O Guia Definitivo da Memória OpenClaw

Sempre que seu "OpenClaw" perder a memória, não é só dinheiro jogado fora; é uma baita dor de cabeça.

Você nem ousa reiniciá-lo.

Eu, Jiu Er,

revisei mais de 10 artigos sobre memória de agentes,

analisei 6 projetos open-source no GitHub com um total de 77 mil estrelas,

e estou aqui para detalhar cada camada dos seus problemas de memória no OpenClaw—

desde o estado atual até as soluções, e da academia à engenharia.

I. A Realidade Cruel—Seu Agente Tem Memória de Peixinho Dourado

Vamos começar com um número: 45 horas.

O revisor da Issue #5429 do GitHub, EmpireCreator, perdeu 45 horas de contexto acumulado do agente: configurações de habilidades, parâmetros de integração e prioridades de tarefas. A causa foi uma compactação silenciosa que limpou todo o histórico da conversa sem aviso ou opções de recuperação.

Isso não é um caso isolado.

A Issue #2624 relata agentes reiniciando aleatoriamente, esquecendo conversas de apenas duas mensagens atrás. A Issue #8723 relata uma limpeza de memória que desencadeou um loop infinito, travando o agente por 72 minutos.

Qual é a arquitetura de memória atual do OpenClaw? Em uma frase: Arquivos Markdown + Busca Vetorial.

As memórias são armazenadas em arquivos Markdown no diretório ~/.openclaw/workspace/.

Os Registros Diários são logs de curto prazo,

o MEMORY.md é a memória de longo prazo,

e o SOUL.md define a personalidade. A recuperação usa uma combinação de Embeddings Vetoriais + busca BM25.

Esse design tem uma característica bem resumida por um blogueiro do Medium:

"Intencionalmente careta—tratar memória como arquivos Markdown e recuperação como chamadas de ferramenta."

Onde está o problema? Seis palavras: Plano, Indiscriminado, Passivo.

Todas as memórias têm o mesmo peso; uma conversa fiada de um ano atrás é tratada da mesma forma que uma decisão importante de ontem.

Mecanismo de esquecimento? Nenhum, você tem que deletar manualmente.

Organização automática? Depende totalmente de curadoria manual.

A recuperação só olha para similaridade semântica, não para importância, e não consegue expressar relações como "A é amigo de B."

Dados continuam sendo dados; nunca se tornam cognição.

Os tuítes da comunidade são os mais diretos: "Todo mundo reclama que seu OpenClaw tem amnésia."

II. O que o OpenClaw Oficial Está Fazendo—Backend QMD e Busca Híbrida

A equipe oficial não está parada.

Cronograma de lançamentos para janeiro-fevereiro de 2026:

v2026.1.12 (13 de jan): Infraestrutura de busca vetorial lançada, incluindo indexação SQLite + chunking + sincronização lazy + monitoramento de arquivos, suportando embeddings locais e remotos. Esta é a base de todo o sistema de busca de memória.

v2026.1.29 (29 de jan): Correção de normalização L2. Os vetores de embedding local não estavam normalizados, causando distorção no cálculo de similaridade por cosseno; esse bug significava que a precisão da busca semântica anterior estava comprometida. Adicionado suporte para caminhos de índice extras.

v2026.2.2 (4 de fev): Backend de memória QDM integrado (PR #3160), a atualização arquitetural mais significativa. 30 commits, adicionando suporte ao backend QMD para busca híbrida de três vias: BM25 + Vetorial + Reordenamento.

O que o QMD fez?

Ele substitui o indexador SQLite embutido por um processo auxiliar de busca local. Cada combinação de agente/configuração armazena em cache um auxiliar, suportando múltiplas coleções nomeadas, e os registros de sessão podem ser exportados e indexados para coleções dedicadas. Para privacidade, os dados da sessão são desidentificados antes da indexação. Ele volta automaticamente para o SQLite se o QMD não estiver disponível.

Problemas conhecidos:

O tempo de consulta em sistemas apenas com CPU é de cerca de 3 minutos e 40 segundos, excedendo o tempo limite de 12 segundos (Issue #8786). A configuração paths não tem efeito (Issue #8750).

Além disso, a queda para o SQLite é silenciosa; os usuários não sabem que o QMD não está funcionando.

