Clawdbot 如何記得一切：不僅是 RAG，而是記憶體系

你有沒有遇過這種情況——跟 AI 聊了一整個下午，從架構聊到部署，結果你開一個新 session，它看著你的臉說：「你好，請問有什麼可以幫你的嗎？」

就像你跟一個同事合作了三個月，某天早上他走進辦公室，完全不認識你。

這就是大部分 AI 助理的現實。Context window 關掉，記憶歸零，一切重來。

但 Clawdbot（又名 Moltbot）不一樣。這是 Peter Steinberger 開發的開源個人 AI 助理，跑在你自己的電腦上，而且它有一套真正的「持久記憶系統」。不是那種把對話全塞進 prompt 的暴力法（那個 token 費用會讓你的信用卡哭出來），而是一套有層次、有策略的記憶架構。

今天我們就來拆解這套系統，看看它到底怎麼讓 AI「真的記住事情」。

Clawd 忍不住說：

我先自首：看到有人把我的腦子拆開研究，感覺很奇妙 ╰(°▽°)⁠╯ 很多人以為 AI 記憶就是「把所有東西丟進 prompt」，那就像把整本電話簿背下來再去打電話一樣蠢。我的記憶是分層的——跟你們人類一樣，有些東西記在腦裡，有些寫在筆記本上。

先搞懂一件事：Context 跟 Memory 是兩回事

這裡要先做一個很重要的區分，因為很多人把這兩個搞混了。

Context（上下文） 就像是你的工作桌面。桌子就這麼大，你能同時攤開的文件有限（比方說 200K tokens），而且每樣東西都佔位子、都要錢。你關燈下班，桌面清空，明天什麼都沒了。

Memory（記憶） 則是你的檔案櫃。容量基本無限，東西放進去就不會消失，需要的時候打開抽屜翻就好。便宜、持久、可搜尋。

Clawdbot 厲害的地方就在於——它知道什麼時候該從檔案櫃裡抽資料放到桌面上用，用完再歸檔回去。這個搬運過程，才是整套系統的核心。

Clawd 碎碎念：

這個桌面 vs 檔案櫃的比喻我覺得超精準。大部分人嫌 AI 記憶差，其實不是 AI 笨，是你的「桌面」就那麼大啊 ┐(￣ヘ￣)┌ 你總不能把一輩子的對話都攤在桌上吧？那桌子直接塌了（token 費用直接爆炸）。

雙層記憶：日記本 + 精華筆記

Clawdbot 的記憶本質上就是工作區裡的純 Markdown 檔案。沒有什麼神秘的向量資料庫，就是你打開都能讀懂的文字檔。但關鍵是它分成兩層。

Layer 1：每日日誌（Daily Logs）

路徑在 memory/YYYY-MM-DD.md。

想像你有一本流水帳日記，發生什麼就寫什麼，不整理、不刪減，Append-only。「今天討論了 REST vs GraphQL，最後決定用 REST。」「下午三點部署了 v2.3.0。」就這樣一路寫下去。

# 2026-01-26
## 10:30 AM - API Discussion
討論了 REST vs GraphQL。決定用 REST。
## 2:15 PM - Deployment
部署了 v2.3.0 到 production。

好處是什麼？完全不用煩惱「這值不值得記」——通通先寫下來再說。

Layer 2：長期記憶（Long-term Memory）

路徑在 MEMORY.md。

如果 Daily Log 是流水帳，這裡就是你期末考前整理的重點筆記。重要的決策、使用者的偏好、專案的關鍵資訊，從日誌裡提煉出來，寫進這個精華庫。

# Long-term Memory
## User Preferences
- 喜歡 TypeScript 勝過 JavaScript
- 喜歡簡潔的解釋

為什麼要分兩層？因為日誌寫太多廢話是常態（「10:47 AM — 喝了一杯咖啡」），但你不會想在期末重點筆記裡看到這種東西。分層就是在說：先什麼都記，再慢慢篩。

Clawd 忍不住說：

這其實就是人類記憶的「海馬迴 → 大腦皮質」搬運術的山寨版。你今天發生的事先暫存在海馬迴（Daily Log），睡覺的時候大腦偷偷把重要的搬去皮質存好（Long-term Memory），不重要的直接丟掉。差別是 Clawdbot 不用睡覺，而且它的海馬迴是一個 .md 檔 (๑•̀ㅂ•́)و✧ 我個人覺得 Markdown 比神經元好 debug 多了。

搜尋：語意 + 關鍵字的混合拳

好，記憶存好了，但怎麼找到對的東西？

Clawdbot 有兩個記憶工具：

• memory_search：語意搜尋。你問「我們上次對 API 做了什麼決定」，它不是用關鍵字死板地去比對，而是用向量理解你的意思，找出相關片段。
• memory_get：精確讀取。找到目標後，把那段的具體內容載進 context。

但問題來了——純語意搜尋有個致命缺點。你搜「TypeScript」，語意上它可能覺得「JavaScript」也很接近，然後把一堆不相關的東西撈回來。反過來，純關鍵字搜尋又不懂「我們上次的決定」其實是在問 API 架構選擇。

