Hướng dẫn toàn diện về bộ nhớ OpenClaw

Mỗi khi OpenClaw 'tôm hùm' của bạn mất bộ nhớ, nó không chỉ lãng phí tiền mà còn gây ra những cơn đau đầu lớn.

Bạn thậm chí không dám khởi động lại nó.

Tôi, Cửu Nhị (Jiu Er),

đã xem xét hơn 10 bài báo về bộ nhớ agent,

phân tích 6 dự án GitHub mã nguồn mở với tổng cộng 77K sao,

và tôi ở đây để phân tích từng lớp vấn đề đau đầu về bộ nhớ của OpenClaw của bạn—

từ hiện trạng đến giải pháp, và từ học thuật đến kỹ thuật.

I. Thực Tế Phũ Phàng—Agent Của Bạn Có Trí Nhớ Của Một Con Cá Vàng

Hãy bắt đầu với một con số: 45 giờ.

Người báo cáo Issue #5429, EmpireCreator, đã mất 45 giờ ngữ cảnh agent tích lũy: cấu hình kỹ năng, tham số tích hợp và ưu tiên nhiệm vụ. Nguyên nhân là một lần nén (compaction) thầm lặng đã xóa sạch toàn bộ lịch sử hội thoại mà không có cảnh báo hay tùy chọn khôi phục.

Đây không phải là trường hợp cá biệt.

Issue #2624 báo cáo agent tự động đặt lại ngẫu nhiên, quên các cuộc hội thoại chỉ từ hai tin nhắn trước. Issue #8723 báo cáo một lần xóa bộ nhớ (memory flush) kích hoạt một vòng lặp vô hạn, khóa agent trong 72 phút.

Kiến trúc bộ nhớ hiện tại của OpenClaw là gì? Trong một câu: Tệp Markdown + Tìm kiếm Vector (Vector Search).

Bộ nhớ được lưu trữ trong các tệp Markdown trong thư mục ~/.openclaw/workspace/.

Nhật ký hàng ngày (Daily Logs) là bộ nhớ ngắn hạn,

MEMORY.md là bộ nhớ dài hạn,

SOUL.md định nghĩa tính cách. Việc truy xuất sử dụng kết hợp Vector Embeddings + tìm kiếm BM25.

Thiết kế này có một đặc điểm được một blogger trên Medium tóm tắt chính xác:

"Cố tình không ngầu—coi bộ nhớ như các tệp Markdown và truy xuất như các lệnh gọi công cụ."

Vấn đề nằm ở đâu? Sáu từ: Phẳng, Không phân biệt, Thụ động.

Tất cả ký ức đều có cùng trọng số; chuyện phiếm từ một năm trước được coi trọng như một quyết định lớn từ hôm qua.

Cơ chế quên? Không có, bạn phải xóa thủ công.

Tổ chức tự động? Hoàn toàn dựa vào việc sắp xếp thủ công.

Truy xuất chỉ nhìn vào độ tương đồng ngữ nghĩa, chứ không phải tầm quan trọng, và không thể hiện các mối quan hệ như "A là bạn của B."

Dữ liệu vẫn chỉ là dữ liệu; nó không bao giờ trở thành nhận thức.

Các dòng tweet từ cộng đồng nói thẳng thắn nhất: "Mọi người đều phàn nàn rằng OpenClaw của họ bị mất trí nhớ."

II. Những Gì OpenClaw Chính Thức Đang Làm—Backend QMD và Hybrid Search

Nhóm chính thức không ngồi yên.

