Рост автономных ИИ-агентов привел к появлению новой парадигмы в программных системах: персистентная машинная когниция. В отличие от традиционных чат-ботов, работающих без сохранения состояния, современные агентные фреймворки, такие как OpenClaw, обеспечивают непрерывные, учитывающие контекст ИИ-потоки работы. Ключом к этой возможности является система памяти OpenClaw, позволяющая агенту сохранять, извлекать и развивать знания между сессиями.
Постоянная память превращает ИИ-ассистентов из кратковременных разговорных инструментов в системы с состоянием, способные запоминать решения, изучать предпочтения и поддерживать знания на уровне проектов со временем. На практике это означает, что разработчикам больше не нужно повторно пояснять контекст или заново инициализировать рабочие процессы при каждом взаимодействии с агентом ( If you are still wondering how to get started and configure OpenClaw, this is Five-minute tutorial on configuring OpenClaw with CometAPI).
Однако такой сдвиг в архитектуре порождает и сложные инженерные задачи:
- Как память хранится и извлекается?
- Как разработчики управляют поведением памяти?
- Каковы последствия для безопасности при наличии постоянной памяти агента?
- Как масштабировать память, не перегружая контекстные окна LLM?
В этой статье представлено глубокое техническое исследование системы памяти OpenClaw, включая ее архитектуру, модель хранения, конвейер извлечения, механизмы управления и вопросы безопасности.
Что такое OpenClaw?
OpenClaw — это открытый, "workspace-first" персональный ИИ-ассистент, который вы запускаете на собственных устройствах. Он подключается к чат-платформам (WhatsApp, Telegram, Slack, Discord и др.), предоставляет управляющую плоскость Gateway и — что критично для этой статьи — хранит то, что он «помнит», в виде обычных файлов внутри директории рабочего пространства. Такой дизайн делает память прозрачной и напрямую управляемой: память — это не скрытая база данных внутри модели; файлы в рабочем пространстве агента — это источник истины.
Бессостояточные vs. состояниесохраняющие ИИ-системы
Традиционные разговорные ИИ-системы работают в бессостояточном режиме. Каждое взаимодействие обрабатывается независимо, без знания о предыдущих сессиях, если только контекст явно не передан в подсказке.
Это создает несколько ограничений:
- Контекст сбрасывается между сессиями
- Пользователям приходится повторять информацию
- Долговременное обучение невозможно
- Рабочие процессы не сохраняются
OpenClaw решает эту проблему, вводя постоянную память, хранящуюся непосредственно в рабочем пространстве агента.
Вместо того чтобы полагаться исключительно на контекстное окно языковой модели, OpenClaw поддерживает локальный слой памяти, хранящийся в виде структурированных файлов, которые агент может читать и обновлять.
Это обеспечивает:
- Непрерывность контекста между сессиями
- Долговременное хранение знаний
- Персонализированных ИИ-ассистентов
- Автоматизацию рабочих процессов на длительных временных отрезках
В результате OpenClaw переводит ИИ-ассистентов из разряда бессостояточных ответчиков в носителей знаний.
Архитектура памяти — четыре важных слоя
Среда выполнения OpenClaw организует информацию по слоям. Понимание этих слоев — ключ к управлению тем, что агент запоминает и к чему имеет доступ.
1) Файлы начальной загрузки рабочего пространства — долговечное ядро
Файлы вроде SOUL.md, AGENTS.md, IDENTITY.md, TOOLS.md и MEMORY.md находятся в корне рабочего пространства и рассматриваются как материалы начальной загрузки. Они перезагружаются с диска при старте сессии и являются самой долговечной памятью: они переживают компактацию токенов и вводятся в каждый сбор подсказки с диска, а не из временной истории сессии. Используйте эти файлы для долговечных фактов (предпочтения пользователя, юридические ограничения, решения по проекту).
2) Ежедневные/сессионные файлы — кратко- и среднесрочный контекст
OpenClaw собирает расшифровки бесед и сохраняет файлы сессий (например, ежедневные заметки в папке memory/). Они полезны для недавнего контекста и непрерывности сессии, но могут быть очищены или сжаты, когда контекстное окно вашего агента становится слишком большим. Многие пользователи полагаются на ежедневные файлы заметок, такие как memory/2026-03-10.md, чтобы фиксировать разовые факты.
