开源AI助手的三种不同记忆策略

三种根本不同的知识积累方式，每一种都揭示了底层工具的设计哲学。Hermes在每次任务后根据系统自身对输出的评估自动生成技能。Loop的吸引力在于快速闭合循环。致命的缺陷在于评分者与被评分者是同一个系统，这意味着不良技能会被保存并在循环中强化。OpenClaw Memory 存储在手写的Markdown技能文件中，这些文件定义了行为模式和边界情况处理。经过大量调整后表现良好。长期成功主要依赖于持续的技能维护，而大多数人低估了这种维护成本。Vellum通过每次写入时的明确用户审批来积累记忆，这既避免了自我强化陷阱，也免去了手动技能调整的代价。一个月的使用共识是，知识状态保持意图性而非涌现性，这使得系统在出现问题时可调试。在我看来，这是该领域最被低估的记忆方法，因为它以雄心换可靠性，并在总节省时间上胜出。自动学习循环静默失败，手动技能系统需要持续投入，而确认更新的中间路径在一个月的日常使用中产生的意外最少。