Dòng thời gian phát hành cho tháng 1-2 năm 2026:

v2026.1.12 (13 tháng 1): Cơ sở hạ tầng tìm kiếm vector được ra mắt, bao gồm lập chỉ mục SQLite + phân đoạn (chunking) + đồng bộ hóa lười (lazy sync) + theo dõi tệp, hỗ trợ embeddings cục bộ và từ xa. Đây là nền tảng của toàn bộ hệ thống tìm kiếm bộ nhớ.

v2026.1.29 (29 tháng 1): Sửa lỗi chuẩn hóa L2. Các vector embedding cục bộ không được chuẩn hóa, gây ra tính toán độ tương đồng cosine bị sai lệch; lỗi này có nghĩa là độ chính xác của tìm kiếm ngữ nghĩa trước đó đã bị sai sót. Đã thêm hỗ trợ cho các đường dẫn chỉ mục bổ sung.

v2026.2.2 (4 tháng 2): Backend bộ nhớ QMD được hợp nhất (PR #3160), nâng cấp kiến trúc quan trọng nhất. 30 commit, thêm hỗ trợ backend QMD cho tìm kiếm kết hợp ba chiều BM25 + Vector + Reranking.

QMD đã làm gì?

Nó thay thế trình lập chỉ mục SQLite tích hợp bằng một tiến trình sidecar tìm kiếm cục bộ. Mỗi tổ hợp agent/cấu hình sẽ lưu vào bộ nhớ đệm (cache) một sidecar, hỗ trợ nhiều bộ sưu tập (collection) được đặt tên và bản ghi phiên có thể được xuất và lập chỉ mục vào các bộ sưu tập chuyên dụng. Vì lý do bảo mật, dữ liệu phiên được làm ẩn danh trước khi lập chỉ mục. Nó tự động dự phòng sang SQLite nếu QMD không khả dụng.

Các vấn đề đã biết:

Thời gian truy vấn trên hệ thống chỉ có CPU là khoảng 3 phút 40 giây, vượt quá thời gian chờ 12 giây (Issue #8786). Cấu hình paths không có hiệu lực (Issue #8750).

Hơn nữa, việc dự phòng (fallback) diễn ra thầm lặng; người dùng không biết QMD không hoạt động.

Trong khi đó, PR #6060 cố gắng giải quyết vấn đề "khả năng khám phá" (discoverability): Hệ thống bộ nhớ của OpenClaw có các tính năng mạnh mẽ mà người dùng không thể tìm thấy. Đề xuất thêm một bước "Tối ưu hóa bộ nhớ" (Memory Optimization) vào trình hướng dẫn khởi tạo (onboarding wizard), hiển thị bốn tính năng ẩn bị tắt theo mặc định: xóa bộ nhớ trước khi nén (pre-compaction memory flush), tìm kiếm kết hợp (hybrid search), bộ nhớ đệm embedding (embedding cache) và tìm kiếm bản ghi phiên (session record search).

Vấn đề cốt lõi với hướng đi chính thức: tất cả đều là tối ưu hóa "lớp truy xuất" (retrieval layer). Tìm kiếm chính xác hơn, nhanh hơn và dễ khám phá hơn.

Nhưng sáu phần còn thiếu cơ bản của kiến trúc bộ nhớ:

Quên (Forgetting), Tầm quan trọng (Importance), Đồ thị (Graphs), Suy ngẫm (Reflection), Niên đại (Chronology), Thăng cấp (Promotion)

Không có phần nào được giải quyết.

III. Cộng Đồng Tự Cứu Như Thế Nào—Các Giải Pháp Tự Làm (DIY)

Cộng đồng đã không chờ đợi nhóm chính thức. Ít nhất 7 dự án bộ nhớ của bên thứ ba đã xuất hiện trong tháng 1-2 năm 2026.

1. Mem0: SDK lớp bộ nhớ nổi tiếng nhất. Auto-Recall tìm kiếm các ký ức liên quan để chèn vào ngữ cảnh trước mỗi phản hồi; Auto-Capture trích xuất sự kiện để lưu trữ sau đó. Nó có tính năng bộ nhớ hai lớp Phiên (Session) + Người dùng (User), tuyên bố giảm 91% độ trễ và tiết kiệm 90% token.

1. Hindsight: Bộ nhớ dài hạn cục bộ. Hiểu biết cốt lõi: Các hệ thống truyền thống cung cấp cho agent một công cụ search_memory, nhưng mô hình có thể không sử dụng nó. Việc chèn tự động của Auto-Recall giải quyết vấn đề này. Nó hoàn toàn là cục bộ, sử dụng PostgreSQL và hỗ trợ chia sẻ đa phiên bản (multi-instance sharing).

