记忆与上下文协调：支撑 AI Agent 长周期任务的核心架构
摘要：AI Agent 执行长周期任务（如博客发布、代码开发、项目管理）时，最大的挑战是如何在多次会话、多个工具调用之间保持状态连续性。本文基于 OpenClaw 项目的实战经验，分享记忆系统和上下文协调的核心架构设计。
一、为什么需要记忆和上下文协调？
1.1 长周期任务的挑战
场景 1：博客发布全流程
1
2
3
4
5
6
7
8
9
10
11
| 用户：帮我发布一篇博客
Agent: 好的，开始执行...
[5 分钟后]
Agent: ✅ 文章已创建
Agent: ✅ 内容检查通过
Agent: ✅ MR 已提交
[30 分钟后，用户回来]
用户：MR 合并了吗？
Agent: ❌ 不记得之前做了什么
|
问题：
- Agent 无法记住之前的操作步骤
- 用户需要重复说明上下文
- 任务状态丢失，需要重新开始
场景 2：多步骤代码开发
1
2
3
4
5
6
| 用户：帮我重构这个模块
Agent: 好的，第一步：分析现有代码...
[第二天]
用户：继续昨天的重构
Agent: ❌ 不知道昨天做了什么
|
1.2 核心问题
| 问题 |
说明 |
影响 |
| 会话中断 |
Agent 重启后丢失上下文 |
任务无法继续 |
| 状态分散 |
信息散落在对话历史中 |
难以检索和汇总 |
| 工具调用断裂 |
多次工具调用之间无状态传递 |
需要重复执行 |
| 多 Agent 协作困难 |
不同 Agent 之间无法共享状态 |
协作效率低 |
二、OpenClaw 的记忆架构设计
2.1 三层记忆模型
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
| ┌─────────────────────────────────────────────────────────────┐
│ OpenClaw 记忆架构 │
├─────────────────────────────────────────────────────────────┤
│ │
│ L1: 短期记忆（上下文窗口） │
│ ├─ 当前对话历史 │
│ ├─ 最近工具调用结果 │
│ └─ 容量：262K tokens（qwen3.5-plus） │
│ │
│ L2: 中期记忆（向量数据库） │
│ ├─ LanceDB Pro 向量存储 │
│ ├─ OpenViking 自动捕获/回忆 │
│ └─ 容量：无限（语义检索） │
│ │
│ L3: 长期记忆（文件系统） │
│ ├─ memory/YYYY-MM-DD.md（每日日志） │
│ ├─ MEMORY.md（核心知识） │
│ ├─ IDENTITY.md（人格设定） │
│ └─ USER.md（用户偏好） │
│ │
└─────────────────────────────────────────────────────────────┘
|
2.2 记忆写入策略
原则：Text > Brain（文本 > 大脑）
1
2
3
4
5
6
7
8
9
10
| ❌ 错误做法：
"我记住了，下次不会犯这个错误"
→ Session 重启后，记忆丢失
✅ 正确做法：
# 写入 memory/2026-03-30.md
## 教训
- 必须使用 hexo-new 技能创建文章
- 不能跳过 Step 4 内容检查
- 严格按 SOP 执行，不跳过任何步骤
|
记忆固化时机：
- ✅ 任务完成后立即写入
- ✅ 遇到错误立即记录
- ✅ Session 结束前完整总结
- ✅ 每日 Heartbeat 时回顾整理
2.3 上下文协调机制
问题：记忆有了，但如何在任务执行中有效使用？
解决方案：上下文协调器（Context Coordinator）
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
| class ContextCoordinator:
def __init__(self):
self.short_term = []
self.mid_term = VectorDB()
self.long_term = FileSystem()
def before_task(self, task):
"""任务开始前：加载相关记忆"""
user_prefs = self.long_term.read("USER.md")
related_exp = self.mid_term.search(task, top_k=5)
self.short_term.extend([user_prefs, related_exp])
def during_task(self, step, result):
"""任务执行中：记录关键状态"""
self.long_term.append(f"task-state.json", {
"step": step,
"result": result,
"timestamp": now()
})
def after_task(self, task, success):
"""任务完成后：固化记忆"""
self.long_term.append(f"memory/{today()}.md", {
"task": task,
"success": success,
"lessons": self.extract_lessons()
})
|
三、支撑长周期任务的实战经验
3.1 任务状态机
问题：长周期任务可能跨越多个 Session，如何保持状态？
解决方案：任务状态机（Task State Machine）
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
{
"task_id": "blog-publish-20260330",
"status": "in_progress",
"current_step": 5,
"total_steps": 9,
"steps": [
{"step": 1, "name": "预检查", "status": "success"},
{"step": 2, "name": "环境准备", "status": "success"},
{"step": 3, "name": "编写文章", "status": "success"},
