核心结论
OpenClaw 在 48 小时内连续发布两次更新（v2026.4.27 → v2026.4.29），这次更新的核心是记忆系统的范式升级——从基于关键词检索的被动式记忆，进化为 Agent 主动构建和维护的人物感知 Wiki 系统。
这是 OpenClaw 向”长期陪伴型 Agent”迈进的关键一步。
发生了什么
人物感知 Wiki（Person-Aware Wiki）
此前的 OpenClaw 记忆系统基于向量检索：Agent 从记忆库中搜索与当前对话最相关的片段。这种方式的局限在于：
- 记忆是碎片化的，缺乏结构化关联
- 无法理解人物之间的关系网络
- 记忆来源不可追溯
新版本的 Wiki 系统引入了三个核心机制：
| 机制 | 功能 | 价值 |
|---|---|---|
| 人物卡片（Person Card） | Agent 自动为对话中出现的人物创建档案 | 集中管理人物相关信息 |
| 关系图谱（Relationship Graph） | 追踪人物之间的关联 | 理解社交上下文 |
| 来源追溯（Source Tracing） | 每条记忆标注来源和证据类型 | 提升记忆可信度 |
来源追溯与证据类型
每条记忆现在带有元数据标注：
memory: "用户张三偏好 Python 而非 JavaScript"
source: "2026-04-28 对话"
evidence_type: "explicit" # explicit | inferred | assumed
confidence: 0.92证据类型分为三档：
- explicit：用户明确陈述（高可信度）
- inferred：Agent 从上下文推断（中等可信度）
- assumed：Agent 基于模式推测（需验证）
Active Memory 增强
Active Memory（当前对话的活跃记忆）新增两个能力：
- 按对话 ID 过滤：区分不同对话场景的记忆，避免上下文污染
- 持久化标记：将特定记忆标记为长期保留，不受自动清理策略影响
为什么重要
1. 记忆质量 > 记忆数量
此前的 Agent 记忆系统普遍追求”记住更多”——更大的向量库、更长的上下文窗口。OpenClaw 的方向转变意味着行业开始关注”记得更准”：
| 维度 | 旧范式 | 新范式 |
|---|---|---|
| 核心指标 | 召回率 | 精确率 + 可信度 |
| 存储方式 | 扁平向量 | 结构化 Wiki + 图谱 |
| 更新机制 | 被动追加 | 主动构建与维护 |
| 过期策略 | 时间衰减 | 证据类型驱动 |
2. 人物关系图谱的价值
在团队协作场景中，人物关系图谱尤其有用：
- 项目管理：Agent 知道张三是后端负责人、李四是产品经理，可以据此调整沟通策略
- 客服场景：识别老客户的历史交互模式，提供个性化服务
- 知识管理：将知识片段与创建者关联，方便溯源和更新
3. 两天两次更新的节奏
OpenClaw 在 48 小时内连续更新两次（4.27 增加了计算机使用能力，4.29 升级记忆系统），这种迭代速度在开源 Agent 项目中相当激进。背后反映的是：
- 社区需求驱动的快速迭代
- 模块化架构支持独立模块更新
- Agent 记忆系统是当前竞争焦点
与同类项目的对比
| 项目 | 记忆类型 | 结构化 | 人物感知 | 来源追溯 | 开源 |
|---|---|---|---|---|---|
| OpenClaw | Wiki + 图谱 | ✅ | ✅ | ✅ | ✅ |
| Claude Memory | 检索式 | ❌ | ❌ | ❌ | ❌ |
| ChatGPT Memory | 检索式 | ❌ | ❌ | ⚠️ 部分 | ❌ |
| Hermes Agent | Skill 管理 | ✅ | ❌ | ✅ | ✅ |
| Claude Managed Agents | 会话记忆 | ❌ | ❌ | ❌ | ❌ |
行动建议
OpenClaw 用户：
- 升级到 v2026.4.29 以获取新记忆系统
- 检查现有记忆库的迁移情况——旧的向量记忆可能需要重新索引
- 利用证据类型过滤功能，在关键决策时优先使用 explicit 记忆
Agent 开发者：
- 人物感知 Wiki 的设计模式值得借鉴，尤其是来源追溯机制
- 考虑在自己的 Agent 中引入证据类型标注，提升决策透明度
选型参考：
- 需要长期记忆 + 人物管理 → OpenClaw 当前领先
- 只需要短期上下文 → Claude/GPT 内置记忆足够
- 需要 Skill 管理 → Hermes Agent 的 Curator 体系更成熟