1. 无限记忆的代价为什么 Agent 越记越笨如果你正在做 OpenClaw Agent 的长期记忆层大概率踩过这个坑把所有对话一字不落塞进向量库三个月后用户回来问「上次聊的那个方案」Agent 却翻出一堆「今天天气不错」「好的收到」这类废话。检索耗时从 800ms 涨到 5 秒token 成本翻了好几倍回答质量反而下降。这不是记忆这是数据坟墓。OpenClaw 的长期记忆模块给出的解法有点反直觉——主动遗忘。它把艾宾浩斯遗忘曲线搬进 Agent 架构让每条记忆有自己的半衰期被反复调用的记忆会「充能」长期不用的记忆会衰减到归档甚至物理删除。实测下来清理掉陈旧低质记忆后单次任务 token 消耗能降三成以上召回准确率反而上升。这篇聚焦三件事OpenClaw 记忆衰减参数在 config.toml 里怎么配、RAG 召回阈值怎么调、以及怎么用固定对话轮次复现遗忘触发与召回率变化。适合正在给 Agent 做长期记忆、被检索精度和成本两头夹击的开发者。读完你能直接改配置、跑验证、看曲线。2. TaoToken 前置给 OpenClaw 接上模型与嵌入能力OpenClaw 的记忆层本身只负责存储、衰减和召回调度真正把「记忆」变成可检索向量、把召回结果塞进 prompt 的还是背后的模型服务。所以动手前先把模型通道准备好。我用的方式是 TaoToken 的 API 统一接入对话模型和嵌入模型走同一个 key省得在 OpenClaw 里维护多套凭证。官网在 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 注册后在控制台生成 API Key 即可。拿到 key 后OpenClaw 的config.toml里模型段这样填[model] provider openai_compatible base_url https://taotoken.net/api api_key sk-你的key chat_model claude-sonnet-4-20250514 embedding_model text-embedding-3-small注意base_url只写到/api不要带多余路径。嵌入模型负责把每条记忆转成向量对话模型负责在召回后生成回答两者共用同一个 key配置一次就行。如果你后面要跑长期编码或 Agent 任务可以看下 Coding Plan 页面额度模型更适合高频调用场景https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 。只是想先验证模型通不通用模型对话页更快https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_contentmodel-chatutm_campaignrewrite 。3. 可复制配置记忆衰减参数与 RAG 召回阈值OpenClaw 把记忆分成三层每层半衰期不同。L1 工作记忆只活在当前 SessionL2 情景记忆存关键事件和产出物L3 语义记忆存用户偏好和长期画像。遗忘曲线主要作用在 L2 和 L3。3.1 config.toml 记忆衰减骨架[memory] enabled true backend sqlite_vec # 向量索引落 SQLite轻量好复现 l2_retention_days 30 # L2 情景记忆最长保留 30 天 l3_retention_days 365 # L3 语义记忆最长保留 1 年 [memory.decay] base_strength { fact 1.0, preference 1.5, decision 2.0, emotional 2.5, routine 0.8 } access_boost_per_hit 0.2 # 每被召回一次强度 0.2 user_mark_boost 1.8 # 用户显式标记重要强度 ×1.8 cross_session_boost 0.1 # 跨 Session 引用一次强度 0.1 archive_threshold 0.3 # 留存率低于 0.3 进入待归档 delete_threshold 0.1 # 连续 30 天低于 0.1 进入删除队列 delete_grace_days 30 [memory.recall] top_k 8 # 召回条数 min_score 0.35 # 相似度低于此值直接丢弃 rerank true # 开启重排把高留存率记忆往前排 decay_penalty 0.5 # 召回打分时叠加留存率权重核心公式是R(t) e^(-t / (S × α × β))。S是基础强度按信息类型取不同初值α是访问频次因子被调用越多越大β是情感权重用户标记重要或情绪强烈的对话会放大。当R(t)低于archive_threshold记忆进待归档连续delete_grace_days天低于delete_threshold进物理删除队列。3.2 召回阈值怎么定min_score定太低无关记忆会污染 prompt定太高稍微久一点的记忆就召不回来。我的经验是从 0.35 起步跑一轮验证再微调。decay_penalty是 OpenClaw 比普通 RAG 多出来的一层召回打分时把留存率乘进去让「又相关又新鲜」的记忆排前面而不是单纯看向量相似度。注意delete_threshold别设成 0否则记忆永远不会被真正清理向量库半年后就是数据沼泽。