随着大语言模型的兴起，ArkClaw 正成为人机交互的新范式。一个优秀的 ArkClaw 不仅要能理解和执行指令，更需要拥有强大的记忆能力，才能在复杂的交互中保持上下文连贯，并不断学习、成长。

在火山引擎，我们基于开源框架 OpenClaw 打造了企业级 Agent 平台 ArkClaw。为了给 ArkClaw 装上更强大的“记忆大脑”，我们引入了向量数据库 LanceDB 作为其核心记忆插件，并进行了一系列深度优化。本文将与你分享 LanceDB 在 ArkClaw 中的应用与实践，探讨我们如何构建一个更高效、更智能的 ArkClaw 记忆系统。

一、记忆插件选型：为何是 LanceDB？

在 OpenClaw 的开源生态中，官方提供了两种记忆插件：Memory Core 和 Memory LanceDB。在项目初期，我们对二者进行了详细的对比分析。

虽然 Memory Core 在功能完备性上稍有优势，但 LanceDB 在自动化、扩展性和版本化等关键特性上展现出巨大潜力。我们判断，借助其底层 LanceFormat 对对象存储的良好支持和原生的多版本能力，LanceDB 是构建大规模、企业级 ArkClaw 记忆系统的更优选择。

因此，我们决定基于 LanceDB 社区版进行二次开发，打造了 LanceDB Ultra 插件。该插件不仅补齐了社区版在检索、分层等方面的短板，更经历了火山引擎内部 10 万+线上 ArkClaw 实例的严苛打磨，是一个真正面向生产环境的记忆解决方案。

LanceDB Ultra 核心增强点：

混合检索能力：基于 LanceDB 的 FTS（全文搜索）能力，补齐了“全文+向量”的混合检索，提升召回准确率。

完善的记忆分层：通过引入 Daily Summary 机制，实现了从短期记忆到长期记忆的完整分层体系。

更广泛的 Embedding 支持：除了 OpenAI，还集成了火山引擎豆包 Embedding 服务，并支持离线模型，满足不同场景的部署需求。

接下来，我们将深入介绍 LanceDB Ultra 中几个最具代表性的优化与实践。

二、核心优化实践：打造更智能的记忆系统

为了让 ArkClaw 的记忆更聪明、更可控，我们在 LanceDB Ultra 插件中落地了四大核心特性。

1. 记忆分层与分类：让记忆井井有条

人类的记忆有瞬时、短期和长期之分，ArkClaw 也应如此。社区版的 LanceDB 主要作为长期记忆存储，而我们通过引入 Daily Summary 机制，构建了从日常记忆（短期）到长期记忆的晋升通道，形成了更完整的分层体系。

不仅如此，我们还规划了从短期记忆向长期记忆自动晋升（Promote）的 Autodream 机制，并对长期记忆的分类进行了扩展，增加了 Skill 和 Tool 类别。这使得 ArkClaw 不仅能记住对话内容，还能记住自己掌握的技能和工具，为后续的动态决策打下基础。

2. Autodream：像人脑一样“做梦”和“反思”

“Autodream” 的概念源于对 Claude 源码的分析，它模仿人类在梦境中整理和巩固记忆的过程，对 ArkClaw 的记忆进行自动化规整。我们在 LanceDB Ultra 中实现了自己的 Autodream 流程，主要包含两大步骤：低质量记忆清理和记忆提炼。

它的工作流程如下：

1.无差别转录：首先，用户的每一次输入都会被完整记录为临时的 transcript
 日志。

2.短期记忆形成：系统会定期对这些日志进行 daily summary
（每日摘要），形成结构化的短期记忆。

3.长期记忆来源：

- 用户主动投喂：用户可以通过指令明确存入需要长期记住的信息。

- 系统自动捕获：基于 LanceDB 插件的 auto_capture
 能力，系统会自动捕获对话中的关键信息。

4.双路召回：当用户与 ArkClaw 交互时，系统会同时从短期记忆和长期记忆中召回相关信息，确保上下文的完整性。

5.Autodream 优化：

- 低质量记忆清理：通过记忆采样和质量评估，自动识别并清理无意义的对话，如打招呼、闲聊等，避免记忆库被污染。

- 记忆提炼：对短期和长期记忆进行整合与精炼，解决记忆的漂移、重复或冲突问题，并能将多个相关的短期记忆合并，提炼为更深刻的长期记忆。

通过 Autodream 机制，ArkClaw 的记忆库得以持续自我净化和迭代，变得更加精炼和准确。

3. Context Engine：为大模型“减负”的上下文总管

Token 成本和上下文窗口长度是制约大模型应用的关键瓶颈。为了解决这个问题，OpenClaw 引入了 Context Engine 框架，它在 ArkClaw 的生命周期中设置了多个“钩子”（Hook），允许开发者精细化地管理和优化输入给大模型的上下文。

