以前我一直把这归结为模型幻觉。但研究完字节跳动 OpenViking 的底层逻辑后，我意识到这不是偶发 bug，而是当前记忆架构的必然结果。

当前 RAG 的本质问题：靠猜

我们现在用的 RAG（检索增强生成），做法是把 OpenClaw 产生的所有 session.jsonl 切碎扔进向量库。当你让它"修复配置"时，它要在几万个碎片里，靠语义相似度去猜哪个碎片最匹配当前场景。

这本质上是概率匹配——在聊天场景里，90% 的准确率或许够用。但 OpenClaw 的定位不是陪聊，而是干活：爬数据、清日志、改配置，都是实打实的工程操作。

在工程领域，概率就是不确定性，不确定性就是炸弹。如果它只有 90% 的概率判断对"这是测试环境的配置"，那剩下的 10%，就是把你生产库给干掉的风险。

OpenViking 的思路：从"猜哪一个"到"找这一个"

OpenViking 提出的"文件系统范式"，核心做法是把 Agent 的记忆从"一锅粥"变成"档案柜"。

具体来说，它引入了 L0（摘要层）和 L1（概览层），给记忆建立了逻辑路径。当你问"怎么修复数据库"时，它会直接锁定 /系统维护/数据库/今日报错 这个目录，物理屏蔽掉 /历史归档/上周报错。

不是看谁长得像，而是看谁在正确的位置。

这个设计确实聪明。想想人类工程师为什么不容易搞混环境？因为我们脑子里有目录树。OpenClaw 之前之所以会"上下文污染"，是因为它在用扁平的方式处理立体的工程问题——它分不清"上周的删除指令"和"今天的备份指令"有什么层级区别，在它眼里都只是 text。

向量库不是大脑，只是硬盘

说实话，我们以前对 Vector DB 的期望太高了。在 OpenViking 的逻辑里，向量库只是底层存储，相当于硬盘。没有文件系统的硬盘，就是一堆废铁。

打个比方：

  • 以前的 OpenClaw：一个喝醉了的管理员，手里拿着一堆便利贴，看到哪张像就执行哪张
  • 加上文件系统范式的 OpenClaw：一个清醒的工程师，手里拿着操作手册，先翻目录，再翻章节，最后执行

对于一个能操作系统的 Agent 来说，健忘只是笨，但逻辑混乱是致命的。

该动手了

如果你的 OpenClaw 也经常出现这些问题：

  • 聊久了就把不同项目的逻辑搞混
  • 你不敢把 root 权限交给它
  • Prompt 优化来优化去，效果始终有限

那问题大概率不在 Prompt，而在记忆结构。不解决这个根本问题，Agent 永远只是个随时可能爆炸的玩具。

Agent 的终局之战，不在于谁的模型参数更大，而在于谁能构建出更符合逻辑的记忆架构。混乱的数据湖无法诞生智能，层级分明的图书馆才能。对于 OpenClaw 这类实干型 Agent 来说，这可能是当前最值得投入的优化方向。