> For the complete documentation index, see [llms.txt](https://yeasy.gitbook.io/harness_engineering_guide/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://yeasy.gitbook.io/harness_engineering_guide/di-er-bu-fen-harness-he-xin-zi-xi-tong/06_memory.md).

# 第六章：记忆与上下文子系统

## 章引言

记忆是智能体系统的第二大脑。没有记忆，Agent 无法学习，每次对话都是从零开始。记忆系统决定了智能体是否能够：

* 记住用户的偏好和背景
* 在多个会话间保持一致性
* 学习和改进其行为
* 高效地处理长时对话（通过压缩而非简单截断）

本章将深入 Harness 的记忆设计，对比 Claude Code 和 OpenClaw 的不同方法。

## 核心设计问题

1. **多层架构**：工作记忆（当前会话）、短期记忆（会话间）、长期记忆（持久化）如何划分？
2. **可写入性**：Agent 不仅读取记忆，还要能更新和创建记忆
3. **组装能力**：如何从多个来源的记忆组装出完整的上下文？
4. **整合机制**：长对话中，何时触发记忆整合（压缩/清理）？

## 两个参考系统

**Claude Code 的三层模型**：

* 对话历史：当前会话的完整消息
* CLAUDE.md：用户反馈、项目信息、参考资料
* 自动整合管道：本书以 autoDream 为名的示意管道，三门触发、四阶段整合(Orient→Gather→Consolidate→Prune)，详见 6.4（非官方内置引擎）

**OpenClaw 的双层模型**：

* MEMORY.md：永久性记忆（关键事实、学习、历史）
* 每日日志：当前会话的详细记录
* memory\_search 语义检索：找到相关的历史信息
* 自动刷写：压缩前先把关键事实落盘（本书示例以 70% 上下文为触发点）

## 本章结构

* 6.1：多层记忆架构
* 6.2：可写入式记忆
* 6.3：上下文组装引擎
* 6.4：记忆整合与压缩
* 6.5：MiniHarness 记忆实现
* 本章小结

记忆系统是智能体系统中最复杂但也最关键的子系统之一。