MemOS OpenClaw 插件测评结果来啦!Tokens 消耗降低 72%+
OpenClaw 原生架构的记忆依赖上下文历史拼接、工具调用读写本地文件,以及显式对话指令触发记忆。 这带来几个问题: 检索算法简陋:召回不稳定、相关性弱,Agent 需要反复试错与重问,Token 随对话轮次快速累积。 上下文注入过量:每次执行固定读取近两天全量记忆(today + yesterday)+ 长期记忆,缺乏按任务裁剪,导致无效上下文占比高。 记忆缺少结构与去冗余:工具调用的长输出(如 find 遍历、config.schema 等)被直接写入并在后续反复重传,成本呈滚雪球式放大。 最严重的是上下文爆炸,文件读写加上工具调用日志进入 prompt,导致 token 非线性增长。 原生 OpenClaw 本质是 Prompt 驱动型 Agent,记忆等于上下文,状态等于 token,长期能力等于上下文堆叠。而 OpenClaw + MemOS 转变为系统驱动型 Agent,记忆是系统层,状态是结构化存储,推理是状态调度加模型调用,Agent 从"会聊天的程序"转向"具备长期状态连续性的智能系统组件"。 本次测试,我们用公开数据集和真实任务对 OpenClaw 原生方案和 O...