1. MoltBrain (365 Sao): Tìm kiếm ngữ nghĩa SQLite + ChromaDB, các móc vòng đời (lifecycle hooks) để tự động chụp ngữ cảnh (auto-capturing context) và Giao diện Web để xem dòng thời gian.

1. NOVA Memory System: Bộ nhớ có cấu trúc PostgreSQL. Sử dụng Claude API để phân tích ngôn ngữ tự nhiên thành JSON trên 8 bảng cơ sở dữ liệu (các thực thể, mối quan hệ, địa điểm, dự án, sự kiện, bài học, sở thích).

1. Penfield Skill: Tìm kiếm kết hợp với BM25 + Vector + Đồ thị (Graph)—ai đó trong cộng đồng đã thực hiện tìm kiếm kết hợp ba chiều.

1. Các dự án khác bao gồm Memory Template (dựa trên Git), SuperMemory (giai đoạn rất sớm) và MemoryPlugin (tiện ích mở rộng Chrome để đồng bộ hóa đa nền tảng).

Các "thực tiễn tốt nhất" của cộng đồng xác nhận hướng đi nào?

1. Mô hình thăng cấp Nhật ký hàng ngày (Daily Log) → MEMORY.md.
2. Sử dụng Heartbeats làm trình kích hoạt (trigger) cho việc củng cố bộ nhớ (memory consolidation).
3. Tỷ lệ tìm kiếm kết hợp 70/30 (70% Vector + 30% Từ khóa).
4. Lập chỉ mục bảng điểm phiên (Session Transcript indexing).

Nhưng cộng đồng vẫn chưa chạm đến sáu điểm mù: Cơ chế quên/suy giảm (forgetting/decay), chấm điểm tầm quan trọng (importance scoring), đồ thị tri thức (knowledge graphs), suy ngẫm/củng cố tự động (automatic reflection/consolidation), lý luận thời gian (temporal reasoning) và thăng cấp bộ nhớ (memory promotion).

Tóm lại: Cộng đồng đang sử dụng các thao tác thủ công để bù đắp cho các khiếm khuyết về kiến trúc. Hướng đi thì đúng, nhưng tất cả vẫn ở mức thủ công.

IV. Sự Bùng Nổ Học Thuật—Hơn 10 Bài Báo Vào Tháng 2 Năm 2026

Vào tháng 2 năm 2026, bộ nhớ agent đột nhiên trở thành một chiến trường học thuật chính. Hơn 10 bài báo đã được xuất bản trên arXiv, bao gồm xMemory [1] (ICML 2026) và A-MEM [2] (NeurIPS 2025). Một bài báo tổng quan (survey paper) của 59 tác giả [3] đã tổ chức lĩnh vực này một cách có hệ thống.

Những bài báo này dạy chúng ta điều gì?

xMemory [1] (ICML 2026, King's College London): Tách rời bộ nhớ thành các thành phần ngữ nghĩa được tổ chức theo thứ bậc. Sử dụng mục tiêu Sparsity-Semantics để hướng dẫn việc tách và hợp nhất bộ nhớ. Điều này đã truyền cảm hứng cho thiết kế "Lớp phân cụm chủ đề" (Topic Clustering Layer), xây dựng một lớp chủ đề phía trên bộ nhớ để hỗ trợ truy xuất từ trên xuống.

A-MEM [2] (NeurIPS 2025): Quản lý bộ nhớ agent bằng phương pháp Zettelkasten. Khi các ký ức mới được thêm vào, nó tạo ra các ghi chú có cấu trúc với mô tả ngữ cảnh, từ khóa và thẻ, tạo ra một mạng lưới tri thức liên kết với nhau thông qua lập chỉ mục và liên kết động.

InfMem [4]: Giải quyết vấn đề lý luận tài liệu dài. Triển khai kiểm soát bộ nhớ chủ động kiểu Hệ thống 2 (System-2) thông qua giao thức PreThink-Retrieve-Write. Độ chính xác được cải thiện 10-12% trên các điểm chuẩn QA từ 32K đến 1M token, với thời gian suy luận giảm 3,9 lần.