3) Контекстное окно LLM — эфемерное, но решающее
Подсказка каждого хода формируется из комбинации файлов начальной загрузки, недавней истории сессии и результатов извлеченной памяти. Этот контекст в подсказке — то, что LLM фактически «видит», выдавая ответ; он эфемерен (ограничен бюджетом токенов) и заново реконструируется на каждом ходу. Если вы хотите, чтобы агент действовал последовательно, убедитесь, что ключевые директивы находятся в файлах начальной загрузки, а не только во временных сообщениях.
4) Семантический индекс / плагин памяти — быстрый поиск
Чтобы агент мог находить релевантные прошлые заметки, OpenClaw использует плагин памяти (по умолчанию: memory-core), предоставляющий семантический поиск по Markdown-файлам и при необходимости по внешним векторным хранилищам (sqlite-vec, LanceDB, QMD и т. п.). Индекс отделен от файлов: файлы — источник истины; индекс ускоряет извлечение. Вы можете переключать плагины, чтобы менять поведение бэкенда (провайдер эмбеддингов, алгоритм поиска, персистентность).
Как работает память OpenClaw?
Архитектура агента на основе Gateway
OpenClaw использует архитектуру, центрированную на gateway, которая оркестрирует коммуникацию между несколькими компонентами системы.
Core Components:
| Component | Function |
|---|---|
| Gateway | Центральный процесс, управляющий коммуникацией |
| Brain | Движок рассуждений LLM |
| Hands | Слой исполнения (shell, файловая система, браузер) |
| Memory | Хранилище долгосрочных знаний |
| Channels | Интерфейсы обмена сообщениями |
| Skills | Расширяемые модули автоматизации |
В рамках этой архитектуры память выступает слоем долговременного хранения знаний агента.
Память как файлы (каноничная истина)
OpenClaw ставит обычные Markdown-файлы в рабочем пространстве агента в центр своей модели памяти. Агент пишет в эти файлы и читает из них; это персистентное, редактируемое человеком хранилище. LLM «помнит» только то, что записано на диск — волатильный контекст сессии отделен. Типичные файлы и соглашения:
MEMORY.md— курируемые, долговечные элементы памяти (решения, факты профиля пользователя, устойчивые предпочтения).memory/YYYY-MM-DD.md— ежедневно пополняемые журналы, используемые как эфемерная/ежедневная память.USER.md,SOUL.md,AGENTS.md— другие файлы рабочего пространства, влияющие на личность или поведение агента.
Эти файлы находятся в рабочем пространстве агента (по умолчанию~/.openclaw/workspace) и могут быть прочитаны или отредактированы вами в любой момент.
Два пути доступа: через файлы и через индекс
Поскольку простые файлы неэффективны для масштабного семантического поиска, OpenClaw дополняет исходные Markdown-файлы индексом (векторное хранилище плюс опциональный текстовый индекс BM25). Индекс используется инструментом, доступным агенту, — memory_search; целевые чтения выполняются с помощью memory_get, который напрямую читает файл/диапазон строк. Гибридный подход к индексированию — эмбеддинги (вектор) + BM25 (по ключевым словам) — обеспечивает и семантическое вспоминание, и надежность точного совпадения. Типичное хранилище индекса — локальный файл SQLite, расширенный под векторный поиск (например, ~/.openclaw/agents/<agentId>/index.sqlite).
memory_search(query, topK)— возвращает ранжированный список совпадающих фрагментов с метаданными (путь, строки, оценка). Используйте, когда нужно, чтобы агент «сначала поискал» релевантную память перед ответом.memory_get(path, startLine, endLine)— возвращает сырой фрагмент Markdown-файла; используйте, если вы уже знаете, где находится нужная память.
Это встроенные инструменты агента; навыки и пользовательский код могут вызывать их по мере необходимости.
Жизненный цикл: запись, индексирование, извлечение, сброс, компактация
OpenClaw реализует явный жизненный цикл памяти:
- Write — агент записывает память в Markdown-файлы при возникновении значимого события (явный запрос, зафиксированное решение или автоматический сброс в память).