我们在 ArkClaw 中深度利用了 Context Engine，实现了 Skill 的动态按需加载，带来了三大收益：

💡 节省 Token

将原本需要全部加载到上下文中的静态 Skill 元数据，替换为当前交互命中的一小部分子集，大幅降低 Token 消耗。

💡 精准匹配

基于用户当前的 prompt 和最近消息，利用向量检索精准匹配最相关的 Skill，提升 ArkClaw 执行任务的准确性。

💡 无限扩展

由于不再受单次上下文窗口的限制，ArkClaw 理论上可以加载和发现无限数量的 Skill，扩展性得到极大增强。

实现流程简介：

1.Skill 注册：在 ArkClaw 启动时，扫描所有可用的 Skill，将其元信息注册到 LanceDB 的一个专门的“Skill Memory”表中。

2.按需检索：在 assemble
（上下文组装）阶段，根据用户意图，从 Skill Memory 表中检索出最相关的 Skill。

3.动态注入：只将检索到的 Skill 注入到当前轮次的上下文中，供大模型决策使用。

4. Git for Memory：让记忆也能拥有版本控制

为了让 ArkClaw 的记忆像代码一样易于管理、可追溯、可回滚，我们引入了 “Git for Memory” 的概念，并基于 LanceDB 的原生多版本能力，在 ArkClaw 中实现了两大产品化功能：

记忆的备份与恢复 (已上线)

- 备份 (Backup)：利用 LanceDB 的 tag
 特性，用户可以随时为当前的记忆状态创建一个快照，就像 git tag
 一样。

- 恢复 (Restore)：当发现 ArkClaw 的记忆出现问题或想回到过去的某个状态时，可以一键恢复到指定的备份版本。

分支记忆 (开发中)

- 分支 (Branch)：利用我们贡献给社区的 branch
 特性，用户可以为记忆创建不同的分支。这在很多场景下非常有用。

- 用户故事 1：内容创作一位小说家可以让不同的 ArkClaw 分支去探索不同的故事情节。当某个分支的情节令人满意时，可以将其 merge
回主线；不满意的则可以直接放弃。

- 用户故事 2：客服答疑客服人员在同时支持内外部客户时，可以将通用的问答方案保存在共享的记忆分支中，而将涉及敏感信息的内部方案隔离在独立的分支里，实现记忆的共享与隔离。

“Git for Memory”赋予了 ArkClaw 记忆前所未有的灵活性和可管理性，为更复杂、更专业的应用场景打开了想象空间。

三、未来展望：走向端云协同的记忆湖 ClawLake

我们认为，ArkClaw 记忆的终极形态将是端云协同的记忆湖（ClawLake）。

在这个架构中，无论用户通过何种终端与 ArkClaw 交互，其记忆数据都将被统一路由到 ClawLake 记忆插件中。该插件同时具备云端服务和本地 Fallback 能力，两者底层均采用 LanceDB 格式，确保端云体验的一致与协同。

ClawLake 架构的核心理念：

分层服务：云端架构分为记忆服务层和记忆存储层。服务层采用 Serverless 架构，提供高可用的记忆读写能力；存储层则包含一层查询加速层和底层的湖存储。

三大湖域：底层的湖存储被划分为三大领域，分别承载不同类型的数据：

- 记忆湖 (Memory Lake)：存放 ArkClaw 的交互记忆、反思和提炼出的经验。

- 知识湖 (Knowledge Lake)：存储外部知识、文档和领域资料。

- 多模态数据湖 (Multi-modal Data Lake)：用于处理和存储图像、音视频等多模态信息。

ClawLake 旨在构建一个统一、可信、高效的记忆基础设施，让 ArkClaw 能够跨越设备和平台的限制，拥有一个持久且不断进化的“云端大脑”。

写在最后

为 ArkClaw 构建一个强大的记忆系统，是一项充满挑战但也极具价值的工作。通过在火山引擎 ArkClaw 中对 LanceDB 的深度应用与优化，我们探索出了一套行之有效的企业级 ArkClaw 记忆解决方案。

从更完善的记忆分层，到模仿人脑的 Autodream 机制，再到为大模型减负的 Context Engine 和赋予记忆版本控制能力的 Git for Memory，这些实践不仅提升了 ArkClaw 的产品能力，也为业界构建更高级的 ArkClaw 应用提供了参考。

当然，目前的方案仍在快速迭代和打磨中，ClawLake 的愿景也才刚刚起步。未来，我们期待与社区一起，继续探索 ArkClaw 记忆的前沿，共同推动 ArkClaw 技术走向新的高度。