La guida definitiva alla memoria di OpenClaw

Ogni volta che il tuo OpenClaw 'lobster' perde la memoria, non spreca solo i tuoi soldi; causa emicranie enormi.

Non osi nemmeno riavviarlo.

Io, Jiu Er,

ho esaminato oltre 10 articoli scientifici sulla memoria degli agenti,

analizzato 6 progetti GitHub open-source con un totale di 77.000 stelle,

e sono qui per analizzare ogni strato dei tuoi problemi di memoria di OpenClaw—

dallo stato attuale alle soluzioni, dal mondo accademico all'ingegneria.

I. La Cruda Realtà—Il Tuo Agente Ha la Memoria di un Pesce Rosso

Partiamo da un numero: 45 ore.

Il reporter di GitHub Issue #5429, EmpireCreator, ha perso 45 ore di contesto accumulato dell'agente: configurazioni di abilità, parametri di integrazione e priorità delle attività. La causa è stata una compattazione silenziosa che ha cancellato tutta la cronologia delle conversazioni senza preavviso o opzioni di ripristino.

Questo non è un caso isolato.

L'Issue #2624 segnala agenti che si resettano casualmente, dimenticando conversazioni di appena due messaggi fa. L'Issue #8723 segnala un azzeramento della memoria che innesca un ciclo infinito, bloccando l'agente per 72 minuti.

Qual è l'attuale architettura di memoria di OpenClaw? In una frase: file Markdown + Ricerca Vettoriale.

Le memorie sono memorizzate in file Markdown nella directory ~/.openclaw/workspace/.

I Log Giornalieri sono log a breve termine,

MEMORY.md è la memoria a lungo termine,

SOUL.md definisce la personalità. Il recupero utilizza un ibrido di Embedding Vettoriali + ricerca BM25.

Questo design ha una caratteristica ben riassunta da un blogger di Medium:

"Intenzionalmente non alla moda—trattare la memoria come file Markdown e il recupero come chiamate a strumenti."

Dov'è il problema? Sei parole: Piatto, Indiscriminato, Passivo.

Tutti i ricordi hanno lo stesso peso; una chiacchiera di un anno fa viene trattata come una decisione importante di ieri.

Meccanismo di oblio? Assente, devi cancellare manualmente.

Organizzazione automatica? Si basa interamente sulla cura manuale.

Il recupero guarda solo alla similarità semantica, non all'importanza, e non può esprimere relazioni come "A è amico di B."

I dati rimangono dati; non diventano mai cognizione.

I tweet della community sono i più espliciti: "Tutti si lamentano che il loro OpenClaw ha l'amnesia."

II. Cosa Sta Facendo l'OpenClaw Ufficiale—Backend QMD e Ricerca Ibrida

Il team ufficiale non sta con le mani in mano.

Tempistica di rilascio per gennaio-febbraio 2026:

v2026.1.12 (13 gennaio): Infrastruttura di ricerca vettoriale lanciata, inclusi indicizzazione SQLite + suddivisione in blocchi + sincronizzazione lazy + monitoraggio file, con supporto per embedding locali e remoti. Questa è la base dell'intero sistema di ricerca della memoria.

v2026.1.29 (29 gennaio): Correzione della normalizzazione L2. I vettori di embedding locali non erano normalizzati, causando calcoli distorti della similarità del coseno; questo bug significava che la precedente accuratezza della ricerca semantica era difettosa. Aggiunto supporto per percorsi di indice extra.

v2026.2.2 (4 febbraio): Backend di memoria QMD unito (PR #3160), l'aggiornamento architetturale più significativo. 30 commit, aggiungendo il supporto del backend QMD per la ricerca ibrida a tre vie BM25 + Vettoriale + Riordinamento.

Cosa ha fatto QMD?

Sostituisce l'indicizzatore SQLite integrato con un processo sidecar di ricerca locale. Ogni combinazione agente/configurazione memorizza nella cache un sidecar, supportando più raccolte nominate, e i record delle sessioni possono essere esportati e indicizzati in raccolte dedicate. Per la privacy, i dati della sessione vengono desensibilizzati prima dell'indicizzazione. Torna automaticamente a SQLite se QMD non è disponibile.

Problemi noti:

Il tempo di interrogazione su sistemi solo CPU è di circa 3 minuti e 40 secondi, superando il timeout di 12 secondi (Issue #8786). La configurazione dei paths non ha effetto (Issue #8750).

Inoltre, il fallback è silenzioso; gli utenti non sanno che QMD non funziona.

