长期记忆之后的拼图：为什么 AI 需要“短期精准记忆”？

在过去的研究中，我们已经通过 Memory Link DB Pro 等插件成功赋予了 OpenClaw（基于 Claude 模型的第三方客户端界面）长期记忆能力。然而，仅仅拥有长期记忆是不够的。如果你希望 AI 变得更加聪明，还必须解决其短期记忆能力（Short-term Memory: 在单一会话内处理多轮连续对话的能力）的短板。目前，OpenClaw 在处理超长会话时存在明显的缺陷：当 上下文窗口（Context Window: 模型一次性能够处理的最大文本范围）达到特定阈值后，系统往往会开始丢失会话早期的技术细节和核心要点。

这种情况在软件开发等复杂场景中尤为致命。例如，当你与 AI 针对某个项目进行了几十轮的深度讨论，积累了海量的上下文后，由于其原生的上下文管理（Context Management: 系统如何选择、截断或压缩历史消息以适应模型限制的过程）存在缺陷，AI 极易忘记最初讨论的项目架构或具体技术决策。为了彻底解决这一“掉链子”的痛点，我们需要引入一套无损的上下文管理方案，确保即使在百轮对话之后，AI 依然能精准回忆起第一轮对话的内容。

核心架构与无损压缩：lossless-claw-enhanced 的底层逻辑

为了增强短期记忆，我们采用了开源项目 lossless。这个项目的设计思路非常精妙：它并不直接删除旧消息，而是利用大模型将历史对话压缩成摘要，并构建一个有向无环图（Directed Acyclic Graph (DAG): 一种由节点和有向边组成的图结构，确保信息流向不形成回路）。原始消息会被完整地持久化存储在 SQLite（一种轻量级的、基于文件的关系型数据库）中。从理论上讲，这意味着 OpenClaw 永远不会真正“忘记”任何细节。

然而，原生项目主要是为英文用户设计的，在中文环境下存在严重适配问题。首先，它对中文内容的 Token（文本处理的基本单位）估算存在偏差；其次，它存在摘要丢失的致命 Bug。在我们的基准测试中，设计一个 40 个轮次的对话，并在前 8 轮埋入 16 个具体技术细节，随后用大量的代码讨论填满上下文。结果显示，原生项目的召回率（Recall Rate: 衡量系统从海量信息中准确提取目标信息能力的关键指标）仅为 56%。

针对这些问题，我进行了深度的二次开发，推出了 lossless-claw-enhanced 增强版。在这个版本中，我们不仅修复了中文 Token 估算的错误，还极大地提升了信息检索的稳定性。实测数据表明，不使用插件时召回率为 0%，使用原生项目为 56%，而使用我开发的增强版后，召回率成功达到了 100%。这意味着 OpenClaw 终于具备了处理复杂、长线任务的坚实基础。

全自动安装与实战验证：百轮对话下的召回率极限测试

部署该插件的过程非常简单。你只需将仓库链接复制到 OpenClaw 中，通过自然语言指令（例如：“请阅读该项目的 README，并选择最合适的方式为我安装和配置”）即可实现全自动安装。如果遇到环境限制导致安装失败，还可以配合 Codex 桌面版利用其高逻辑级别的模型（如 GPT-4.5 思考级别）进行全自动配置。安装完成后，只需运行 open-claw-gateway restart 重启网关，即可激活其“第二大脑”。

lossless-claw-enhanced 的工作流程可以分为三个触发阶段：

1. 增量压缩: 当旧消息超过 20k Tokens 时，系统会在后台静默启动压缩，用户无感知。
2. 阈值压缩: 当上下文占用率接近模型窗口的 75% 时，会触发更深度的管理机制。
3. 按需回忆: 当用户问及早期细节时，OpenClaw 会调用检索工具，从层级摘要和数据库中精准提取信息。

在实战测试中，我们构建了一个名为 TaskFlow 的 Python CLI 任务管理工具。在会话最初，我们确定了使用 SQLite 存储、支持 CRUD 操作以及具体的分层架构方案。在经历了数十轮无关的代码干扰讨论后，我们再次询问 AI：“最初给出的分层思路是什么？”系统精准地回复了包含数据层、模型层、业务层和展示层的完整架构，并明确标注了这些信息提取自“第二轮 LLM 摘要”。

为了进一步验证其稳定性，我们使用 Cloud Code 自动向会话中注入了五个关于架构决策的复杂测试题。结果显示，OpenClaw 的回答与初始设计的技术方案保持了 100% 的一致性。这种精准的短期记忆能力，让 AI 不再仅仅是一个简单的聊天机器人，而是进化成了一个能够处理超长逻辑链条、越用越聪明的专业助手，能够胜任真正贴合实际生产环境的复杂开发任务。