Enquanto isso, o PR #6060 tenta resolver o problema de "capacidade de descoberta": o sistema de memória do OpenClaw tem recursos poderosos que os usuários não encontram. A proposta adiciona uma etapa de "Otimização de Memória" ao assistente de integração, expondo quatro recursos ocultos que estão desativados por padrão: limpeza de memória pré-compactação, busca híbrida, cache de embedding e busca de registros de sessão.

O problema central com a direção oficial: são todas otimizações da "camada de recuperação". A busca é mais precisa, mais rápida e mais detectável.

Mas as seis peças fundamentais que faltam na arquitetura de memória:

Esquecimento, Importância, Grafos, Reflexão, Cronologia, Promoção

Nenhuma foi abordada.

III. Como a Comunidade Está se Salvando—Soluções DIY

A comunidade não esperou pela equipe oficial. Pelo menos 7 projetos de memória de terceiros surgiram em janeiro-fevereiro de 2026.

1. Mem0: O SDK de camada de memória mais famoso. O Auto-Recall busca memórias relevantes para injetar no contexto antes de cada resposta; o Auto-Capture extrai fatos para armazenamento depois. Possui memória dupla de Sessão + Usuário, alegando uma redução de 91% na latência e economia de 90% em tokens.

1. Hindsight: Memória de longo prazo local. Ideia central: Sistemas tradicionais dão ao agente uma ferramenta search_memory, mas o modelo pode não usá-la. A injeção automática do Auto-Recall resolve isso. É totalmente local, baseado em PostgreSQL e suporta compartilhamento de múltiplas instâncias.

1. MoltBrain (365 Estrelas): Busca semântica SQLite + ChromaDB, hooks de ciclo de vida para captura automática de contexto e uma interface web para visualizar a linha do tempo.

1. NOVA Memory System: Memória estruturada PostgreSQL. Usa a API do Claude para analisar linguagem natural em JSON em 8 tabelas de banco de dados (entidades, relações, locais, projetos, eventos, lições, preferências).

1. Penfield Skill: Busca híbrida com BM25 + Vetorial + Grafo—alguém na comunidade já está fazendo busca híbrida de três vias.

1. Outros incluem Memory Template (com backup Git), SuperMemory (estágio muito inicial) e MemoryPlugin (extensão Chrome para sincronização multiplataforma).

Que direção as "melhores práticas" da comunidade validam?

1. Modelo de promoção Registro Diário → MEMORY.md.
2. Uso de Heartbeats como gatilhos para consolidação de memória.
3. Ponderação de busca híbrida 70/30 (70% Vetorial + 30% Palavra-chave).
4. Indexação de Transcrição de Sessão.

Mas a comunidade ainda não tocou nos seis pontos cegos: mecanismos de esquecimento/decaimento, pontuação de importância, grafos de conhecimento, reflexão/consolidação automática, raciocínio temporal e promoção de memória.

Em resumo: A comunidade está usando operações manuais para compensar falhas arquiteturais. A direção está certa, mas ainda está tudo no nível manual.

IV. Explosão Acadêmica—Mais de 10 Artigos em Fevereiro de 2026

Em fevereiro de 2026, a memória de agentes se tornou subitamente um campo de batalha acadêmico primário. Mais de 10 artigos foram publicados no arXiv, incluindo xMemory [1] (ICML 2026) e A-MEM [2] (NeurIPS 2025). Um artigo de revisão de 59 autores [3] organizou sistematicamente o campo.

O que esses artigos nos ensinam?

xMemory [1] (ICML 2026, King's College London): Desacopla a memória em componentes semânticos organizados hierarquicamente. Usa um objetivo de Esparsidade-Semântica para guiar a divisão e mesclagem da memória. Isso inspirou o design da "Camada de Agrupamento de Tópicos", construindo uma camada de tópico acima da memória para suportar recuperação top-down.

A-MEM [2] (NeurIPS 2025): Gerencia a memória do agente usando o método Zettelkasten. Quando novas memórias são adicionadas, gera notas estruturadas com descrições de contexto, palavras-chave e tags, criando uma rede de conhecimento interconectada através de indexação e vinculação dinâmicas.

