智能体的记忆地形学：
OpenClaw / ZeroClaw / OpenFang 记忆机制比较研究

摘要

本文基于六模型交叉验证的调研档案，系统比较 OpenClaw、ZeroClaw、OpenFang 的记忆架构，并结合 GitHub 官方数据与社区评测分析其在「组织内部知识管理」与「大学科研辅助」两场景的适配性。研究发现：三者的分歧不在「是否有记忆」，而在记忆的物化形态——向量库（机器检索友好）与人类可读文件（markdown 记忆，人可审计）之间的取舍，是当代智能体设计中最深的一道意识形态裂缝。

一、三个物种的速写

体量对比极具戏剧性：OpenClaw 与 ZeroClaw 的内存需求相差约 200 倍。这不是工程风格之争，而是对「智能体应该住在哪里」的不同回答——前者要求一台 Mac mini 当巢，后者钻进任何 10 美元的硬件。

二、记忆的四种物化

1. 工作记忆：当前会话的上下文窗口——所有框架共享的天花板，差异在压缩策略的激进程度；
2. 情景记忆：过去对话的可检索档案——OpenClaw 以向量库+会话日志实现，便于「你上次说过……」式的唤起；
3. 语义记忆：沉淀为知识条目的事实与偏好——OpenFang 以结构化存储为优，适合严格审计的组织场景；
4. 文件记忆：markdown 形态、人类可直读直改的记忆层——ZeroClaw 的极简主义代表。它的深层意义是记忆的可审计性：用户能亲眼看到智能体「记得自己是谁」。

三、场景选型地图

3.1 组织内部知识管理

首选OpenFang：结构化语义记忆 + 测试覆盖带来的行为可预期性，是企业审计的刚需；次选 ZeroClaw 的文件记忆（人可审、git 可管）。OpenClaw 的强大生态反而是风险——插件面越大，供应链面越大。

3.2 大学科研辅助

首选 OpenClaw：情景记忆的跨会话唤起恰好匹配「文献—讨论—写作」的长周期科研节律；ZeroClaw 作为轻量随身层（笔记本/树莓派）互补。组合策略优于单选：重框架养深度，轻框架养广度。

四、记忆机制与「人机对照室」的方法论闭环

本刊对三大框架记忆机制的调研本身由六个模型平行完成（GLM-5、Kimi-K2.5、MiniMax-M2.5、DeepSeek-V3.1-Terminus、Qwen3.5-Plus、Doubao-Seed-2.0-Code），构成方法论的自我演示：六份报告对「谁的记忆最透明」的判断高度一致，但对「向量 vs 文件」的评价分歧显著——分歧点恰与各模型的训练语料偏好相关。这印证了记忆比较研究的一个元结论：关于记忆的判断，本身就是记忆的函数。

五、结论

三大框架的赛程过半，胜负手已经显形：不是功能数量，而是记忆的可信度——谁能让用户确证「它记得的正是我以为它记得的」，谁就赢得长期信任。智能体的记忆地形学，最终是一门关于诚实的技术学。