面向Agent的长期记忆系统 LycheeMem ，让OpenClaw 的 Token 消耗直降 71%！
项目 介绍
随着 OpenClaw 等Agent 框架快速发展，大模型正逐步摆脱单一对话工具的局限，迈向自主执行复杂任务、深度参与真实工作流的实用阶段。但当 Agent 真正进入复杂任务与真实工作流时，一个基础性短板也迅速暴露出来：缺乏稳定、准确且低成本的长期记忆能力。当前大多数 Agent 记忆方案，要么依赖简单的上下文堆叠，要么停留在粗粒度的向量检索，要么以高昂成本换取有限精度，始终难以同时解决“记不住、找不准、用不对、成本高”的核心痛点。
近期开源的 LycheeMem系统，正尝试把 Agent 长期记忆这件事，真正做成可落地、可扩展、可控成本的基础设施。作为一款面向 Agent 的长期记忆框架，LycheeMem 以高效对话记忆为起点，通过结构化组织、轻量化固化与自适应检索，为 Agent 构建稳定、实用、可扩展的记忆底座，进一步支撑其在复杂场景中的自主决策与任务执行能力。
在 PinchBench 测评中，接入 LycheeMem 的 OpenClaw 插件后，相较 OpenClaw 原生记忆方案，整体评分提升约 6% ，Token 消耗下降约 71.3% ，总使用成本降低约 54.8% 。换句话说，每投入 1 元 Embedding 成本，最高可节省约 54.8 元 LLM 成本，ROI 达 5480% 。这不仅验证了 LycheeMem 在效果与效率上的双重优势，也进一步说明，长期记忆正在成为 Agent 从“能用”走向“好用”、从“演示”走向“落地”的关键基础设施。
LycheeMem 现已可通过 MCP 支持各类客户端与 Agent 接入，作为统一记忆服务让不同 LLM 应用之间共享用户记忆。用户在切换不同 AI 助手、Agent 或工作流工具时，无需反复重复自己的偏好、习惯与历史背景，各应用在解决问题时也能复用已有经验。
- GitHub: github.com/LycheeMem/L…
- 项目主页: lycheemem.github.io
核心能力
LycheeMem 的核心亮点，在于它真正按照人类使用记忆的方式组织 Agent 所需的信息，围绕“当前在做什么”“过去发生了什么”“以后该怎么做”建立起完整闭环。
- 3 层记忆架构：系统将记忆划分为工作记忆、语义记忆和程序记忆。工作记忆负责管理当前活跃对话与上下文，语义记忆负责存储事实、偏好、约束、事件等长期知识，程序记忆则沉淀可复用技能与工作流经验。
- 7 类语义记忆编码：LycheeMem 将长期知识拆分为事实、偏好、事件、约束、流程、失败模式、工具能力 7 类记录，并为每条记录附加行动导向的结构化元数据，让记忆不仅可存，更能可用。
- 层级记忆树融合机制：系统会自动将多个相关原子记忆融合为更高密度的复合记忆，形成可逐层展开的层级记忆树。这样既能保留细节，也能在检索时优先返回覆盖更广、密度更高的信息，减少上下文碎片。
- 4 重面向行动的检索机制：LycheeMem 的检索不只看 query，而是结合用户请求、最近上下文和当前行动状态，先生成搜索计划，再同时启动全文、向量、标签、时间多条召回通道，真正做到按任务找记忆。
- 7 种多维度评分与压缩注入：召回后的候选记忆会综合语义相关度、行动效用、参数补全、时间匹配、新近性、证据密度、Token 成本等因素统一打分，优先选出最值得注入上下文的高价值记忆。
- 程序记忆技能库：除了记得发生过什么，LycheeMem 还强调记得怎么做。系统可将成功工作流沉淀为技能条目，并通过 HyDE 等策略完成更适合行动任务的检索，直接指导最终回答或执行。
- 5 种Agentic推理能力：从工作记忆管理、搜索协调、记忆合成，到核心推理与后台异步固化，LycheeMem 构建了完整的 Agent 记忆工作流，让长期记忆真正参与每一次决策，而不是停留在静态存储。
PinchBench 结果
作为首个专门评测 OpenClaw Agent 真实任务执行能力的 benchmark，PinchBench 已覆盖 500+ 模型，并累计完成数千次评测运行。接入 LycheeMem 后，OpenClaw 的分数从 43.22% 提升到 48.98% ，提升约 6% ；Token 消耗从 20.9M 降至 6.0M，下降约 71.3% ；总成本从 15.55 元降至 7.03 元，节省约 54.8% 。这意味着LycheeMem 不只是记忆更强，而是在更强记忆的同时，把成本真正打下来了。
使用方式
LycheeMem 已支持多种接入方式，既适合个人开发者快速体验，也适合团队接入现有 Agent 系统。
- 支持本地启动 API 服务，开箱即可运行。
- 提供前端 Demo，可实时查看语义记忆树、技能库和工作记忆状态。
- 提供原生 OpenClaw 插件，让 OpenClaw 会话快速获得持久化长期记忆能力。
- 支持 MCP 接入，可作为标准化记忆服务对接更多 Agent 系统。
- 支持离线运行与本地数据存储，更适合对安全性和可控性要求较高的场景。
结语
记忆不是 Agent 的附加能力，而是它真正进入复杂任务与真实工作流的底层基础设施。没有长期记忆，Agent 就只能反复依赖短期上下文；没有结构化记忆，Agent 就很难稳定复用经验；没有低成本记忆，Agent 就难以真正规模化落地。LycheeMem 的价值，就在于它把 Agent 的长期记忆，从概念探索推进到了直接可用。
对于个人开发者来说，LycheeMem 是给 AI 助手装上一套“记得住、找得准、用得上”的长期记忆系统；对于企业团队来说，它则是一套更低成本、更可控、更适合复杂工作流的 Agent 记忆基础设施。如果你也在关注 Agent 的下一步落地，LycheeMem 值得一试 ！
