在 AI Agent 快速普及的今天，提供记忆能力已成为决定智能互动效果的核心组件之一 —— 能否记住用户偏好、延续会话逻辑、沉淀长期经验，直接影响用户的有趣度体验、智能体的执行效率和效果。这对于需要服务千万级企业用户的办公 Agent 尤为重要。
为此，飞书与火山引擎携手，为其 AI 助手 —— 妙搭 OpenClaw，接入了火山 Mem0这一深度增强的企业级记忆服务，从存储底座、抽取策略到检索算法进行了系统性升级。业务在此基础上围绕场景进行适配性优化后，业务模拟 QA 准确性高达 97.6%， 而在长期对话记忆基准 Locomo 评测场景下，记忆问答准确率最高提升 86%，Token 消耗节省最高达 96%，这意味着跨设备、跨会话的“记忆延续”能力，真正成为开箱即用的企业级体验。
那么，为什么 OpenClaw 原有的记忆能力难以完全满足业务需求？火山 Mem0 又带来了哪些不同的价值？接下来，我们结合具体场景展开分析。
妙搭 OpenClaw：“会动手、会思考”的 AI 智能体，为高效工作赋能
妙搭 OpenClaw 是飞书面向全体用户推出的轻量化 AI 助手的专属数字分身，具备“能动手、会思考、有记忆”的能力，用户无需复杂部署，在飞书内即可一键启用，依托与飞书生态的深度集成以及丰富的内置技能，真正实现零门槛养「虾」。
“虾”养久了，记忆问题来了
妙搭 OpenClaw 在早期客户灰度过程中，一个反馈频繁出现：“我希望它能真的认识我”。然而，OpenClaw 原生的记忆架构并不完全支持这种长期、持续的陪伴式体验。
使用端 —— 原生记忆的局限
OpenClaw 原生采用本地文件式记忆架构：长期记忆存储在 MEMORY.md 中，每日短期记忆则记录在 memory/YYYY-MM-DD.md，并通过本地 SQLite 建立向量索引。这套方案在单人、单机以及可通过 Git 管理的场景下运行良好，但当它应用到企业级办公环境时，一些局限性便很快显现：
- 记忆易丢失：本地文件是唯一的数据来源。一旦环境异常、重新部署或更换设备，历史记忆就可能无法继承。对于用户而言，这意味着每次都需要重新建立认知和上下文。
- 抽取覆盖有限：原生策略更偏于“按需触发”，通常需要用户明确发出“请记住”的指令后才会写入记忆。因此，大量有价值的个人偏好、决策过程和业务上下文，往往难以被有效沉淀。
- 复杂场景召回不足：基于 KNN 的语义检索与固定权重融合策略，在处理简单查询时效果较好；但面对涉及时间、实体和关系等多维信息的复杂问题时，仍可能出现“记过但找不到”的情况。
架构端 —— 平台方的架构诉求
归根结底，OpenClaw 原生记忆解决的是“能否记住”的问题，而企业级办公场景更专注于“记得准、找得到、不会丢、值得信任”。 妙搭 OpenClaw 面向的是飞书生态中的海量用户和真实业务场景，这意味着记忆能力不仅是功能模块，更需要成为一项稳定、可靠的基础服务。因此，记忆系统至少需要满足以下要求：
- 企业治理能力：记忆数据能够集中存储，支持结构化查询、审计追踪以及权限控制，而非分散保存在用户本地设备中；
- 可靠的记忆召回：不同业务场景对“什么值得被记住”有着不同定义，平台必须支持自定义抽取策略；
- 跨 Agent 知识复用：同一个用户在不同 Agent 中产生的背景信息、工作习惯与历史决策，应能够实现共享与复用，而不是在每个新 Agent 中重新建立认知；
- 数据安全与合规保障：记忆承载着用户偏好、待办事项以及各类业务信息，其背后需要稳定可靠的服务体系，以及完善的容灾、运维和合规能力作为支撑。
火山引擎 Mem0：企业级 AI 记忆，突破原生瓶颈