TAME [5]: Xác định một mối nguy hiểm nghiêm trọng: "Sự tiến hóa sai lệch của bộ nhớ agent" (Agent Memory Misevolution). Ký ức có thể tích lũy các "lối tắt độc hại" (toxic shortcuts) trong các vòng lặp tác vụ thông thường—các chiến lược hiệu quả nhưng vi phạm an toàn. Đề xuất một khung bộ nhớ kép Người thực thi (Executor)/Người đánh giá (Evaluator).

ALMA [6]: Một khung học tập meta (meta-learning framework) cho phép AI tự động khám phá các thiết kế bộ nhớ. Các thiết kế được học vượt trội hơn so với các đường cơ sở thủ công từ 6-13%. Tuy nhiên, đáng chú ý là nó thiếu các cơ chế suy giảm bộ nhớ (memory decay), quên (forgetting) hoặc loại bỏ (eviction).

MemSkill [7]: Định hình lại các thao tác bộ nhớ như các "kỹ năng bộ nhớ" (memory skills) có thể học được. Một bộ điều khiển (controller) học cách chọn kỹ năng và một nhà thiết kế (designer) định kỳ xem xét các trường hợp khó khăn để phát triển bộ kỹ năng.

BudgetMem [8]: Một khung bộ nhớ thời gian chạy (runtime memory framework) cấu trúc quá trình xử lý bộ nhớ thành ba tầng ngân sách (budget tiers), sử dụng học tăng cường (reinforcement learning) để huấn luyện một bộ định tuyến nhẹ (lightweight router).

Bài báo tổng quan 59 tác giả [3] cung cấp một phân loại ba chiều rõ ràng:

• Chất nền (Substrate): Bộ nhớ được lưu trữ như thế nào? Vectors, đồ thị, tài liệu?
• Cơ chế (Mechanism): Nó được đọc/ghi như thế nào? Ghi thụ động hay lý luận chủ động?
• Chủ thể (Subject): Ký ức của ai? Của người dùng, của agent hay được chia sẻ?

Hai cảnh báo nghiêm trọng từ ngành:

1. Sự sụp đổ nối tiếp (Serial Collapse) [9] (từ Moonshot AI Kimi K2.5): Các agent suy thoái đến mức không sử dụng bộ nhớ. Ngay cả khi hệ thống tồn tại, agent có thể dần dần "quên" truy vấn nó.
2. Sự tiến hóa sai lệch của bộ nhớ (Memory Misevolution) [5] (từ TAME): Tích lũy các lối tắt độc hại trong các vòng lặp thông thường.

Những rủi ro này nhắc nhở chúng ta: khó khăn của hệ thống bộ nhớ không nằm ở việc xây dựng chúng, mà là ở việc giám sát chất lượng liên tục.

V. Hệ Sinh Thái Bộ Nhớ Mã Nguồn Mở—Tổng Quan Về 6 Dự Án

Học thuật xác định hướng đi; cộng đồng mã nguồn mở xác nhận việc triển khai.

Chúng tôi đã phân tích sâu 6 dự án bộ nhớ agent với tổng cộng hơn 77K sao.

Một khám phá quan trọng: 6 dự án này đại diện cho ba triết lý bộ nhớ hoàn toàn khác nhau.

1. Ưu tiên tầng trạng thái (State Layer Priority) (mem0, Memori): Bộ nhớ = Quản lý trạng thái. Nhanh chóng mang lại cho agent trải nghiệm kiểu "ChatGPT Memory".
2. Ưu tiên tầng tri thức (Knowledge Layer Priority) (cognee, MemOS): Bộ nhớ = Tri thức có cấu trúc. Biến dữ liệu thành đồ thị và đa cơ sở tri thức.
3. Ưu tiên tầng học tập (Learning Layer Priority) (Hindsight): Bộ nhớ = Quá trình học tập. Một vòng lặp khép kín của các thao tác giữ lại (retain)/nhớ lại (recall)/suy ngẫm (reflect).

