Feature Request: 借鉴 mem9 设计思路，增强记忆生命周期管理

[xybstone]

Feature Request: 借鉴 mem9 设计思路，增强记忆生命周期管理

背景

我们深度使用了 memory-lancedb-pro 作为 OpenClaw 的长期记忆系统，效果很好。最近研究了另一个云端记忆项目 mem9.ai，发现有几个设计思路非常有价值，希望能整合到 memory-lancedb-pro 中。

建议的优化方向

1. 自动注入钩子（高优先级）

现状：当前需要手动调用 memory_recall 才能获取相关记忆。

建议：添加 OpenClaw 插件钩子，在每次 LLM 调用前自动注入相关记忆。

// 伪代码示例
export const hooks = {
  before_prompt_build: async (ctx) => {
    const query = ctx.last_user_message;
    const memories = await memory_search(query, { limit: 5 });
    ctx.system_context.push("\n📚 相关记忆:\n" + memories.map(m => m.text).join("\n"));
  }
};

价值：

• 无需手动 recall，记忆自动出现在上下文中
• 用户体验更流畅，真正"无感"记忆

2. 会话归档钩子（高优先级）

现状：/reset 后会话历史丢失，需要手动保存摘要。

建议：添加 before_reset 钩子，自动保存会话摘要到记忆。

before_reset: async (ctx) => {
  const summary = await generate_session_summary(ctx.history);
  await memory_store(summary, { tags: ["session-summary"] });
}

价值：

• 重启后不丢失重要上下文
• 自动沉淀会话知识

3. 智能检索优化（中优先级）

现状：检索主要依赖向量相似度。

建议：引入多因子加权排序：

score = 0.6 * vector_similarity + 0.3 * time_decay + 0.1 * importance

# 时间衰减：越近的记忆权重越高
time_decay = exp(-days_since_created / 30)

# 重要性加权
importance_weight = {
    "decision": 1.0,
    "preference": 0.9,
    "fact": 0.7,
    "other": 0.5
}

价值：

• 更智能的排序，优先展示重要、近期的记忆
• 减少无关记忆干扰

4. 记忆生命周期管理（中优先级）

现状：记忆永久存储，没有自动归档/清理机制。

建议：

• 30 天前的 other 类记忆 → 自动移到 archive 集合
• 90 天前的所有记忆 → 压缩存储
• 存储前检查相似度 >0.95 → 更新而非创建（去重）

价值：

• 控制数据库大小
• 减少重复记忆

5. 多 Agent 共享支持（低优先级）

现状：记忆绑定单个 agent。

建议：添加 agent_id 和 shared 字段：

{
  "text": "用户喜欢直接、不啰嗦的沟通风格",
  "category": "preference",
  "importance": 0.9,
  "agent_id": "main",
  "shared": true
}

价值：

• 多个 agent 共享同一份用户画像
• 支持团队协作场景

实施建议

Phase 1（最有价值）：

1. 添加 before_prompt_build 钩子（自动注入）
2. 添加 before_reset 钩子（会话归档）

Phase 2：
3. 智能检索优化（时间衰减 + 重要性加权）
4. 记忆去重逻辑

Phase 3：
5. 多 Agent 共享支持
6. 导入导出工具（备份/恢复）

风险与缓解

风险	缓解措施
自动注入太多记忆 → 上下文溢出	限制最多 5 条，总字符数 <2000
钩子执行慢 → 影响响应速度	异步执行，超时 500ms 跳过
去重误判 → 丢失信息	相似度阈值 0.95（保守）
多 Agent 隐私泄露	默认 shared=false，显式标记

参考项目

• mem9.ai - 云端记忆项目，有详细的钩子设计文档

---

期待社区讨论！ 如果方向认可，我们可以进一步细化技术方案。

[AliceLJY]

@xybstone 感谢详细的提案。逐条回应一下：

1. 自动注入钩子 — 已有。adaptiveRecall 就是在 prompt 构建前自动注入相关记忆，配置 autoRecall: true 即可，不需要手动调 memory_recall。

2. 会话归档钩子 — 已有。memoryReflection 在 session 结束时自动提取摘要存入记忆。

5. 多 Agent 共享 — 已有 scope 机制（agent:main、shared 等）。

3. 时间衰减排序 / 4. 记忆生命周期 — 这两个是目前还没做的方向，也是这个提案里真正的增量价值。去重部分可参考 Issue #5 的讨论。

如果你对 3 和 4 有兴趣深入，欢迎直接提 PR，我们可以一起 review 方案细节。

[xybstone]

@AliceLJY 感谢详细的解答！我们验证了你的回复，以下是实际配置和测试结果：

验证结果

你说的都对 👍 我们把配置加上后功能确实生效了：

我们的配置 (openclaw.json)

{
  "memory-lancedb-pro": {
    "enabled": true,
    "config": {
      "autoCapture": true,
      "autoRecall": true,
      "smartExtraction": true,
      "sessionStrategy": "memoryReflection",
      "extractMinMessages": 2
    }
  }
}

功能对照

提案功能	现有配置	状态
自动注入钩子	autoRecall: true	✅ 已实现
会话归档钩子	sessionStrategy: "memoryReflection"	✅ 已实现
时间衰减排序	retrieval.timeDecayHalfLifeDays	✅ 已实现
记忆生命周期	decay.* (Weibull 模型)	✅ 已实现
多 Agent 共享	scopes 机制	✅ 已实现

一点小建议

文档中 autoRecall 的描述可以更显眼一些（比如在 README 头部提示），因为很多人（比如我们）以为要自己写 hook 其实配置一下就行 😅

至于 3 和 4（时间衰减排序 / 记忆生命周期），如果社区有兴趣，我们后续可以一起讨论方案。

再次感谢！