黑洞来咯
89.71MB · 2026-02-15
OpenClaw 原生架构的记忆依赖上下文历史拼接、工具调用读写本地文件，以及显式对话指令触发记忆。
最严重的是上下文爆炸，文件读写加上工具调用日志进入 prompt，导致 token 非线性增长。
原生 OpenClaw 本质是 Prompt 驱动型 Agent，记忆等于上下文，状态等于 token，长期能力等于上下文堆叠。而 OpenClaw + MemOS 转变为系统驱动型 Agent，记忆是系统层，状态是结构化存储，推理是状态调度加模型调用，Agent 从"会聊天的程序"转向"具备长期状态连续性的智能系统组件"。
本次测试，我们用公开数据集和真实任务对 OpenClaw 原生方案和 OpenClaw + MemOS 插件两个方案，对长期记忆能力、跨会话一致性、token 消耗与系统效率进行系统对比评测。
通过 LOCOMO（Long-Term Conversational Memory Benchmark），测试两类任务：
评测通过 Gateway 启动两个 OpenClaw 端点版本：原生 OpenClaw、集成 MemOS 插件的 OpenClaw。
测试流程：
准确性方面，准确率从 0.2373 提升到 0.3168，说明长期对话的记忆稳定性明显增强。Agent 不再只靠上下文拼接做短期推理，而是有了结构化记忆调度能力。
成本方面，模型调用次数降低 59.5%，token 消耗降低 72%+。系统不再通过"堆 prompt"维持状态，而是通过记忆系统做状态抽取、结构化存储和按需激活。这是个重要转变：从"上下文记忆"到"系统记忆"。
公开数据集只能验证模型能力上限，真实系统更关心工程行为：跨会话连续任务、复杂状态保持、长期协作交互。
我们构建了一组复杂真实任务流，测试跨会话任务连续性、多维度信息检索稳定性、记忆写入与召回效率，以及 token 成本随复杂度的增长趋势。
MemOS OpenClaw Plugin 通过自动记忆机制，让 Agent 的所有交互进入记忆系统，形成结构化存储和可调度状态。
集成 MemOS 后，对话轮次减少约 53%，token 消耗减少约 49%。
跨会话任务可以自然延续，无需用户反复重建上下文。不再出现"行为反转"、"偏好丢失"、"任务方向漂移"这些问题。
Agent 从"短期记忆型对话工具"转变为"具备长期状态连续性的协作系统"。
在 OpenClaw 原生架构中，记忆读写依赖工具调用，本地文件操作产生大量不可控上下文污染，一次"写一句话"的操作能引入数千 token 的上下文膨胀。
MemOS 将记忆从"prompt 负担"转为"系统状态层"，记忆不进入上下文堆叠而是按需激活注入，状态与对话解耦，记忆与推理解耦，从架构上阻断了 token 爆炸路径。
OpenClaw 不再每次固定塞入 today+yesterday+ 长期记忆，而是由 MemOS 按当前任务检索最相关的少量记忆（可设定召回预算/条数），显著降低无效上下文占比，避免 Token 滚雪球。
MemOS 提供更强的记忆组织与检索能力（结构化、分层/多粒度、语义检索 + 规则过滤等），让 OpenClaw 召回的内容相关性更强、稳定性更高，减少 Agent 因“召回不稳”导致的重复推理与反复确认。
工具调用的长输出（如遍历结果、config/schema 等）不会直接原样反复写入上下文；MemOS 可以做摘要/压缩、去重与归档，长期运行越用越“清爽”，记忆质量随时间提升而不是劣化。
在真实工程环境中，这带来可扩展性提升、token 成本可控、跨会话能力稳定、长期任务可持续，以及 Agent 行为一致性增强。
Your lobster now has a working memory system.
Get your API key:
memos-dashboard.openmem.net/quickstart/…
Try it: Full tutorial
github.com/MemTensor/M…
MemOS 为 AI 应用构建统一的记忆管理平台，让智能系统如大脑般拥有灵活、可迁移、可共享的长期记忆和即时记忆。
作为记忆张量首次提出“记忆调度”架构的 AI 记忆操作系统，我们希望通过 MemOS 全面重构模型记忆资源的生命周期管理，为智能系统提供高效且灵活的记忆管理能力。
