Clawdbot 作为一款开源的本地 AI 助手，其核心亮点在于独特的持久化记忆系统。与依赖云端的 AI 不同，它将记忆以纯文本 Markdown 形式保存在用户本地，确保数据完全透明和用户掌控。本文将深入解析其记忆系统的实现机制，为理解本地化 AI 的数据处理方式提供有价值的参考。
智能速览
Clawdbot 是一款在本地运行的开源个人AI助手。
其记忆系统将所有数据存储为本地的纯文本Markdown文件。
采用向量搜索与关键词搜索的混合策略，确保信息召回的准确性。
支持多智能体记忆隔离，为不同场景提供独立的上下文环境。
通过对话压缩和缓存优化等技术，有效管理成本与性能。
精华内容
Clawdbot 的记忆系统并非什么黑魔法，而是基于一系列务实且透明的设计原则。它巧妙地将记忆的存储、检索与管理完全置于用户的掌控之下，通过开源工具构建了一个高效且可信赖的本地化知识库。
记忆即文件
Clawdbot 记忆系统的基石是「记忆即智能体工作区中的纯 Markdown 文件」。这些文件，如 `daily-notes.md` 和 `knowledge.md`，被存放在用户本地的智能体工作区内。
这种设计让记忆完全透明化，用户可以直接阅读、编辑甚至进行版本控制。AI 智能体通过标准的 `write` 和 `edit` 工具来写入记忆，而非使用专门的写入指令，这使得整个记忆过程与文件操作融为一体，简洁明了。
混合搜索策略
为了高效检索记忆，Clawdbot 采用了先进的混合搜索模式，将语义搜索与关键词搜索相结合。该系统利用 `sqlite-vec` 扩展进行向量相似性搜索，同时使用 SQLite 内置的 FTS5 引擎进行 BM25 关键词匹配。
两种搜索的结果会按 70/30 的权重进行加权评分，其中语义相似性是主要信号，而关键词匹配则能精确捕捉姓名、ID 等向量可能忽略的具体术语。这种组合确保了无论是模糊概念查询还是精确信息查找，都能获得高召回率和准确率。
隔离与压缩
Clawdbot 支持运行多个 AI 智能体，每个智能体都拥有完全独立的记忆空间。通过为每个智能体分配不同的工作区和索引，实现了严格的记忆隔离，非常适合将个人智能体与工作智能体分开使用。
面对大语言模型的上下文窗口限制，Clawdbot 引入了对话压缩机制。当对话接近上限时，系统会自动或通过手动命令触发压缩，将较早的对话内容总结成紧凑条目，从而腾出空间。这个有损过程虽然可能丢失部分细节，但已持久化的重要知识并不会受到影响。
性能优化技巧
为了降低延迟和成本，Clawdbot 实施了多项性能优化策略。其中，「Cache-TTL 修剪」功能通过检测提示词缓存过期时间，并提前裁剪旧的工具结果，避免了因缓存失效而需重新缓存大量历史记录的高昂成本，可使缓存的 token 成本降低约 90%。
此外，系统还会对工具输出的庞大数据（如日志文件）进行修剪，以节省存储空间。同时，通过可配置的规则（如每日重置）来管理会话生命周期，为记忆系统创造了自然的边界。
Clawdbot 的记忆系统展示了本地化 AI 的巨大潜力，通过透明、高效的设计，让用户真正拥有自己的数据和上下文。它不仅是一个技术实现，更是一种对数据隐私和用户控制权的尊重。这种模式是否会成为未来个人 AI 助手的主流方向？
