OpenClaw 的三大核心架构系统：Memory/Dreaming、上下文引擎与 Prompt-Cache
TL;DR
OpenClaw 的三大核心架构系统：Memory/Dreaming、上下文引擎与 Prompt-Cache | 触发：在构建 OpenClaw Agent 系统时，理解了其后台记忆整合系统（Memo
触发场景
在构建 OpenClaw Agent 系统时，理解了其后台记忆整合系统（Memory/Dreaming）、上下文组装引擎（Context Engine）和提示词缓存机制（Prompt-Cache）三个核心模块的原理。这三个模块共同决定了 Agent 在每个 turn 中「应该看到什么」以及「如何高效计算」。
行动步骤
- 它在 Agent「睡眠」或空闲时自动扫描
memory/目录下的每日日志、聊天记录、事件
- 分阶段处理（类似 REM/Deep/Light 睡眠）：
- 提取事实（fact extraction）
- 提炼 durable long-term memory
- 去除冗余
- 处理后的「梦境事实」会回填（backfill）到当前上下文或 durable memory 表
- 目的：防止长期记忆膨胀，同时让 Agent 像真人一样「晚上做梦巩固记忆」
- 最新版支持
dreaming.frequency: "per-turn"（每个 turn 轻量处理）
- 默认使用内置 legacy context engine
- 负责每 turn 把以下内容有序组装成最终 Prompt：
- bootstrapFiles（世界观/规则）
- Memory/Dreaming 输出的 durable facts
- Session 历史（修剪后）
- 工具调用结果、实时状态等
- 支持插件（
kind: "context-engine"），可实现自定义assemble()/afterTurn()钩子
- 核心作用：决定「这一刻 Agent 应该看到什么」
- 处理 compaction（压缩）、pruning（裁剪）、snapshot（快照）
- 与 Memory 插件配合，但独立控制最终给模型的上下文内容
- OpenClaw 在 System Prompt 块上注入
cache_control标记（Anthropic/OpenRouter 等模型支持）
- 当 bootstrapFiles、规则、世界观等不变时，模型只需重新计算新消息部分
- 缓存命中可大幅降低 token 消耗和延迟
- 每次 bootstrap 文件或上下文引擎输出变化时，OpenClaw 会主动失效（invalidate）缓存，确保一致性
- 最新版还暴露 prompt-cache runtime stats（
usageLine、cacheLine）给 context engine 使用
证据
1. Memory/Dreaming（后台记忆整合系统）
原理：类人睡眠周期的后台记忆巩固机制（Background Memory Consolidation）
- 它在 Agent「睡眠」或空闲时自动扫描
memory/目录下的每日日志、聊天记录、事件 - 分阶段处理（类似 REM/Deep/Light 睡眠）：
1. 提取事实（fact extraction）
2. 提炼 durable long-term memory
3. 去除冗余
- 处理后的「梦境事实」会回填（backfill）到当前上下文或 durable memory 表
- 目的：防止长期记忆膨胀，同时让 Agent 像真人一样「晚上做梦巩固记忆」
- 最新版支持
dreaming.frequency: "per-turn"（每个 turn 轻量处理）
2. 上下文引擎（Context Engine）
原理：可插拔的上下文组装与管理引擎（pluggable Context Assembly Engine）
- 默认使用内置 legacy context engine
- 负责每 turn 把以下内容有序组装成最终 Prompt：
1. bootstrapFiles（世界观/规则）
2. Memory/Dreaming 输出的 durable facts
3. Session 历史（修剪后）
4. 工具调用结果、实时状态等
- 支持插件（
kind: "context-engine"），可实现自定义assemble()/afterTurn()钩子 - 核心作用：决定「这一刻 Agent 应该看到什么」
- 处理 compaction（压缩）、pruning（裁剪）、snapshot（快照）
- 与 Memory 插件配合，但独立控制最终给模型的上下文内容
3. prompt-cache（提示词缓存机制）
原理：利用底层 LLM 原生缓存能力（cache_control / prefix caching）来复用不变的 Prompt 部分
- OpenClaw 在 System Prompt 块上注入
cache_control标记（Anthropic/OpenRouter 等模型支持） - 当 bootstrapFiles、规则、世界观等不变时，模型只需重新计算新消息部分
- 缓存命中可大幅降低 token 消耗和延迟
- 每次 bootstrap 文件或上下文引擎输出变化时，OpenClaw 会主动失效（invalidate）缓存，确保一致性
- 最新版还暴露 prompt-cache runtime stats（
usageLine、cacheLine）给 context engine 使用
失败边界
暂无已知失败边界
易混淆场景
暂无已知混淆场景
原理
这三个系统体现了记忆与注意力分离的架构哲学：
| 模块 | 功能 | 类比 |
|------|------|------|
| Memory/Dreaming | 记忆的写入与巩固 | 海马体（睡眠时整理记忆） |
| Context Engine | 决定「此刻给什么上下文」 | 前额叶皮层（选择性注意） |
| Prompt-Cache | 高效传输已确认的上下文 | 工作记忆的「缓存命中」 |
这个三层架构的巧妙之处在于：它模拟了人类认知系统中的记忆-注意-工作流，而非简单地堆叠上下文窗口。Memory/Dreaming 解决了「记住什么」的问题，Context Engine 解决了「此刻关注什么」的问题，Prompt-Cache 则解决了「如何高效传输」的问题。
OpenClaw 的插件化设计（kind: "context-engine"）也体现了开放封闭原则：核心上下文组装逻辑封闭，但对扩展开放，允许自定义 assemble() 和 afterTurn() 钩子来干预上下文组装过程。
关联与延伸
- 相关笔记：[[INDEX-ai]]
- 延伸阅读：- 相关文档：[[OpenClaw 系统原理与复合工程]]、[[Agent 长期记忆系统设计]]
- 应用场景：长时间对话 Agent、需要跨 Session 记忆的 Agent、高频短交互场景
- 技术依赖：需要底层 LLM 支持
cache_control（如 Anthropic、OpenRouter 等） - 关联系统：ERC8004 身份验证（结合可形成完整的 Agent 身份与记忆体系）
使用记录
| 日期 | 项目/场景 | 结果 | 备注 |
|------|----------|------|------|