OpenClaw Memory: So vergisst dein Agent nie wieder wichtige Details

Kennst du das? Du erklärst deinem Agenten mühsam deine Coding-Präferenzen oder ein komplexes Projektdetail, und zwei Stunden später – nachdem der Kontext voll war – fängt er wieder bei Null an. Das ist frustrierend und Zeitverschwendung.

OpenClaw löst dieses Problem radikal einfach: Memory ist einfaches Markdown im Agent-Workspace. Dateien sind die Source of Truth. Der Agent “erinnert” sich nur an das, was wirklich auf der Festplatte landet. Das macht dein Setup transparent, editierbar und unabhängig von flüchtigen RAM-Zuständen.

Voraussetzungen

Bevor du startest, stelle sicher, dass diese Punkte geklärt sind:

1. Eine laufende OpenClaw-Instanz.
2. Ein Workspace-Verzeichnis (Standard: ~/.openclaw/workspace).
3. Ein API Key für Embeddings (OpenAI, Gemini oder Voyage) oder ein lokales Setup.
4. Node.js Umgebung für das Gateway.

Schnellstart

In weniger als 5 Minuten hat dein Agent ein funktionierendes Gedächtnis. Folge diesen vier Schritten:

1. Dateien anlegen: Erstelle im Workspace einen Ordner memory/ und eine Datei MEMORY.md.
2. Plugin prüfen: Das memory-core Plugin ist standardmäßig aktiv. Du musst nichts weiter tun.
3. API Key hinterlegen: Füge deinen Key in die Umgebungsvariablen ein (z. B. OPENAI_API_KEY oder GEMINI_API_KEY).
4. Ersten Test machen: Schreib dem Agenten: “Merke dir, dass ich Tabs statt Spaces für Python verwende.” Er wird es in die Markdown-Datei schreiben.

So funktioniert die Memory-Struktur

OpenClaw nutzt zwei Ebenen, um Infos zu organisieren:

• Daily Log (memory/YYYY-MM-DD.md): Hier landen Notizen und der aktuelle Kontext des Tages. Beim Start einer Session liest der Agent automatisch das Log von heute und gestern.
• Long-term Memory (MEMORY.md): Hier gehören harte Fakten, Entscheidungen und dauerhafte Präferenzen hin. Diese Datei wird nur in privaten Sessions geladen, nicht in Gruppen-Kontexten.

Der automatische Memory Flush

Ein Highlight ist der silent Turn vor der Compaction. Wenn die Session fast voll ist, schickt OpenClaw einen versteckten Prompt an das Modell: “Speichere wichtige Infos jetzt ab, bevor sie gelöscht werden.”

In deiner Config sieht das so aus:

{
  agents: {
    defaults: {
      compaction: {
        reserveTokensFloor: 20000,
        memoryFlush: {
          enabled: true,
          softThresholdTokens: 4000,
          systemPrompt: "Session nearing compaction. Store durable memories now.",
          prompt: "Write any lasting notes to memory/YYYY-MM-DD.md; reply with NO_REPLY if nothing to store.",
        },
      },
    },
  },
}

Suche mit Köpfchen: Hybrid Search

Vektorsuche ist toll für Bedeutungen (“Wie starte ich das Projekt?”), aber oft schlecht bei exakten Begriffen wie IDs oder Funktionsnamen. Deshalb empfehle ich dir Hybrid Search. OpenClaw kombiniert Vektor-Similarity mit BM25 (Keyword-Suche).

So aktivierst du den Mix:

agents: {
  defaults: {
    memorySearch: {
      query: {
        hybrid: {
          enabled: true,
          vectorWeight: 0.7,
          textWeight: 0.3,
          candidateMultiplier: 4
        }
      }
    }
  }
}

Profi-Option: QMD Backend

Wenn du die Suche komplett lokal und noch performanter willst, schau dir das experimentelle QMD Backend an. Es nutzt eine lokale SQLite-Datenbank und einen Sidecar-Prozess.

Vorteile von QMD:

1. Läuft komplett lokal via Bun + node-llama-cpp.
2. Kombiniert BM25, Vektoren und Reranking automatisch.
3. Indiziert auch Session-Transkripte, wenn du das willst.
4. Automatischer Fallback auf den eingebauten Provider, falls QMD mal abstürzt.

Installation:

bun install -g https://github.com/tobi/qmd

Fehlerbehebung

Hier sind Lösungen für zwei typische Hürden:

• Memory Search liefert keine Ergebnisse: Überprüfe, ob dein API Key für Embeddings korrekt ist. OpenAI-Keys via Codex OAuth funktionieren oft nur für Chat, nicht für Embeddings. Nutze stattdessen einen direkten API Key in der Config.
• Lokale Embeddings sind extrem langsam: Beim ersten Start lädt OpenClaw ein GGUF-Modell (ca. 0.6 GB) herunter. Das dauert je nach Leitung. Stelle sicher, dass du pnpm approve-builds für node-llama-cpp ausgeführt hast, um die native Beschleunigung zu nutzen.

Du hast Fragen zur Einrichtung oder brauchst Hilfe bei deiner Config? Frag den AI Setup Assistant.

Nächste Schritte

• Agent Workspace Details
• Session Management & Compaction