- Index — наблюдатель за файлами и пакетная задача инкрементально индексируют новые/измененные файлы во векторное хранилище + BM25.
- Recall — агент вызывает
memory_search(семантический) илиmemory_get(целевой) в ходе сессии. - Memory flush (pre-compaction) — когда контекст сессии приближается к лимиту окна модели, OpenClaw инициирует «тихий» ход агента, чтобы записать на диск все, что агент считает необходимым сохранить, до компактации (настраивается).
- Compaction — система сжимает или суммирует контекст, чтобы удерживать активную сессию небольшой; файловая память остается долговечным резервом.
Конвейер чанкинга и эмбеддингов (технические детали)
При индексировании файлы разбиваются на чанки (типичные эвристики: ~300–500 токенов на чанк с перекрытием), затем каждый чанк преобразуется в эмбеддинг с помощью выбранного провайдера (OpenAI, Gemini, локальные GGUF-эмбеддинги и т. п.). Полученные векторы сохраняются вместе с метаданными источника (путь к файлу, начальная/конечная строки, временная метка) для извлечения. Извлечение выполняется путем вычисления эмбеддинга запроса, поиска ближайших соседей в векторном пространстве и, при необходимости, комбинирования с оценками BM25 и повторного ранжирования. Такой гибридный подход повышает точность для фактических запросов, сохраняя при этом семантическое вспоминание перефразированного содержания.
Конкретика: как управлять памятью (команды, файлы, конфигурация)
Ниже приведены пошаговые практические действия для операторов и разработчиков, позволяющие инспектировать, изменять и контролировать память OpenClaw. Примеры предполагают стандартную локальную установку, где рабочее пространство по умолчанию — ~/.openclaw/workspace (можно переопределить через agents.defaults.workspace).
Инспекция и резервное копирование «сырых» файлов памяти
Память — это Markdown. Создайте резервную копию рабочего пространства или как минимум скопируйте MEMORY.md и папку memory/.
Пример для shell:
# show workspace location (recommended)openclaw config get agents.defaults.workspace# copy memory files to a timestamped backupcp -r ~/.openclaw/workspace ~/.openclaw/workspace-backup-$(date +%F-%H%M)# or only memory files:cp ~/.openclaw/workspace/MEMORY.md ~/backups/opencaw-MEMORY-$(date +%F).mdcp -r ~/.openclaw/workspace/memory ~/backups/opencaw-memory-$(date +%F)/
Документация и руководства сообщества явно рекомендуют копировать MEMORY.md + memory/ для экспорта/резервного копирования.
Редактирование MEMORY.md — рекомендуемый способ зафиксировать долгосрочные факты
Поместите стабильные предпочтения и факты в MEMORY.md. Этот файл считывается при старте сессии для прямой инъекции в контекст.
Пример фрагмента MEMORY.md:
# MEMORY.md## User preferences- timezone: Asia/Tokyo- prefers_brief_responses: true- default_calendar: personal@gmail.com## Projects- acme-internal: deploy target Cloudflare Workers, main repo: github.com/org/acme
После редактирования перезапуск не требуется для чтения файла в новых сессиях; однако для индексирования плагинами может понадобиться переиндексация (см. ниже).
Программная запись в память (пример на Node.js)
Поскольку память — это файлы, простые скрипты могут дополнять или создавать элементы памяти. Это полезно, когда внешняя система хочет записывать факты в рабочее пространство агента.
// append-memory.js (Node.js)import {writeFileSync, appendFileSync} from 'fs';import {homedir} from 'os';import path from 'path';const ws = path.join(homedir(), '.openclaw', 'workspace');const mdPath = path.join(ws, 'memory', `${new Date().toISOString().slice(0,10)}.md`);// ensure folder exists and append a factappendFileSync(mdPath, `\n- ${new Date().toISOString()}: Completed deployment for project X\n`);console.log(`Wrote to ${mdPath}`);
Подсказка: используйте openclaw config get agents.defaults.workspace, чтобы подтвердить путь к рабочему пространству перед записью.