{"step": 4, "name": "内容检查", "status": "success"},
{"step": 5, "name": "提交 MR", "status": "in_progress"},
{"step": 6, "name": "等待审核", "status": "pending"},
{"step": 7, "name": "Jenkins 监控", "status": "pending"},
{"step": 8, "name": "发布验证", "status": "pending"},
{"step": 9, "name": "清理通知", "status": "pending"}
],
"last_updated": "2026-03-30T23:30:00Z"
}
|
优势：
- ✅ 任何 Agent 接手都能知道当前进度
- ✅ 支持任务暂停和恢复
- ✅ 便于调试和审计
3.2 心跳式记忆维护
问题：如何确保记忆不会随时间丢失？
解决方案：心跳式记忆维护（Heartbeat Memory Maintenance）
1
2
3
4
5
6
| ## Heartbeat.md（每日检查清单）
- [ ] 检查未完成任务状态
- [ ] 回顾昨日记忆
- [ ] 更新 MEMORY.md
- [ ] 清理过期临时文件
|
执行时机：
- 每日固定时间（如 07:00）
- Session 启动时
- 任务间隔期
3.3 多 Agent 状态共享
问题：多个 Agent 协作时，如何共享任务状态？
解决方案：全局状态注册表（Global State Registry）
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
{
"active_tasks": [
{
"task_id": "blog-publish-20260330",
"owner": "crystal",
"collaborators": ["blog", "devops"],
"state_file": "~/.openclaw/tasks/blog-publish-20260330/state.json"
}
],
"shared_memory": [
{
"name": "blog-publish-sop",
"path": "~/.openclaw/crystals/blog-publisher/SOP-MANUAL.md",
"access": ["crystal", "blog"]
}
]
}
|
四、最佳实践总结
4.1 记忆写入原则
| 原则 |
说明 |
示例 |
| 及时固化 |
完成后立即写入，不要依赖” mental notes” |
任务完成 → 写 memory 文件 |
| 结构化 |
使用统一格式，便于检索 |
YAML Front Matter + Markdown |
| 分层存储 |
短期/中期/长期分离 |
对话历史/向量库/文件系统 |
| 定期回顾 |
Heartbeat 时整理和清理 |
每日 07:00 检查 |
4.2 上下文协调原则
| 原则 |
说明 |
示例 |
| 状态外置 |
状态不依赖内存，存储到文件 |
task-state.json |
| 显式传递 |
状态通过文件传递，不隐式依赖 |
读取 state → 执行 → 更新 state |
| 幂等执行 |
每一步都可重复执行 |
Step 4 失败 → 重新执行 Step 4 |
| 审计追踪 |
所有操作记录日志 |
task-execution.log |
4.3 长周期任务设计模式
模式 1：检查点模式（Checkpoint Pattern）
1
2
3
| 任务开始 → Step 1 → [Checkpoint] → Step 2 → [Checkpoint] → ...
↓ ↓
保存状态 保存状态
|
模式 2：状态机模式（State Machine Pattern）
1
2
3
4
5
| {
"status": "in_progress",
"current_step": 5,
"steps": [...]
}
|
模式 3：心跳模式（Heartbeat Pattern）
1
| 每 30 分钟 → 检查任务状态 → 更新记忆 → 继续执行
|
五、实战案例：博客发布水晶包
5.1 任务执行记录
1
2
3
4
5
6
7
| 2026-03-30 21:07 - 开始博客发布验证
2026-03-30 21:30 - ❌ 失败：路径错误
2026-03-30 22:00 - ❌ 失败：缺少 Front Matter
2026-03-30 22:30 - ✅ MR #80 创建成功
2026-03-30 23:00 - ✅ Front Matter 修复 MR #81 创建
2026-03-30 23:30 - ✅ MR #81 合并
2026-03-30 23:35 - ✅ 记忆固化到 memory/2026-03-30.md
|
5.2 记忆文件示例
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
| # 2026-03-30 记忆 - 博客发布水晶包全流程验证
## ✅ 完成的工作
- 博客发布验证（MR #80, #81）
- 配置管理优化
- 文档完善（6 个文档）
## ❌ 遇到的问题
1. 路径混乱（失败 3 次）
2. 缺少 Front Matter
3. 跳过检查步骤
## 📚 核心知识点
1. 必须使用 hexo-new 技能
2. 不能跳过 Step 4 内容检查
3. 严格按 SOP 执行
## 💡 关键教训
1. 必须写 memory 文件
2. 不要盲目尝试
3. 失败立即报告
|
六、总结
支撑长周期任务的核心要素：
- ✅ 三层记忆架构 - 短期/中期/长期分离
- ✅ 任务状态机 - 状态外置，支持恢复
- ✅ 心跳式维护 - 定期回顾和整理
- ✅ 多 Agent 共享 - 全局状态注册表
- ✅ 检查点机制 - 每一步都可恢复
最终目标：让 AI Agent 像人类一样，能够：
- 🧠 记住做过的事
- 📝 记录关键状态
- 🔄 从中断处继续
- 👥 与他人协作
参考资源：
作者：John
日期：2026-03-30
标签：AI Agent, 记忆系统，上下文管理，长周期任务，OpenClaw