火山 Mem0 是火山数据库面向 Agent 场景打造的专属长效记忆系统，兼容社区版 Mem0 的使用方式，基于自研架构以及对核心组件、底层代码的深度优化，用户在延续社区 Mem0 使用体验的同时，还能够获得企业级能力增强，在准确性、稳定性、性能、可用性和可靠性等方面实现进一步提升。在架构层面，火山 Mem0 采用全新设计，底层依托火山 AIDAP（AI-Native Database Platform）的PostgreSQL Serverless存储能力构建，面向 Agentic 业务场景，它能够为 Agent 提供海量、弹性扩展且相互隔离的专属记忆空间。
火山 Mem0 架构示意图
妙搭 OpenClaw 为什么选择火山 Mem0？
对于妙搭 OpenClaw 团队而言，评估记忆方案时最关注的几个问题很明确：接入是否足够简单、运行是否足够稳定，以及能否随着业务发展持续演进。 而在这些关键维度上，火山 Mem0 展现出了较强的适配能力。
- 接入侧：把“接入工程”压缩成两步
火山 Mem0 以插件形式融入 OpenClaw 框架，开发者只需要一行命令安装插件 + 配置 API 密钥，即可在无需改动核心业务代码的情况下，为妙搭 OpenClaw 接入完整的记忆能力。对于仍处于快速迭代阶段的 Agent 产品来说，这种“零侵入”的接入方式，比任何性能数字都更实在。
- 形态侧：突破“本地记忆”架构的限制
原生方案依赖本地存储，随着记忆规模的增长，往往需要持续应对容量、并发和容灾等问题。火山 Mem0 则将记忆托管到云端 Serverless 数据库，支持弹性扩展、跨设备实时同步以及双 AZ 高可用部署，从根本上消除了“本地存储容量受限”和”设备切换后记忆难以延续”等常见问题。
- 记忆能力：从信息存储到智能管理
从功能上看，OpenClaw 原生记忆和火山 Mem0 都支持“关键词 + 语义”混合搜索，因此在基础搜索层面看起来差异并不明显。但进一步深入到记忆的抽取、组织、压缩、检索以及长期维护等环节，两者的设计思路存在明显区别。
飞书 × 火山引擎：当"懂你的虾"真的出现在你的 IM 里
飞书与火山引擎的深度融合，并非简单为妙搭 OpenClaw 增加一个记忆组件，而是围绕记忆能力完成了一次底层升级。
🚀 如何体验
接入之后，妙搭 OpenClaw 的体验升级
当一个用户的妙搭 OpenClaw 从“本地文件记忆”切换到“云端 Mem0 记忆”的瞬间，整体使用体验会在几个方面发生明显变化：记忆不再丢失、关键信息可以被更稳定地沉淀、记忆能够在自然交互中被调用和唤起。
- 自动备份——用户记忆，从硬盘转移到云端
- 自动记忆 —— 不需要主动说“请记住”。
每次对话结束后，系统会自动提炼并沉淀关键信息，不需要依赖用户额外提示。实现真正意义上的“记忆”—— 不是记录，而是理解。例如：
- 自动回忆——即使切换到全新的对话窗口，它依然能够识别并延续上下文。
这一能力在实际使用中往往容易被低估，但体验上差异明显。
当用户发起新一轮对话时，OpenClaw 首先从记忆库中检索相关信息，并将与当前任务相关的背景自动注入上下文中。这意味着，即使是新开对话窗口、间隔较长时间为交流，甚至更换设备后再次使用，它依然能够延续对用户项目、偏好以及历史决策的理解。
这种跨会话的连续性，正是 Agent 区别于“普通 Chatbot”的本质。
看数据：从 Benchmark 到业务实测
Benchmark 评测
为了量化火山 Mem0 在长上下文记忆场景中的实际收益，我们通过两组 Benchmark 来模拟 OpenClaw 的长期运行状态，并对比接入前后的表现差异：
- Locomo：代表了某具体对话场景下，Agent的智能表现
- OfficeQA：代表了某具体执行任务场景下（财务数据的分析、整体、洞察、计算等任务），Agent的智能表现
评测结果：
- Locomo 评测场景下，火山 Mem0 最大可以提升 QA 的准确性 86%，最大可节省 Token 96%。 （详细数据参考附录章节）
