当我开始构建 OpenClaw 时，面临的第一个核心架构决策就是记忆系统。一个长期运行的 AI Agent 如果没有可靠的记忆，本质上只是一个无状态的 API 调用——每次对话都从零开始，无法积累经验，无法建立对用户的理解。我花了三周时间逆向分析了四种主流方案：ChatGPT Memory、Claude Memory（Team/Enterprise）、LlamaIndex Memory Module、以及 Letta（原 MemGPT）的分层记忆。

ChatGPT 的方案最为简洁：它用一个扁平的 key-value 存储，由模型自行决定何时写入和读取记忆。优点是延迟极低（读取几乎零成本），缺点是深度不足——它只能记住「用户喜欢什么」层面的偏好，无法处理复杂的项目状态或多实体关系。Claude 的企业版走了另一个方向：通过 Project Knowledge 预加载结构化文档，本质上是把记忆外化为文件系统。这在团队协作场景下很强大，但个人使用时显得过重。

LlamaIndex 的方案更偏向工程化：它提供了 Composable Memory 接口，允许开发者自定义记忆的存储、检索和淘汰策略。这给了最大的灵活度，但也意味着你必须自己做所有设计决策。Letta 则提出了最激进的思路——让模型自己管理自己的记忆，通过 self-editing memory 实现类似人类工作记忆的机制。理论上很美，实践中发现模型的「自我管理能力」并不可靠。

最终我为 OpenClaw 设计了 MemBrain-Lite：一个三层分离架构——entities（人物/项目实体）、context（偏好/配置/状态）、timeline（时间索引/事件流）。核心 insight 是：Agent 记忆不应该模仿人类记忆，而应该模仿人类的「文件系统 + 笔记习惯」。Text > Brain——写下来的才算记住。查询路由确保每次读取只加载最小必要上下文，避免上下文窗口被历史信息淹没。

这套架构运行了 4 个月，最大的教训是：记忆系统的核心 tradeoff 不是存储容量或检索精度，而是「深度 vs 速度」。深度记忆（完整的项目上下文、对话历史）让 Agent 更聪明，但加载成本高、容易污染当前上下文；浅层记忆（关键事实、偏好标签）速度快但缺乏洞察力。MemBrain-Lite 的三层分离正是为了在两者之间动态切换——日常对话用浅层快速响应，深度任务时按需加载完整实体档案。