Sự lựa chọn của bạn quyết định nơi bạn đặt độ phức tạp của hệ thống: lược đồ cơ sở dữ liệu (Memori), lớp SDK/sản phẩm (mem0), đồ thị và đường ống (cognee), lập lịch hệ thống (MemOS), hay sự kết hợp giữa học tập và truy xuất (Hindsight).

Tuy nhiên, không có dự án đơn lẻ nào bao phủ cả ba lớp.

VI. Bài Học Từ Hơn 200 Issue—Những Cạm Bẫy Mà Người Khác Đã Gặp Phải

Chúng tôi đã phân tích hơn 200 issue từ 6 dự án này để trích xuất một danh sách kiểm tra có giá trị cao cho việc xây dựng hệ thống bộ nhớ.

Năm vấn đề phổ biến xuyên suốt các dự án:

1. Lỗi thầm lặng (Silent Failure) (6/6 dự án): Vấn đề phổ biến nhất. Người dùng phàn nàn rằng "nó không hoạt động và không cho tôi biết tại sao." (ví dụ: mem0 #2443, Memori #238).
2. Khử trùng lặp bộ nhớ (Memory Deduplication) : Một điểm đau cho tất cả mọi người. LLM thường đánh giá nội dung trùng lặp là "mâu thuẫn", dẫn đến việc xóa nhầm (ví dụ: mem0 #1674).
3. Phán đoán LLM không đáng tin cậy (Unreliable LLM Judgment) : LLM mất tham chiếu ngôi thứ nhất trong quá trình diễn đạt lại hoặc không xuất ra JSON ổn định (ví dụ: MemOS #931, #934).
4. Kết nối/Di chuyển Cơ sở dữ liệu (Database Connection/Migration) : Rò rỉ kết nối SQLite và lỗi di chuyển triển khai Docker (ví dụ: Memori #189, cognee #2022).
5. Biến dạng xếp hạng tìm kiếm (Search Ranking Distortion) : Các vấn đề chuẩn hóa khiến khoảng cách 0.1 và 0.5 đều được coi là 0, và việc truy xuất thiếu chiều thời gian (ví dụ: cognee #2030, MemOS #939).

VII. Hiểu Biết Từ Game AI—Dwarf Fortress, The Sims, Hệ Thống Nemesis

Tài liệu tham khảo bị đánh giá thấp nhất không phải là các bài báo học thuật, mà là AI trong game. Các nhà phát triển game đã dành nhiều thập kỷ để giải quyết cách mang lại cho các nhân vật ảo những ký ức mạch lạc và tính cách ổn định.

Kiến trúc bộ nhớ ba lớp của Dwarf Fortress:

• Bộ nhớ ngắn hạn (Short-Term Memory - STM): Một hàng đợi bộ đệm vòng tròn (circular buffer queue) với 8 slot. Các ký ức mới cạnh tranh dựa trên cường độ cảm xúc (ví dụ: chứng kiến cái chết so với hơi đói).
• Bộ nhớ dài hạn (Long-Term Memory - LTM): Nếu một ký ức ở lại STM đủ lâu và không bị thay thế, nó sẽ cố gắng thăng cấp. Khi một NPC "hồi tưởng", có 1/3 cơ hội nó trở thành Ký ức cốt lõi (Core Memory).
• Ký ức cốt lõi (Core Memory): Một sự thay đổi về chất. Sau khi được thăng cấp, nó sẽ sửa đổi vĩnh viễn các tham số của nhân vật (ví dụ: "chứng kiến cái chết của người thân" → Lo lắng +10).

Truy xuất ba chiều của Stanford's Generative Agents [10]:

Điểm truy xuất = Tính gần đây (Recency) x Tầm quan trọng (Importance) x Mức độ liên quan (Relevance). Tính gần đây sử dụng sự suy giảm theo cấp số nhân (exponential decay), Tầm quan trọng được LLM chấm điểm và Mức độ liên quan sử dụng độ tương đồng cosine. Cơ chế suy ngẫm (reflection) của họ đã cải thiện khả năng nhớ lại sự kiện từ 41% lên 87%.

