │ ││ │ 行1-15 │──────┐ ││ └────────────────┘ │ ││ ┌────────────────┐ │（80 Token重叠） ││ │ 块2 │◄─────┘ ││ │ 行12-28 │──────┐ ││ └────────────────┘ │ ││ ┌────────────────┐ │ ││ │ 块3 │◄─────┘ ││ │ 行25-40 │ ││ └────────────────┘ ││ ││ 为什么是400/80? 平衡语义连贯性与粒度。 ││ 重叠确保跨越块边界的事实能在两个块中都被捕获。 ││ 两个值都是可配置的。 │└─────────────────────────────────────────────────────────────┘ │ ▼┌─────────────────────────────────────────────────────────────┐│ 4. 嵌入（Embedding） ││ 每个块 - 嵌入提供商 - 向量 ││ ││ 讨论了REST vs GraphQL - ││ OpenAI/Gemini/Local - ││ [0.12, -0.34, 0.56, ...] (1536维) │└─────────────────────────────────────────────────────────────┘ │ ▼┌─────────────────────────────────────────────────────────────┐│ 5. 存储 ││ ~/.clawdbot/memory/.sqlite ││ ││ 表: ││ - chunks (id, path, start_line, end_line, text, hash) ││ - chunks_vec (id, embedding) - sqlite-vec ││ - chunks_fts (text) - FTS5全文搜索 ││ - embedding_cache (hash, vector) - 避免重复嵌入 │└─────────────────────────────────────────────────────────────┘

　　sqlite-vec是个SQLite扩展，能直接在SQLite里搞向量相似度搜索，不需要外挂一个向量数据库。

　　这两者配合起来，Clawdbot就能靠一个轻量级的数据库文件同时搞定「语义+关键字」的混合搜索。

　　向量搜索（语义）找的是意思相近的内容，而BM25搜索（关键字）找的是有精确Token匹配的内容。

　　语义相似度是记忆召回的主力，但BM25关键字匹配能抓住向量可能会漏掉的精确术语（比如名字、ID、日期）。

　　分数低于minScore阈值（默认0.35）的结果会被过滤掉。这些值都可以自己配，它可以保证你无论是搜概念（比如「那个数据库的东西」）还是搜具体细节（比如「POSTGRES_URL」），都能够搜得准。

　　Markdown文件（真相的源头）在每个工作区里，而SQLite索引（衍生数据）在状态目录里。

　　内存管理器是靠agentId + workspaceDir来区分的，所以自动跨智能体搜记忆这事是不会发生的。

　　比如搞个用于WhatsApp的「私人」 AI智能体，再搞个用于Slack的「工作」AI智能体，它俩就能有完全不同的记忆和性格。

　　一旦撞墙，Clawdbot就会使出「压缩」大法：把旧的对话总结成一个精简的条目，同时保留最近的消息原封不动。

　　┌─────────────────────────────────────────────────────────────┐│ 压缩前 ││ 上下文: 180,000 / 200,000 Tokens ││ ││ [第1轮] 用户: 咱们搞个API吧 ││ [第2轮] 智能体: 好嘞! 你需要什么端点? ││ [第3轮] 用户: 用户和认证 ││ [第4轮] 智能体: *写了500行Schema* ││ [第5轮] 用户: 加上速率限制 ││ [第6轮] 智能体: *改代码* ││ ... (还有100轮) ... ││ [第150轮] 用户: 现在什么状态了? ││ ││ ⚠️ 接近上限 │└─────────────────────────────────────────────────────────────┘ │ ▼┌─────────────────────────────────────────────────────────────┐│ 触发压缩 ││ ││ 1. 把第1-140轮总结成一个精简摘要 ││ 2. 第141-150轮保持原样 (最近的上下文) ││ 3. 把摘要持久化保存到JSONL实录里 │└─────────────────────────────────────────────────────────────┘ │ ▼┌─────────────────────────────────────────────────────────────┐│ 压缩后 ││ 上下文: 45,000 / 200,000 Tokens ││ ││ [摘要] 构建了带/users, /auth端点的REST API。 ││ 实现了JWT认证, 速率限制（100请求/分）, ││ PostgreSQL数据库。已部署到预发布环境v2.4.0。 ││ 当前重点: 准备生产环境部署。 ││ ││ [第141-150轮保持原样] ││ │└─────────────────────────────────────────────────────────────┘