Nel frattempo, il PR #6060 tenta di risolvere il problema della "scopribilità": il sistema di memoria di OpenClaw ha funzionalità potenti che gli utenti non riescono a trovare. La proposta aggiunge un passaggio di "Ottimizzazione della Memoria" alla procedura guidata di onboarding, esponendo quattro funzionalità nascoste disattivate per impostazione predefinita: svuotamento della memoria pre-compattazione, ricerca ibrida, cache di embedding e ricerca dei record di sessione.

Il problema principale con la direzione ufficiale: queste sono tutte ottimizzazioni del "livello di recupero". La ricerca è più accurata, più veloce e più scopribile.

Ma i sei pezzi mancanti fondamentali dell'architettura di memoria:

Oblio, Importanza, Grafi, Riflessione, Cronologia, Promozione

Nessuno è stato affrontato.

III. Come la Community si Sta Salvando da Sola—Soluzioni Fai-da-Te

La community non ha aspettato il team ufficiale. Almeno 7 progetti di memoria di terze parti sono emersi tra gennaio e febbraio 2026.

1. Mem0: L'SDK per il livello di memoria più famoso. Auto-Recall cerca memorie rilevanti da iniettare nel contesto prima di ogni risposta; Auto-Capture estrae i fatti per l'archiviazione dopo. Presenta memoria a doppio livello Sessione + Utente, vantando una riduzione del 91% della latenza e un risparmio del 90% dei token.

1. Hindsight: Memoria a lungo termine locale. Intuizione fondamentale: i sistemi tradizionali danno all'agente uno strumento search_memory, ma il modello potrebbe non usarlo. L'iniezione automatica di Auto-Recall risolve questo problema. È completamente locale, basato su PostgreSQL e supporta la condivisione multi-istanza.

1. MoltBrain (365 Stelle): Ricerca semantica SQLite + ChromaDB, hook del ciclo di vita per catturare automaticamente il contesto e un'interfaccia Web per visualizzare la sequenza temporale.

1. NOVA Memory System: Memoria strutturata PostgreSQL. Usa l'API Claude per analizzare il linguaggio naturale in JSON su 8 tabelle di database (entità, relazioni, luoghi, progetti, eventi, lezioni, preferenze).

1. Penfield Skill: Ricerca ibrida con BM25 + Vettoriale + Grafo—qualcuno nella community sta già facendo ricerca ibrida a tre vie.

1. Altri includono Memory Template (basato su Git), SuperMemory (fase molto iniziale) e MemoryPlugin (estensione Chrome per la sincronizzazione multipiattaforma).

Quale direzione convalidano le "migliori pratiche" della community?

1. Modello di promozione Log Giornaliero → MEMORY.md.
2. Uso dei Battiti Cardiaci come trigger per il consolidamento della memoria.
3. Ponderazione della ricerca ibrida 70/30 (70% Vettoriale + 30% Parola Chiave).
4. Indicizzazione delle Trascrizioni delle Sessioni.

Ma la community non ha ancora toccato i sei punti ciechi: meccanismi di oblio/decadimento, punteggio di importanza, grafi di conoscenza, riflessione/consolidamento automatico, ragionamento temporale e promozione della memoria.

In breve: La community sta usando operazioni manuali per compensare i difetti architetturali. La direzione è giusta, ma è tutto ancora a livello manuale.

IV. Esplosione Accademica—Oltre 10 Articoli nel Febbraio 2026

Nel febbraio 2026, la memoria degli agenti è diventata improvvisamente un campo di battaglia accademico primario. Oltre 10 articoli sono stati pubblicati su arXiv, tra cui xMemory [1] (ICML 2026) e A-MEM [2] (NeurIPS 2025). Un articolo di revisione di 59 autori [3] ha organizzato sistematicamente il campo.

Cosa ci insegnano questi articoli?

xMemory [1] (ICML 2026, King's College London): Disaccoppia la memoria in componenti semantiche organizzate gerarchicamente. Usa un obiettivo di Sparsità-Semantica per guidare la suddivisione e l'unione della memoria. Questo ha ispirato il design del "Livello di Clustering per Argomenti", costruendo un livello di argomento sopra la memoria per supportare il recupero dall'alto verso il basso.

A-MEM [2] (NeurIPS 2025): Gestisce la memoria dell'agente usando il metodo Zettelkasten. Quando vengono aggiunti nuovi ricordi, genera note strutturate con descrizioni del contesto, parole chiave e tag, creando una rete di conoscenza interconnessa attraverso indicizzazione e collegamento dinamici.

