最近，最火的 Agent 項目 OpenClaw 又迎來一次大更新：支持 GPT-5.4、加入 Context Engine 插件接口、記憶系統(tǒng)可以熱插拔，GitHub Star 也突破了 28 萬。

表面看，這次更新內容很多：搜索、插件、通信渠道、容器部署、安全機制……幾乎是一次全面升級。但如果只抓一個最關鍵的變化，其實是這一點：OpenClaw 開始重做 memory。

因為這段時間，OpenClaw 被吐槽最多的地方，其實就是“記性不太行”。你前面說過的東西，它后面可能就忘了；或者同一件事反復記、反復問，memory 越用越亂。很多人一開始以為這是模型不夠聰明，后來才發(fā)現(xiàn)問題不完全在模型，而在它原來的記憶機制。

過去的 OpenClaw memory 更像“有事再去翻筆記”。系統(tǒng)會把內容寫進日志文件和長期記憶文件，需要的時候再通過 memory_search 和 memory_get 這些工具去查。這其實是一種典型的 tools 邏輯：需要時再調用工具，把上下文找出來。

問題在于，這種方式看起來像“按需調用、更省資源”，但實際往往更慢、更費 token，因為每一次工具調用本身也有成本。而且它太依賴 Agent 自己先“想起來去查”，一旦沒觸發(fā)工具，這段記憶就等于不存在。同時，它在知識更新、時間推理、多會話上下文上的表現(xiàn)也不理想：寫入新內容時，往往不知道舊記憶里已經有什么，結果就是重復記錄、舊信息不更新。再加上它幾乎不會遺忘，時間一長，memory 就容易變成一個越來越大的信息堆，什么都在，但真正重要的反而找不出來。

所以這次更新真正重要的地方，是 OpenClaw 開始從 tools 邏輯轉向 hooks 邏輯。

簡單說，tools 是“需要時再查”，hooks 是“在關鍵節(jié)點自動處理”。通過 Hook，memory 的保存和上下文補充可以在后臺自動發(fā)生，而不是每次都依賴 Agent 主動調用工具。這樣系統(tǒng)既能提取結構化記憶，也能保留原始上下文，并在需要時補充信息，還可以讓長期無關的信息逐漸衰減、被清理掉。

在這個基礎上，OpenClaw 又把上下文處理抽象成可插拔的 Context Engine。這意味著開發(fā)者不需要改動 Agent 本身，就可以替換不同的上下文管理策略，比如 RAG、知識圖譜折疊或無損壓縮等。Agent 的邏輯不變，真正變化的是“上下文怎么被組織和注入”。

所以這次更新里，最容易被忽略、但可能最重要的，其實就是 memory。 新模型、新搜索當然都很熱鬧，但一個 Agent 能不能真正長期好用，關鍵還是看它能不能把“記住、更新、遺忘”這件事做好。

整理 ｜Tina