Переиндексация и управление плагинами
Если вы изменяете файлы памяти и полагаетесь на семантический поиск, требуется переиндексация (или ожидание автоматического индексатора плагина).
- Проверьте, какой плагин активен:
openclaw config get plugins.slots.memory - Переиндексация (зависит от плагина — многие плагины предоставляют CLI вроде
openclaw memory reindexили требуют перезапуска Gateway).
Пример фрагмента конфигурации для отключения плагинов памяти (принудительный режим только файлы):
// ~/.openclaw/openclaw.json (partial){ "plugins": { "slots": { "memory": "none" } }}
После изменения настроек плагинов перезапустите Gateway, чтобы применить конфигурацию:
openclaw gateway restart
Документация и ссылки по конфигурации конкретно указывают plugins.slots.memory и plugins.installs как элементы управления управлением плагином памяти.
Смена бэкенда памяти — пример: добавление плагина LanceDB
Существуют плагины сообщества для замены бэкенда памяти по умолчанию на более масштабируемые векторные хранилища. Примерный паттерн (из широко используемого плагина сообщества):
# from your workspace rootcd ~/.openclaw/workspacegit clone https://github.com/win4r/memory-lancedb-pro.git plugins/memory-lancedb-procd plugins/memory-lancedb-pronpm install# then update openclaw.json to activate the 'memory-lancedb-pro' plugin# and restart gateway:openclaw gateway restart
README плагина и авторы рекомендуют абсолютные пути в plugins.load.paths и явные переменные окружения для ключей API эмбеддингов.
CLI-поиск по памяти и устранение неполадок
OpenClaw предоставляет вспомогательные утилиты CLI, такие как openclaw memory, для поиска или управления семантическим индексом. Обращайте внимание на проблемы, специфичные для плагина (например, пользователи бэкенда QMD сообщали о несоответствиях индекс/поиск, которые требовали перенастройки). Если результаты отсутствуют, выполните переиндексацию и проверьте журналы плагина.
Память как файлы (каноничная истина)
OpenClaw ставит обычные Markdown-файлы в рабочем пространстве агента в центр своей модели памяти. Агент пишет в эти файлы и читает из них; это персистентное, редактируемое человеком хранилище. LLM «помнит» только то, что записано на диск — волатильный контекст сессии отделен. Типичные файлы и соглашения:
MEMORY.md— курируемые, долговечные элементы памяти (решения, факты профиля пользователя, устойчивые предпочтения).memory/YYYY-MM-DD.md— ежедневно пополняемые журналы, используемые как эфемерная/ежедневная память.USER.md,SOUL.md,AGENTS.md— другие файлы рабочего пространства, влияющие на личность или поведение агента.
Эти файлы находятся в рабочем пространстве агента (по умолчанию~/.openclaw/workspace) и могут быть прочитаны или отредактированы вами в любой момент.
Заключение
Система памяти OpenClaw представляет собой фундаментальный сдвиг в архитектуре ИИ.
Вместо эфемерных бесед платформа вводит устойчивые, управляемые разработчиком слои памяти, позволяющие ИИ-агентам накапливать знания со временем.
Ее дизайн делает акцент на:
- прозрачности благодаря файловому хранилищу
- масштабируемости благодаря извлечению на основе эмбеддингов
- контроле для разработчика посредством конфигурации
- расширяемости за счет плагинов
Однако постоянная память также привносит новые инженерные и безопасностные задачи, которые разработчикам необходимо тщательно управлять.
По мере того как автономные агенты становятся более мощными и широко развертываются, такие системы памяти, как у OpenClaw, вероятно, станут ключевым компонентом следующего поколения интеллектуальных программных систем.
CometAPI теперь интегрирован с openclaw. Если вы ищете API с поддержкой Claude, Gemini и GPT-5 Series, CometAPI — лучший выбор для использования openclaw, а цена его API постоянно снижается.). OpenClaw недавно обновил совместимость с GPT-5.4 и оптимизировал свой рабочий процесс. Теперь вы также можете настраивать OpenClaw через GPT-5.4 от CometAPI.
Готовы начать?→ Sign up fo openclaw today !
Если вы хотите больше советов, гайдов и новостей об ИИ, подпишитесь на нас в VK, X и Discord!