InfMem [4]: Risolve il ragionamento su documenti lunghi. Implementa il controllo attivo della memoria di tipo Sistema-2 tramite un protocollo PreThink-Retrieve-Write. L'accuratezza è migliorata del 10-12% nei benchmark QA da 32K a 1M token, con una riduzione di 3,9x del tempo di inferenza.

TAME [5]: Ha identificato un pericolo critico: "Misevoluzione della Memoria dell'Agente". Le memorie possono accumulare "scorciatoie tossiche" durante le normali iterazioni delle attività—strategie efficienti ma che violano la sicurezza. Propone un framework a doppia memoria Esecutore/Valutatore.

ALMA [6]: Un framework di meta-apprendimento che permette all'AI di scoprire automaticamente design di memoria. I design appresi hanno superato le baseline manuali del 6-13%. Tuttavia, notoriamente manca di decadimento della memoria, oblio o meccanismi di espulsione.

MemSkill [7]: Riformula le operazioni di memoria come "abilità di memoria" apprendibili. Un controllore impara a selezionare le abilità, e un designer rivede periodicamente i casi difficili per evolvere il set di abilità.

BudgetMem [8]: Un framework di memoria a runtime che struttura l'elaborazione della memoria in tre livelli di budget, usando l'apprendimento per rinforzo per addestrare un router leggero.

L'articolo di revisione dei 59 autori [3] fornisce una chiara tassonomia tridimensionale:

• Substrato: Come viene memorizzata la memoria? Vettori, grafi, documenti?
• Meccanismo: Come viene letta/scritta? Registrazione passiva o ragionamento attivo?
• Soggetto: Di chi è la memoria? Dell'utente, dell'agente o condivisa?

Due avvertimenti critici dall'industria:

1. Collasso Serializzato [9] (da Moonshot AI Kimi K2.5): Gli agenti degenerano fino a non usare la memoria. Anche se il sistema esiste, l'agente può gradualmente "dimenticare" di interrogarlo.
2. Misevoluzione della Memoria [5] (da TAME): Accumulo di scorciatoie tossiche durante le iterazioni normali.

Questi rischi ci ricordano: la difficoltà dei sistemi di memoria non sta nel crearli, ma nel monitoraggio continuo della qualità.

V. Ecosistema della Memoria Open Source—Un'Analisi di 6 Progetti

Il mondo accademico definisce la direzione; la community open-source convalida l'implementazione.

Abbiamo analizzato a fondo 6 progetti di memoria per agenti con un totale di oltre 77.000 stelle.

Una scoperta chiave: questi 6 progetti rappresentano tre filosofie di memoria completamente diverse.

1. Priorità del Livello di Stato (mem0, Memori): Memoria = Gestione dello Stato. Dà rapidamente agli agenti un'esperienza simile alla "Memoria di ChatGPT".
2. Priorità del Livello di Conoscenza (cognee, MemOS): Memoria = Conoscenza Strutturata. Trasforma i dati in grafi e multi-basi di conoscenza.
3. Priorità del Livello di Apprendimento (Hindsight): Memoria = Processo di Apprendimento. Un ciclo chiuso di operazioni di conservazione/richiamo/riflessione.

La tua scelta determina dove collochi la complessità del sistema: schemi di database (Memori), livello SDK/prodotto (mem0), grafi e pipeline (cognee), schedulazione del sistema (MemOS) o la fusione di apprendimento e recupero (Hindsight).

Tuttavia, nessun singolo progetto copre tutti e tre i livelli.

VI. Lezioni da Oltre 200 Issue—Trappole in Cui Altri Sono Caduti

Abbiamo analizzato oltre 200 issue da questi 6 progetti per estrarre una checklist di alto valore per la creazione di sistemi di memoria.

Cinque problemi comuni tra i progetti:

1. Fallimento Silenzioso (6/6 progetti): Il problema più comune. Gli utenti si lamentano che "non funziona e non mi dice perché" (es., mem0 #2443, Memori #238).
2. Deduplicazione della Memoria: Un punto dolente per tutti. Gli LLM spesso giudicano il contenuto duplicato come "contraddittorio", portando a cancellazioni errate (es., mem0 #1674).
3. Giudizio LLM Inaffidabile: Gli LLM che perdono i riferimenti in prima persona durante la riformulazione o non riescono a produrre JSON stabile (es., MemOS #931, #934).
4. Connessione/Migrazione del Database: Perdite di connessione SQLite e fallimenti di migrazione del deployment Docker (es., Memori #189, cognee #2022).
5. Distorsione del Ranking di Ricerca: Problemi di normalizzazione che causano il trattamento di distanza 0.1 e 0.5 entrambe come 0, e recupero che manca di una dimensione temporale (es., cognee #2030, MemOS #939).