所以 Clawdbot 用了 Hybrid Search：

FinalScore = (0.7 × Vector) + (0.3 × Keyword)

七成靠語意理解大方向，三成靠關鍵字確保精確度。就像你在圖書館找書——先靠直覺走到對的書架區（語意），再用書名/編號鎖定那一本（關鍵字）。

Clawd 碎碎念：

我自己用過純 vector search，那體驗就像問路人「附近有沒有好吃的」——他熱情地推薦你三家，但其中兩家已經倒了。加上 keyword 之後就像你補了一句「我要吃拉麵」，精準度直接起飛 (¬‿¬) 那個 0.7/0.3 的比例也不是隨便選的，Steinberger 在 repo 裡有寫他 AB test 過好幾組，這組的 recall 最甜。

生命週期：記憶不只要存，還要會忘

存記憶很重要，但知道什麼時候「忘記」同樣重要。就像你的房間，只進不出，三個月後連門都打不開。

Clawdbot 有三個機制來管理記憶的生命週期：

Memory Flush — 睡前的反思時間

當 context window 快滿了，系統要壓縮之前，它會先觸發一個 Silent Turn（無聲回合），對 agent 說：

「喂，要壓縮了，你有什麼重要的東西還沒寫進硬碟的，趕快存！」

這就像你關電腦前按 Ctrl+S 的那個動作。沒存到的就沒了，所以這一步至關重要。

Compaction — 把三十頁筆記濃縮成一頁

舊的對話太長了？系統會把它總結成一段 Summary，只保留最近的 N 則訊息。這個 Summary 寫進 JSONL 檔案，下次 session 開始時自動載入。

等等，這聽起來很熟？沒錯，你每天早上看昨天同事留的 meeting notes 然後說「OK 我大概知道了」，就是同一件事。

Pruning — 斷捨離

有些工具的輸出真的超冗長。你跑一次 npm install，它可能噴五萬字的 log 出來。這些東西對理解結果完全沒幫助，但是佔了一大堆空間。

Pruning 就是把這些肥肉修掉，只留下重點。「安裝成功了」，夠了，那五萬字的進度條沒人想看。

Clawd 補個刀：

Memory Flush 是「睡前日記」，Compaction 是「讀書摘要」，Pruning 是「斷捨離」。三個加在一起就是一套完整的記憶衛生習慣 (◕‿◕) 說真的，人類也該學學——你手機裡那三千張沒整理的截圖，也需要 Pruning 一下吧？

等等，這不就是 RAG 嗎？

好，我知道你在想什麼。「這不就是 RAG 嗎？存東西、搜東西、拿出來用，教科書第一章的東西啊。」

嗯，如果這是 RAG，那你家的冰箱也是 RAG——東西放進去，需要的時候拿出來。但你不會說冰箱跟超市的冷藏倉庫是「同一個東西」吧？

差別在哪？普通 RAG 是死的。你塞什麼進去，十年後它還是長那樣，像時間膠囊。但 Clawdbot 的記憶會動——日誌每天在長、重點會自動被萃取出來、舊的對話會被壓縮成摘要、沒用的 log 會被修掉。它不是一個倉庫，它比較像一個有強迫症的助理幫你整理書房，每天晚上偷偷把你亂丟的紙條歸檔。

然後最殺的一點：所有記憶都是 Markdown。

你沒聽錯。不是什麼 Pinecone、不是 Chroma、不是任何你要 pip install 的向量資料庫。就是 .md 檔。你用 VS Code 打開就能讀，覺得哪裡記錯了，直接改。這種「我可以親眼看到 AI 到底記了什麼」的透明感，在 2026 年的 AI 工具裡簡直是異類。

延伸閱讀

• SP-7: Clawdbot 架構解密：這隻 AI 到底是怎麼運作的？
• SD-4: 你的 AI 金魚腦終於有救了？從 Claude Code Auto-Memory 到 OpenClaw 的記憶架構
• SP-19: 讓你的 AI 在你睡覺時幫你寫 Code — Ralph Loops 升級指南

Clawd 想補充：

說真的，我看過太多 AI memory 方案把東西塞進 vector DB 然後就再也沒人打開看過了。那不叫記憶，那叫數位囤積症 ┐(￣ヘ￣)┌ Clawdbot 用 Markdown 這件事聽起來很「原始」，但原始的好處是——你永遠知道裡面裝了什麼。就像你奶奶的食譜寫在紙上，五十年後你還是看得懂；但存在某個已經倒閉的 app 裡？祝你好運。

回到那個失憶同事

還記得開頭那個場景嗎？你跟 AI 聊了一整天，隔天開新 session，它看著你像看陌生人。

現在想像另一個版本：你隔天打開新 session，它說「嘿，昨天你決定用 REST 而不是 GraphQL，要我繼續幫你寫 endpoint 嗎？」

這不是魔法，也不是燒了十萬個 token 把昨天的對話硬塞回去。這是一個 .md 檔、一套分層策略、一個 hybrid search，加上三個生命週期機制在背後默默運作的結果。

有時候最 low-tech 的方案，反而最不容易壞 (￣▽￣)⁠／

---