Sự cố định cảm xúc (Emotional Solidification) của The Sims 4:

Những cảm xúc ngắn hạn xảy ra thường xuyên sẽ biến thành những đặc điểm vĩnh viễn. Sự cô đơn kéo dài trở thành đặc điểm "Kẻ cô độc" (Loner), thay đổi vĩnh viễn các tính toán của hàm tiện ích (utility function).

Sự tiến hóa theo sự kiện (Event-Driven Evolution) của Hệ thống Nemesis:

Các thẻ sự kiện (Event tags) kích hoạt các đột biến tham số lan truyền qua các mạng xã hội. Một Orc bị giết bởi lửa có thể quay lại với đặc điểm "Sợ lửa" (Fear of Fire) hoặc "Thịnh nộ rực lửa" (Fiery Rage).

Những cơ chế này ánh xạ trực tiếp đến bộ nhớ agent AI: bộ đệm vòng tròn để quản lý ngữ cảnh, cường độ cảm xúc để chấm điểm tầm quan trọng và thăng cấp bộ nhớ để phát triển từ những sự kiện tầm thường thành các đặc điểm tính cách.

VIII. Hai Loại Bộ Nhớ—Bộ Nhớ Người Dùng vs. Bộ Nhớ Agent

Một sự khác biệt thường bị bỏ qua: Bộ nhớ người dùng (User Memory) và Bộ nhớ agent (Agent Memory) là hai vấn đề khác nhau.

Dự án OpenViking của ByteDance cung cấp một phân loại thực tế:

• 6 danh mục (Hồ sơ (Profile), Sở thích (Preference), Thực thể (Entity), Sự kiện (Event), Trường hợp (Case), Mẫu hình (Pattern)).
• Các mô hình nội dung L0/L1/L2: L0 Tóm tắt (~100 token) để lập chỉ mục, L1 Tổng quan (~500 token) cho cấu trúc và L2 Toàn văn (Full Text) cho nội dung hoàn chỉnh. Điều này làm giảm đáng kể mức tiêu thụ token.

IX. Từ Cá Nhân Đến Hệ Sinh Thái AI—Tại Sao Bộ Nhớ Là Cơ Sở Hạ Tầng Cốt Lõi

Ai giải quyết vấn đề bộ nhớ trước sẽ chiến thắng trong cuộc chiến Agent 24/7. Giá trị cốt lõi của OpenClaw không phải là AI "thông minh hơn", mà là cuối cùng nó có "tay và chân".

Nhưng một AI có tay chân mà không có trí nhớ giống như một nhân viên quên mọi thứ mỗi ngày, cần được đào tạo lại liên tục và lặp lại những sai lầm tương tự.

Như đã lưu ý trong các báo cáo trước đây, tất cả các agent dựa trên LLM đều phải đối mặt với các vấn đề về bộ nhớ. Đây không phải là lỗi của OpenClaw; đó là một hạn chế về cấu trúc của ngăn xếp công nghệ. Cửa sổ ngữ cảnh (context window) về cơ bản là "bộ nhớ ngắn hạn": tràn dẫn đến cắt bớt (truncation) và khởi động lại dẫn đến thiết lập lại về 0.

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

Sự hội tụ của mật độ học thuật, sự bùng nổ mã nguồn mở và các nâng cấp chính thức vào tháng 2 năm 2026 báo hiệu rằng bộ nhớ AI đang chuyển từ "tốt để có" (nice to have) thành cơ sở hạ tầng cốt lõi.

X. Những Gì Chúng Tôi Đang Xây Dựng—Lộ Trình memX và ePro

Dựa trên nghiên cứu này, chúng tôi đang xây dựng hai hệ thống: memX (Bộ nhớ người dùng) và ePro (Bộ nhớ Agent). Chúng đã hoạt động và đang được lặp lại; chúng tôi mong nhận được phản hồi của bạn!

Các tài liệu tham khảo được lược bỏ để tóm tắt ngắn gọn nhưng có trong báo cáo đầy đủ.

Báo cáo này dựa trên ảnh chụp dữ liệu từ ngày 23 tháng 2 năm 2026. Được tạo bởi Li Jiu Er với sự cộng tác của Claude Max, Manus và Google Gemini.