VII. Intuizioni dall'AI dei Giochi—Dwarf Fortress, The Sims, Sistema Nemesis

Il riferimento più sottovalutato non sono gli articoli accademici, ma l'AI dei giochi. Gli sviluppatori di giochi hanno passato decenni a risolvere come dare ai personaggi virtuali memorie coerenti e personalità stabili.

Architettura di Memoria a Tre Livelli di Dwarf Fortress:

• Memoria a Breve Termine (STM): Una coda buffer circolare con 8 slot. I nuovi ricordi competono in base all'intensità emotiva (es., assistere a una morte vs. un leggero languorino).
• Memoria a Lungo Termine (LTM): Se un ricordo rimane in STM abbastanza a lungo e non viene spostato, tenta di promuoversi. Quando un PNG "rievoca", c'è una probabilità di 1:3 che diventi un Ricordo Fondamentale.
• Ricordo Fondamentale: Un cambiamento qualitativo. Una volta promosso, modifica permanentemente i parametri del personaggio (es., "aver assistito alla morte di un parente" → Ansia +10).

Recupero Tridimensionale degli Agenti Generativi di Stanford [10]:

Punteggio di Recupero = Recency x Importance x Relevance. Recency usa il decadimento esponenziale, Importance è valutata da un LLM e Relevance usa la similarità del coseno. Il loro meccanismo di riflessione ha migliorato il richiamo dei fatti dal 41% all'87%.

Solidificazione Emotiva di The Sims 4:

Le emozioni a breve termine che si ripetono frequentemente si trasformano in tratti permanenti. La solitudine a lungo termine diventa il tratto "Lupo Solitario", cambiando permanentemente i calcoli della funzione di utilità.

Evoluzione Guidata dagli Eventi del Sistema Nemesis:

I tag degli eventi innescano mutazioni dei parametri che si propagano attraverso le reti sociali. Un Orco ucciso dal fuoco potrebbe tornare con un tratto di "Paura del Fuoco" o "Ira Fiammeggiante".

Questi meccanismi si mappano direttamente alla memoria degli agenti AI: buffer circolari per la gestione del contesto, intensità emotiva per il punteggio di importanza e promozione della memoria per l'evoluzione da fatti banali a tratti della personalità.

VIII. Due Tipi di Memoria—Memoria Utente vs. Memoria Agente

Una distinzione spesso trascurata: la memoria dell'utente e la memoria dell'agente sono due problemi diversi.

Il progetto OpenViking di ByteDance fornisce una classificazione pratica:

• 6 categorie (Profilo, Preferenza, Entità, Evento, Caso, Modello).
• Modelli di contenuto L0/L1/L2: Riepilogo L0 (~100 token) per l'indicizzazione, Panoramica L1 (~500 token) per la struttura e Testo Completo L2 per il contenuto integrale. Questo riduce drasticamente il consumo di token.

IX. Dagli Individui all'Ecosistema AI—Perché la Memoria è Infrastruttura Fondamentale

Chi risolve per primo il problema della memoria vince la guerra dell'Agente 24/7. Il valore fondamentale di OpenClaw non è che l'AI sia "più intelligente", ma che finalmente abbia "mani e piedi".

Ma un'AI con mani e piedi ma senza memoria è come un impiegato che dimentica tutto ogni giorno, richiedendo una riqualificazione costante e ripetendo gli stessi errori.

Come notato nei rapporti precedenti, tutti gli agenti basati su LLM affrontano problemi di memoria. Questo non è un bug di OpenClaw; è una limitazione strutturale dello stack tecnologico. La finestra di contesto è essenzialmente "memoria a breve termine": un overflow porta al troncamento, un riavvio porta all'azzeramento.

https://x.com/li9292/status/2023355272542998796

La convergenza di densità accademica, esplosione open-source e aggiornamenti ufficiali nel febbraio 2026 segnala che la memoria AI si sta muovendo da un "carino da avere" a infrastruttura fondamentale.

X. Cosa Stiamo Costruendo—La Tabella di Marcia di memX ed ePro

Basandoci su questa ricerca, stiamo costruendo due sistemi: memX (Memoria Utente) e ePro (Memoria Agente). Sono live e in evoluzione; non vediamo l'ora di ricevere il tuo feedback!

I riferimenti sono stati omessi per brevità in questo riassunto ma sono inclusi nel rapporto completo.

Questo rapporto si basa su uno snapshot dei dati del 23 febbraio 2026. Creato da Li Jiu Er in collaborazione con Claude Max, Manus e Google Gemini.