InfMem [4]: Resolve o raciocínio em documentos longos. Implementa controle de memória ativo no estilo Sistema 2 através de um protocolo PreThink-Retrieve-Write. A precisão melhorou em 10-12% em benchmarks de QA de 32K a 1M de tokens, com uma redução de 3.9x no tempo de inferência.

TAME [5]: Identificou um perigo crítico: "Má-evolução da Memória do Agente." As memórias podem acumular "atalhos tóxicos" durante iterações normais de tarefas—estratégias eficientes, mas que violam a segurança. Propôs um framework de memória dupla Executor/Avaliador.

ALMA [6]: Um framework de meta-aprendizagem que permite à IA descobrir automaticamente designs de memória. Designs aprendidos superaram as linhas de base manuais em 6-13%. No entanto, notavelmente carece de mecanismos de decaimento, esquecimento ou despejo de memória.

MemSkill [7]: Reformula as operações de memória como "habilidades de memória" aprendíveis. Um controlador aprende a selecionar habilidades, e um designer revisa periodicamente casos difíceis para evoluir o conjunto de habilidades.

BudgetMem [8]: Um framework de memória em tempo de execução que estrutura o processamento da memória em três níveis de orçamento, usando aprendizado por reforço para treinar um roteador leve.

O artigo de revisão de 59 autores [3] fornece uma taxonomia tridimensional clara:

• Substrato: Como a memória é armazenada? Vetores, grafos, documentos?
• Mecanismo: Como é lida/escrita? Gravação passiva ou raciocínio ativo?
• Sujeito: De quem é a memória? Do usuário, do agente ou compartilhada?

Dois avisos críticos da indústria:

1. Colapso Serial [9] (do Moonshot AI Kimi K2.5): Agentes se degradam a não usar memória. Mesmo que o sistema exista, o agente pode gradualmente "esquecer" de consultá-lo.
2. Má-evolução da Memória [5] (do TAME): Acumulação de atalhos tóxicos durante iterações normais.

Esses riscos nos lembram: a dificuldade dos sistemas de memória não está em construí-los, mas no monitoramento contínuo da qualidade.

V. Ecossistema de Memória Open Source—Uma Análise de 6 Projetos

A academia define a direção; a comunidade open-source valida a implementação.

Analisamos profundamente 6 projetos de memória para agentes com um total de mais de 77 mil estrelas.

Uma descoberta chave: esses 6 projetos representam três filosofias de memória completamente diferentes.

1. Prioridade na Camada de Estado (mem0, Memori): Memória = Gerenciamento de Estado. Dá rapidamente aos agentes uma experiência ao estilo "Memória do ChatGPT".
2. Prioridade na Camada de Conhecimento (cognee, MemOS): Memória = Conhecimento Estruturado. Transforma dados em grafos e múltiplas bases de conhecimento.
3. Prioridade na Camada de Aprendizagem (Hindsight): Memória = Processo de Aprendizagem. Um ciclo fechado de operações de reter/recuperar/refletir.

Sua escolha determina onde você coloca a complexidade do sistema: esquemas de banco de dados (Memori), camada SDK/produto (mem0), grafos e pipelines (cognee), agendamento de sistema (MemOS) ou a fusão de aprendizagem e recuperação (Hindsight).

No entanto, nenhum projeto cobre todas as três camadas.

VI. Lições de Mais de 200 Issues—Armadilhas que Outros Encontraram

Analisamos mais de 200 issues desses 6 projetos para extrair uma lista de verificação de alto valor para construir sistemas de memória.

Cinco problemas comuns entre projetos:

1. Falha Silenciosa (6/6 projetos): O problema mais comum. Os usuários reclamam que "não funciona e não me diz porquê." (ex.: mem0 #2443, Memori #238).
2. Dedup de Memória: Um ponto de dor para todos. LLMs frequentemente julgam conteúdo duplicado como "contraditório", levando a exclusões errôneas (ex.: mem0 #1674).
3. Julgamento Não Confiável do LLM: LLMs perdendo referências em primeira pessoa durante a reformulação ou falhando em emitir JSON estável (ex.: MemOS #931, #934).
4. Conexão/Migração de Banco de Dados: Vazamentos de conexão SQLite e falhas de migração em implantações Docker (ex.: Memori #189, cognee #2022).
5. Distorção na Classificação da Busca: Problemas de normalização fazendo com que distâncias 0.1 e 0.5 sejam tratadas como 0, e recuperação sem dimensão temporal (ex.: cognee #2030, MemOS #939).

