根因就一个：记忆丢失。安全指令只存在对话上下文里，压缩一来就没了。如果它存在一个独立于对话的持久化记忆层里，这件事根本不会发生。

ePro-Memory 就是干这个的——一个 OpenClaw 插件，开源，本地运行，数据不离开你的电脑。它要解决的核心问题是：给 Agent 一个不会被上下文压缩吞掉的长期记忆。

记忆不是一锅粥，分类才有意义

很多人一听"AI 记忆"，第一反应是搞个大数据库，什么都往里塞。ePro 不是这么干的。

它把记忆分成六个类别：

关于用户的四类：

  • 个人信息
  • 偏好习惯
  • 相关事物
  • 发生过的事

关于 OpenClaw 自身工作经验的两类：

  • 具体案例
  • 通用方法论

拿 Summer Yue 的事故举例。如果她的 OpenClaw 装了 ePro，第一次批量删邮件的教训会被归类为案例："未经确认直接执行批量删除，导致 200+ 封邮件丢失 → 不可逆操作前必须获取用户确认"。

后续 AI 在文件管理、数据清理上踩了类似的坑，ePro 会把这些案例蒸馏成一条通用方法论："执行不可逆操作前，先从记忆中加载用户的安全偏好。"

从单次教训到通用规则，这就是 ePro 让 OpenClaw 越用越靠谱的核心机制。"确认后再执行"这条偏好会存入持久化记忆，上下文压缩压的是对话历史，不是 ePro 的记忆库。下次 Agent 启动任务时，ePro 自动注入这条偏好。指令不丢，邮件不删。

分类去重和三层内容结构

分类的好处在去重时体现得最明显。ePro 的去重只在同类别内进行。

你告诉 OpenClaw "回复邮件用中文"——这是偏好记忆。你告诉它"上次用英文回复了客户邮件导致对方误解"——这是事件记忆。两条都和邮件语言有关，但性质完全不同，不该合并。分类内去重让这种误判大幅减少。

同时 ePro 还有一个设计：L0/L1/L2 三层内容结构。

  • L0：一句话摘要，像书名
  • L1：结构化概要，像目录
  • L2：完整记录，像全文

OpenClaw 工作时默认只看 L0，觉得相关才翻 L1，真正需要细节才读 L2。省 token，省钱。说实话这个我用了才知道好在哪——你统计过因为 Agent "失忆"而重复解释同样的事情，一周浪费了多少时间和 token 费用吗？

社区里的其他方案对比

OpenClaw 社区里已经有好几个记忆方案，各有侧重：

  • ClawVault：用 Markdown 文件存记忆，人类可以直接打开编辑，分了 17 个固定类别。但没有 L0/L1/L2 分层。
  • openclaw-memory：用 SQLite + Qdrant + PostgreSQL，主打跨 Agent 共享记忆。但没有分类体系，也没有去重。
  • Memory Guardian：同样用 Markdown 文件，解决一个更具体的问题——防止 Agent 忘记去查记忆。但本身没有搜索能力。

ePro 和它们的根本差异在于结构化经验积累：六类分类给记忆划了语义边界，L0/L1/L2 让检索有层次，分类内去重让记忆库不会越用越臃肿。这三个能力组合在一起，目前社区里没有第二个方案做到。

核心算法来自字节跳动的 OpenViking

ePro 的核心算法来自字节跳动的 OpenViking——目前最实用的 Agent 记忆分类体系。前面讲的六类分类、三层结构、两阶段去重，都是 OpenViking 的设计，不是拍脑袋想的，是字节团队在大量 Agent 对话中打磨出来的。

但 OpenViking 是字节内部工具，Python 写的，依赖 VikingDB（字节自己的向量数据库，不对外开放），普通开发者装不了、用不了。

ePro 把核心引擎拆出来，做了三件事：

让它能跑。 Python 换成 TypeScript，VikingDB 换成 LanceDB。LanceDB 是嵌入式数据库，零配置，数据存在本地。

让它能扛。 OpenViking 跑在字节内部受控环境里，不用担心恶意输入。ePro 在入口处拦截恶意注入，写锁串行化防止多进程同时写入损坏数据，所有数字参数都有合法范围检查。

让它能打。 LLM 返回的格式经常不规范，ePro 做了三级容错解析器：先试标准 JSON，不行就从 Markdown 代码块里提取，再不行就用平衡括号算法硬抠。记忆内容注入 AI 对话时，ePro 会清洗可能干扰 AI 指令理解的特殊标记，防止记忆反过来操纵 AI 行为。每条记忆被 AI 召回时会计数，用得越多排序越靠前，为智能排序打基础。

代码量对比：OpenViking 约 900 行，ePro 1397 行，多出 55%。多出来的几乎全是安全、测试和健壮性。113 个测试覆盖从注入防护到数据库读写。

值得一试

ePro Memory 是 OpenClaw 插件，Apache 2.0 协议，AI 推理可以接 OpenAI，也可以接任何兼容服务，包括本地模型。对于每天都在用 Agent 干活的人来说，我当时就踩过这个雷——Agent 反复忘记你的偏好，你反复解释，token 费用和时间都在无声地流走。一个持久化记忆层不是锦上添花，是刚需。去 GitHub 搜 ePro Memory，装上试试，成本为零。