OpenClaw记忆系统与多Agent编排：跨会话记住+团队协作实战 ​

单个AI助手能做的事有限，但一支配合默契的AI团队，可以应对真正的业务挑战。记忆系统解决"跨会话记住"，多Agent编排解决"当下任务太复杂"。

为什么AI总是"记不住"？ ​

不管用的是Qwen、Kimi还是其他模型，都有个绕不开的限制：上下文窗口是有限的。

这个天花板意味着：

解决方案：记忆系统 + 多Agent编排。

一、记忆系统：让AI跨会话记住你 ​

OpenClaw的记忆系统基于"文件即真相"的思想。

双层记忆结构 ​

安全机制：MEMORY.md默认仅在私聊会话中加载，群组会话中不会注入，防止私密信息泄露。

记忆是如何写入的？ ​

AI会自动记录：

• 项目进展："完成了招投标系统初版"
• 技术决策："修复了登录模块的BUG"
• 用户偏好："记住我偏好使用Python编写脚本"

AI不会记录：

• 临时对话内容
• 一次性问题
• 没有明确指示的闲聊

记忆检索：两种方式 ​

1. 记忆搜索（memory_search）

混合搜索算法（BM25 + 向量相似度），返回带文件路径和行号的查询片段。

{
  "agents": {
    "defaults": {
      "memorySearch": {
        "provider": "openai",
        "model": "text-embedding-3-small",
        "query": {
          "hybrid": {
            "enabled": true,
            "vectorWeight": 0.7,
            "textWeight": 0.3
          }
        }
      }
    }
  }
}

权重设计思路：

• 向量相似度（70%）：捕捉语义相关性
• 关键词匹配（30%）：保证精确匹配（变量名、文件路径、ID等）

2. 精确读取（memory_get）

基于已有依据读取内容，精确命中特定行，防止信息污染。

记忆会过期吗？ ​

会。项目迁移、配置变更、偏好改变，旧记忆可能不再适用。

二、多Agent编排：把大任务拆小 ​

记忆系统解决"跨会话记住"的问题，但解决不了"当下任务太复杂"的问题。

比如：同时丢给AI 3篇万字长文，要求翻译并做摘要。单个AI还是得一篇一篇啃。

多Agent协作派上用场。

多Agent的隔离机制 ​

创建AI团队 ​

第一步：用CLI快速创建

# 添加一个专注编程的Agent
openclaw agents add coder

# 添加一个负责营销写作的Agent
openclaw agents add writer

# 查看已创建的Agent列表
openclaw agents list

第二步：配置路由绑定

{
  "agents": {
    "list": [
      {"id": "main", "workspace": "~/.openclaw/workspace-main"},
      {"id": "coder", "workspace": "~/.openclaw/workspace-coder"},
      {"id": "writer", "workspace": "~/.openclaw/workspace-writer"}
    ]
  },
  "bindings": [
    {
      "agentId": "coder",
      "match": {
        "channel": "telegram",
        "peer": {"kind": "direct", "id": "用户的Telegram ID"}
      }
    }
  ]
}

优先级：精准匹配ID级别 > 频道级别匹配。

第三步：启用Agent间通信

{
  "tools": {
    "agentToAgent": {
      "enabled": true,
      "allow": ["main", "coder", "writer"]
    }
  }
}

经验提醒：在同一个通信工具中切换不同Agent时，Agent之间通信有时会"不记得"使用sessions_send，错误地想用通信工具的消息通道发送。

解决方案：提醒它"记住agent之间通信使用sessions_send"。

三、四种常见协作模式 ​

1. Supervisor（监督者模式） ​

设置一个中央统筹者，负责接收任务并分发给其他AI。

## 角色
团队调度核心。当收到以下需求时，派发给对应Agent：
- 编程或技术研发需求 → 派发给 @coder
- 公众号写作需求 → 派发给 @writer
- 日常问答 → 自己处理

适用场景：项目管理、内容发布流程。

2. Router（路由模式） ​

根据消息来源或内容关键词，自动路由到对应AI。

适用场景：技术群用coder、内容群用writer。

3. Pipeline（流水线模式） ​

任务按顺序经过多个AI处理。

用户 → writer(初稿) → editor(审核) → publisher(发布) → 用户

适用场景：内容创作流程、代码开发流程。

4. Parallel（并行模式） ​

主AI召唤多个子代理并行处理，最后汇总结果。

主AI → 子代理1（分析竞品A）
    → 子代理2（分析竞品B）
    → 子代理3（分析竞品C）
    → 汇总结果 → 用户

适用场景：批量翻译、批量分析、批量处理。

四、子代理（SubAgent）能力 ​

SubAgent和前四种模式的区别：

触发方式 ​

监控命令 ​

# 查看当前正在运行的并行子代理任务
/subagents list

# 抽查某个特定子代理的工作日志
/subagents log <session-id>

# 一键叫停所有子代理
/subagents kill all

五、常见问题排查 ​

消息路由不生效 ​

Agent间无法通信 ​

记忆搜索效果差 ​

验证命令：openclaw doctor

总结 ​

两者配合好了，AI助手才能真正成为"数字分身"——既记得住习惯，又扛得住复杂的活儿。

关键词：OpenClaw, 记忆系统, 多Agent编排, MEMORY.md, SubAgent, sessions_send