　　跟某些优化不一样，压缩后的东西是会存到硬盘里的。摘要会被写进会话的JSONL转录文件，所以以后的会话开始时，都能带着这段被压缩的历史。

　　┌─────────────────────────────────────────────────────────────┐│ 上下文接近上限 ││ ││ ████████████████████████████░░░░░░░░ 75%的上下文 ││ ↑ ││ 越过软阈值 ││ (contextWindow - reserve - softThreshold)│└─────────────────────────────────────────────────────────────┘ │ ▼┌─────────────────────────────────────────────────────────────┐│ 静默记忆刷新轮次 ││ ││ 系统: 压缩前记忆刷新。现在存储持久记忆 ││ (使用memory/YYYY-MM-DD.md)。 ││ 如果没什么可存的，回复NO_REPLY。 ││ ││ 智能体: 审查对话里的重要信息 ││ 把关键决定/事实写进记忆文件 ││ - NO_REPLY（用户什么也看不见） │└─────────────────────────────────────────────────────────────┘ │ ▼┌─────────────────────────────────────────────────────────────┐│ 压缩安全进行 ││ ││ 重要信息现在已经在硬盘上了 ││ 压缩可以继续，知识不会丢 │└─────────────────────────────────────────────────────────────┘

　　┌─────────────────────────────────────────────────────────────┐│ 剪枝前 (内存中) ││ ││ 工具结果 (exec): [50,000字符的npm install输出] ││ 工具结果 (read): [巨型配置文件, 10,000字符] ││ 工具结果 (exec): [构建日志, 30,000字符] ││ 用户: 构建成功了吗? │└─────────────────────────────────────────────────────────────┘ │ ▼ (软修剪 + 硬清除)┌─────────────────────────────────────────────────────────────┐│ 剪枝后 (发送给模型) ││ ││ 工具结果 (exec): npm WARN deprecated...[截断] ││ ...Successfully installed. ││ 工具结果 (read): [Old tool result content cleared] ││ 工具结果 (exec): [保留 - 太近了没剪] ││ 用户: 构建成功了吗? │└─────────────────────────────────────────────────────────────┘

　　问题来了：如果会话闲置时间超过了TTL，下个请求就没缓存了，必须按全价「缓存写入」费率重新缓存整个对话历史。

　　Cache-TTL剪枝就是为了解决这个问题，它会检测缓存什么时候过期，并在下个请求之前把旧的工具结果剪掉。

　　/new │ ▼┌─────────────────────────────────────────────────────────────┐│ 触发会话记忆钩子 ││ ││ 1. 提取刚结束会线. 用LLM生成个描述性的Slug（标识符） ││ 3. 保存到~/clawd/memory/2026-01-26-api-design.md │└─────────────────────────────────────────────────────────────┘ │ ▼┌─────────────────────────────────────────────────────────────┐│ 新会话开始 ││ ││ 以前的上下文现在可以通过memory_search搜到了 │└─────────────────────────────────────────────────────────────┘

　　记忆就是纯Markdown。你能读、能改，还能用版本控制管它。没有什么不透明的数据库或者专有格式。

　　AI智能体不是把所有东西一股脑塞进上下文，而是去搜相关的。这样既保持了上下文的专注clash手动切换节点，又省钱。

　　本文为澎湃号作者或机构在澎湃新闻上传并发布，仅代表该作者或机构观点，不代表澎湃新闻的观点或立场，澎湃新闻仅提供信息发布平台。申请澎湃号请用电脑访问。