架构全景
数据从采集到输出的完整流程 · 实时状态监控
架构原理
OpenClaw是一套认知层次分层记忆系统，让7个AI Agent共享一个不断进化的认知库。每条记忆除了"内容性质（type）"外，还有认知层次（cognitive_depth）：底层（通用法则·跨场景成立）/ 中层（可迁移到类似场景）/ 表层（绑定特定场景）——决定它能在多大范围内被复用。
采集层：从QQ对话（6个Agent）、Claude Code CLI、飞书（Lucy）三个通道实时采集原始交互。22:50定时批量采集；23:00启动洞察提取——不只记录"做了什么"，更识别Tony在对话中暗含的信念、偏好和决策。
处理层：五道工序——写入自动分类（拦截噪音、纠正错误类型）→ 认知层次推断（关键词+type默认值给每条记忆打底层/中层/表层）→ 类型升级（fact升级为高价值类型时同步重算层次）→ 图谱关联（nomic向量；表层不主动发起，底层阈值放宽至0.65鼓励互联）→ 差异化治理（底层衰减减半永不归档，表层加速淘汰）。
蒸馏层：三级浓缩——每日总结汇总当天新记忆 → 周度蒸馏（只收中层及以上，过滤表层）提炼7天认知演变 → 月度更新（每月1日+15日 4:00）重写MEMORY.md（恒量区只收底层，变量区收中层及以上），输出≤40条、目标≤4096B、硬上限≤5120B的精华。
输出层：MEMORY.md + SessionStart Hook 注入到Agent上下文。memory-query.py 三路融合检索（BM25 40% + 向量语义 40% + 结构化加权 20%，加权中 底层 +0.15 / 中层 +0.05），并沿图谱展开关联记忆。23:30 还会刷新 recent-context.md 给开场注入最近3天画像。
这套架构的核心理念：认知层次决定迁移价值——底层跨场景成立，表层自然衰减。高价值不是看类型，而是看能否在未来语义检索时与新记忆产生连接。
今日采集
--
--
今日底层认知
--
通用法则·跨场景成立
今日中层认知
--
可迁移到类似场景
认知层次健康度
--
中层+底层占比（目标>30%）
加载架构状态
管道执行时序
22:50
采集层 → structured-memory.jsonl（写入即推断 cognitive_depth）
23:00
收工存档 = 洞察提取 → 每日总结
23:30
recent-context.md 刷新 + embedding 索引更新
周日 02:30
差异化治理 = 三层去重 → 按 depth 衰减（d=3 ×0.5/d=1 ×1.5）→ 低分归档（d=3 豁免）
周日 02:45
类型升级（fact → 高价值 type，同步重算 cognitive_depth，只升不降）
周日 03:00
周度蒸馏（--min-depth 2，过滤场景指令） → weekly-review/
周日 03:15
图谱关联（d=1 不主动发起，d=3 阈值 0.65 鼓励核心互联）
1+15日 04:00
月度更新 → MEMORY.md 重写（恒量区仅 d=3，变量区 d≥2，d=1 不入）
实时
memory-write.py 写入时自动分类 + 认知层次推断
实时
memory-query.py 三路融合检索（含 depth 加权）+ 支持 --min-depth 过滤
实时
7个Agent SOUL.md 隐性信号洞察识别