- OfficeQA 评测场景下，火山 Mem0 的自进化能力（即将发布，敬请期待）能够帮助任务准确率提升 10%，Token 较少 44%，时延减少 39%。 （详细数据参考附录章节）
业务评测
为更贴近真实使用体验，飞书基于 500 条长程办公场景数据构建了一套业务拟真 QA 评测集，用于评估妙搭 OpenClaw 在真实记忆场景下的表现。在妙搭 OpenClaw 和火山 Mem0 双方围绕场景进行了一轮抽取和召回优化，评测集显示在火山 Mem0 的记忆加持下，妙搭 OpenClaw 的拟真 QA 评测集准确性高达 97.6%，证明在使用火山 Mem0 基础上，业务方凭借对业务的理解、围绕场景进行针对性的调试后，通常可以达到满意的业务记忆效果。 （详细数据参考附录章节）
OpenClaw VS 火山 Mem0 的 5 大差异
1. 记忆设计理念：以“文件”为中心，还是以“记忆”为中心
一句话区分：OpenClaw 把记忆当文件，火山 Mem0 把记忆当数据。 前者诞生于“个人开发者笔记”的语境，后者诞生于“生产级 Agent 应用”的语境。
- OpenClaw 以 Markdown 本地文件为真相源，SQLite/LanceDB 只是派生索引，记忆条目之间没有关系、没有元数据、没有生命周期；
- 火山 Mem0 设计思路围绕记忆数据展开，主存储是向量数据库、关系存储交给可选的知识图谱，从对话流中主动提取、合并、压缩、更新，并自动维护时间戳等元数据。前者诞生于“个人开发者笔记”，后者诞生于“生产级 Agent 应用”。
2. 记忆写入：从“被动登记”到“主动炼化”
OpenClaw 抽取记忆极为克制，这也导致大量潜在有价值的信息未能被有效沉淀。其记忆抽取规则主要包括：
- 长期记忆 Memory.md：仅抽取“significant events, thoughts, decisions, opinions, lessons learned”内容，实际保存下来的长期记忆寥寥无几；
- 日志记忆 Workspace/Memory/YYYYMMDD.md：主要记忆来自于会话触发 Context Compact，将 session 的转录信息{sessionId}.jsonl 中抽取 durable Memories（ User prefers、Decided、Incident、Task progress、Tool call），以及用户明确提到“请记住”时才会保存日志记忆，所以天然对用户的对话以及业务化场景内容关注不够，同样实际保存下来的价值记忆少之又少；
火山 Mem0 的抽取思路是主动炼化，它就像用户的得力助手 —— LLM 全程参与实时分析对话、抽取关键事实/实体/关系，做向量去重与语义合并、冲突检测与过时标记，进行三层智能压缩（摘要/聚类/洞察），再叠加 UserID/AgentID/RunID 多级隔离与自动元数据，实际保存的记忆非常丰富，同时每一条内容又是精炼的，记忆与记忆之间被逻辑隔离，结构清晰，存放井井有条；
结果上，火山 Mem0 能够将一段原本分散的对话信息，转化为可检索、可推理、可复用的知识资产。
3. 记忆压缩：靠用户写摘要，还是系统自动提炼洞察
核心差异在于：OpenClaw 更依赖用户手动整理摘要，而火山 Mem0 则由系统自动生成结构化洞察，随着使用时间增长，妙搭 OpenClaw 的记忆质量就越好。
- OpenClaw 不仅没有自动压缩，还依赖手工摘要，即便后来引入的 Dream 也只是围绕关键字对非重要内容进行剪枝，直接把选中的判断复制进
MEMORY.md； - 火山 Mem0 的压缩是自动 + 智能的三层流水线 —— 事实级剪枝可让单条记忆 Token 减少 90% 以上、它还可以将相关事实进行关联级合并、把分散信息进行洞察级提炼，从而变为高级知识。