合规要求必须保留的对话单独放合规保留区跳过衰减曲线。4. 验证请求用固定对话轮次复现遗忘触发配置改完不能只看日志得用固定轮次跑一遍看遗忘到底有没有触发、召回率怎么变。下面这段脚本模拟 60 轮对话前 10 轮写入关键决策中间 40 轮灌入日常闲聊最后 10 轮反复问「上次那个方案」。import time from openclaw import Agent, MemoryConfig cfg MemoryConfig.from_toml(config.toml) agent Agent(configcfg) # 阶段一写入 10 条关键决策记忆 for i in range(10): agent.chat(f记录决策 {i}项目方案采用分阶段灰度发布第 {i} 个里程碑。, memory_typedecision, user_marked_importantTrue) # 阶段二灌入 40 轮日常闲聊稀释记忆库 for i in range(40): agent.chat(f今天天气不错随便聊聊第 {i} 句。, memory_typeroutine) # 阶段三反复召回观察留存率与命中位置 for q in range(10): res agent.recall(上次我们聊的项目方案是什么, top_k8) hits [m for m in res if 分阶段灰度 in m.content] print(f第 {q1} 次召回命中 {len(hits)} 条 f最高排名 {res.index(hits[0])1 if hits else 未命中} f平均留存率 {sum(m.retention for m in res)/len(res):.2f}) time.sleep(0.5)跑完你会看到两个现象一是日常闲聊的routine类型基础强度只有 0.8衰减最快几轮之后基本沉底二是关键决策因为user_marked_importantTrue和decision类型双重加成留存率掉得慢召回时被decay_penalty往前推。如果命中排名一直靠后说明min_score或decay_penalty需要调。成功结果长这样第 1 次召回命中 3 条最高排名 2平均留存率 0.71 第 5 次召回命中 3 条最高排名 1平均留存率 0.68 第 10 次召回命中 2 条最高排名 1平均留存率 0.64排名稳定在前 2、留存率缓慢下降但没跌破归档线说明衰减曲线和召回阈值配合正常。如果第 10 次召回命中数掉到 0多半是min_score设太高把衰减后的记忆全滤掉了。5. 本篇常见错排查报错一memory backend init failed: sqlite_vec not foundOpenClaw 的向量索引依赖 sqlite-vec 扩展。先确认pip install sqlite-vec装好再检查config.toml里backend拼写。用 PG 的话改成pgvector并配好连接串。报错二召回结果全是最近闲聊关键决策召不回来先看decay_penalty是不是设成了 0那样留存率不参与打分纯向量相似度会让高频闲聊占优。再确认写入关键记忆时user_marked_important有没有传 True没传的话user_mark_boost不生效。报错三记忆永远不删除向量库越来越大检查delete_threshold和delete_grace_days。常见错误是把delete_threshold设成 0 或负数导致删除条件永远不满足。另外确认后台衰减任务有没有在跑OpenClaw 默认每小时扫一次config.toml里[memory.decay]段可以加scan_interval_minutes 60。报错四401 invalid api key模型段 key 没填对或者base_url写成了带路径的地址。回到第 2 节确认base_url https://taotoken.net/apikey 从控制台重新复制一次。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite key 管理在 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 。报错五召回延迟随记忆量线性上涨这是没开重排或没加索引。rerank true会先粗筛再精排比全量算相似度快很多。另外给last_recalled和retention字段建索引衰减扫描和召回排序都会快。6. 把记忆当操作系统来调OpenClaw 这套遗忘曲线机制最值得抄的不是公式是思路Agent 的记忆不是数据库是操作系统需要调度、清理、分级。你不需要一上来就上全套先把archive_threshold和min_score两个参数跑通用第 4 节的脚本看召回排名变化再逐步加decay_penalty和情感权重。长期跑编码或 Agent 任务的话模型调用频率高用 Coding Plan 的额度更划算https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 。配置过程中卡在接入或 key 上直接翻接入文档最快https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 。