VII. Insights da IA em Jogos—Dwarf Fortress, The Sims, Sistema Nemesis

A referência mais subestimada não são artigos acadêmicos, mas a IA em jogos. Desenvolvedores de jogos passaram décadas resolvendo como dar a personagens virtuais memórias coerentes e personalidades estáveis.

Arquitetura de Memória de Três Camadas do Dwarf Fortress:

• Memória de Curto Prazo (STM): Uma fila de buffer circular com 8 slots. Novas memórias competem com base na intensidade emocional (ex.: testemunhar uma morte vs. fome leve).
• Memória de Longo Prazo (LTM): Se uma memória permanece na STM por tempo suficiente e não é deslocada, ela tenta ser promovida. Quando um NPC "recorda", há 1 chance em 3 de se tornar uma Memória Central.
• Memória Central: Uma mudança qualitativa. Uma vez promovida, modifica permanentemente os parâmetros do personagem (ex.: "testemunhar a morte de um parente" → Ansiedade +10).

Recuperação Tridimensional dos Agentes Generativos de Stanford [10]:

Pontuação de Recuperação = Recência x Importância x Relevância. A Recência usa decaimento exponencial, a Importância é pontuada por um LLM e a Relevância usa similaridade por cosseno. Seu mecanismo de reflexão melhorou a recordação de fatos de 41% para 87%.

Solidificação Emocional do The Sims 4:

Emoções de curto prazo que ocorrem com frequência se transformam em traços permanentes. A solidão de longo prazo se torna o traço "Solitário", mudando permanentemente os cálculos da função de utilidade.

Evolução Orientada a Eventos do Sistema Nemesis:

Tags de evento acionam mutações de parâmetros que se propagam através de redes sociais. Um Orc morto por fogo pode retornar com um traço "Medo de Fogo" ou "Fúria Flamejante".

Esses mecanismos se mapeiam diretamente para a memória de agentes de IA: buffers circulares para gerenciamento de contexto, intensidade emocional para pontuação de importância e promoção de memória para evoluir de fatos triviais a traços de personalidade.

VIII. Dois Tipos de Memória—Memória do Usuário vs. Memória do Agente

Uma distinção frequentemente negligenciada: A memória do Usuário e a memória do Agente são dois problemas diferentes.

O projeto OpenViking da ByteDance fornece uma classificação prática:

• 6 categorias (Perfil, Preferência, Entidade, Evento, Caso, Padrão).
• Modelos de conteúdo L0/L1/L2: Resumo L0 (~100 tokens) para indexação, Visão Geral L1 (~500 tokens) para estrutura e Texto Completo L2 para conteúdo completo. Isso reduz drasticamente o consumo de tokens.

IX. Dos Indivíduos ao Ecossistema de IA—Por que a Memória é Infraestrutura Central

Quem resolver o problema da memória primeiro vence a guerra do Agente 24/7. O valor central do OpenClaw não é que a IA seja "mais inteligente", mas que finalmente tem "mãos e pés".

Mas uma IA com mãos e pés, porém sem memória, é como um funcionário que esquece tudo todos os dias, exigindo retreinamento constante e repetindo os mesmos erros.

Conforme observado em relatórios anteriores, todos os agentes baseados em LLM enfrentam problemas de memória. Isso não é um bug do OpenClaw; é uma limitação estrutural da pilha de tecnologia. A janela de contexto é essencialmente "memória de curto prazo": o excesso leva ao truncamento, e uma reinicialização leva à zeragem.

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

A convergência de densidade acadêmica, explosão open-source e atualizações oficiais em fevereiro de 2026 sinaliza que a memória de IA está passando de "bom ter" para infraestrutura central.

X. O Que Estamos Construindo—O Roteiro do memX e ePro

Com base nesta pesquisa, estamos construindo dois sistemas: memX (Memória do Usuário) e ePro (Memória do Agente). Eles estão ativos e em iteração; aguardamos seus comentários!

Referências omitidas por brevidade neste resumo, mas incluídas no relatório completo.

Este relatório é baseado em um instantâneo de dados de 23 de fevereiro de 2026. Criado por Li Jiu Er em colaboração com Claude Max, Manus e Google Gemini.