4. 检索流程：不仅要找得到，还要找得对
核心差异在于：OpenClaw 是“先召回再过滤”，而火山 Mem0 是“预过滤 + 智能融合 + 图谱增强”。
- OpenClaw 用语义 + 关键词混合排序加固定权重线性合并，事后再过滤，这样容易出现“召回不足”或“权重不适配”的情况；
- 火山 Mem0 先做预过滤来保证召回的总量，再用 RRF 自动适配不同查询类型，并且可以从知识图谱拉出与查询实体相关的全部记忆做多跳推理。例如在查询“上次那个改版方案是怎么决定的”时，火山 Mem0 可以沿着实体关系追溯完整的决策链路。
5. 性能与扩展性：从"单机"到"云原生"的代际差
核心差异在于：两者的差距已不仅体现在性能指标上，而是架构层级的不同。OpenClaw 止步于个人长期使用，火山 Mem0 足以承载企业级千万用户并发。
总结
- OpenClaw 的长期记忆文件 Memory.md 由于抽取的克制性，保留的价值记忆“极少”，开启一天一次的 Dream 巩固任务后可适当改善，但仍然难以满足日常深度使用需求。
- OpenClaw 的日志记忆文件 Workshop/Memory/YYYYMMDD.md，定位为 Context Compact 前对短期记忆发起的一种备份，虽然有历史文档参与记忆召回，但内容仍然偏少，难以满足日常深度使用需求。
结语：让记忆变成 Agent 的下一阶段能力底座
火山 Mem0 致力于让 Agent 在与用户的每一次交互中，都能高效地完成记忆的抽取、存储与精准调用。并在此基础上逐步具备持续学习与认知积累的能力，使其从“能够回答问题的工具”，演进为能够在长期协作中持续提供价值的智能系统。
对于飞书妙搭与火山 Mem0 而言，这次合作也标志着办公 AI 体验的一次重要升级。妙搭 OpenClaw 不再局限于“临时应答工具”，而是逐步成为懂偏好、知历史、有延续性的专属智能助手。这一方向也延续了飞书一贯的产品理念：先进的 AI 体验，应该首先在飞书内被用户感知。
面向未来，双方的探索仍在继续。 下一阶段，记忆图谱能力将进一步增强 OpenClaw 对“事件之间关系”的理解，使其不仅能够记住“发生了什么”，也能够理解“这些事情如何关联”；同时，终身学习与自进化能力也将逐步完善，使妙搭 OpenClaw 能够在长期使用中不断优化对用户、团队与业务的理解方式。
我们相信，当记忆成为基础设施，Agent 才真正具备长期服务复杂工作的能力。 而妙搭 OpenClaw，也将在这一过程中持续与用户共同成长。让每一次交互都更有延续性，也让每一份工作更高效。
附录一：测试详细
Locomo 实验详情：
实验设置：
- 测试集：locomo10
- 基模信息：Doubao 1.8 Pro
- OpenClaw 使用版本：openclaw 2026.3.13
- OpenClaw Memory-core 模式：locomo 的原始对话通过 OpenClaw 的 Gateway 传入，OpenClaw 按默认行为生成 .md 文件，此列测试的是 OpenClaw 原生记忆系统的默认行为。
- OpenClaw Memory-core 模式（检索完整对话原文） ：为了对比公平性，此测试对 OpenClaw 做了记忆抽取改良/加强，对于数据集中任意两个用户，当天完整原始对话存储在日志文件
memory/YYYY-MM-DD.md中；所有的完整原始对话已完全存储在长期记忆MEMORY.md中。
OfficeQA 实验详情：
实验设置：One-pass test-time adaptation，即先答的题积累经验记忆，后答的题注入相关度 Top K 的经验记忆。
模型：GPT-5.4
业务自有数据集
关注公众号“字节跳动数据库”，获取更多技术干货！
