5.OpenClaw源码解析_提示词8层装载

上节课我们学习了路由的概念，通过路由表和binding规则，可以让不同的agent服务不同的租户，并通过tier进行逐级匹配, 今天我们来学习OpenClaw智能层的概念，其做法有如下：

1. 初始化时加载记忆：通过8次提示词加载丰富人格
2. 加载两部分记忆，分别是MEMORY.md长期记忆和memory/daily/xxx.jsonl每日记忆
3. 每次用户提问时，都加载两部分记忆，然后先进行tf-idf+余弦相似度+关键词搜索的混合搜索机制，并对结果进行时间衰减和MMR重排序，最终将相关且多样化的记忆碎片注入系统提示词。

1. 整体背景

1.1. 前期8层记忆加载（对应BootstrapLoader)

前期8个文件分别对应如下：

文件	身份
SOUL.md	人格
IDENTITY.md	身份
TOOLS.md	工具
USER.md	用户信息
HEARTBEAT.nd	心跳配置
BOOTSTRAP.md	引导
AGENTS.md	多代理
MEMORY.md	静态长期记忆

这些文件在启动时只加载一起，后续将会组装成系统提示词发送给大模型

1.2. 记忆组装

记忆组装发生在build_system_prompt这个函数中，共分为两层记忆，一个是MEMORY.md的静态内容，另一个来自__auto_recall混合搜索的记忆

1.3. 混合搜索和排序

混合搜索策略在MemoryStore.hybrid_search中。 在该函数中，首先会load所有的chunk, 然后分别经过：

1. 关键词搜索：使用tf-idf进行搜索，得到score
2. 向量检索： 使用余弦相似度比较向量相似度
3. 加权：vector_weights * 0.7, keywords_weights * 0.3
4. 计算时间衰减：从记忆块的path中取时间，然后计算与当前时间的age_days, 应用指数衰减：score *= exp(-decap_rate * age_days), decay_rate=0.01, 越近的记忆得分衰减越少，越旧的记忆得分越低
5. MMR：

目的是在保证相关性的同时增加结果的多样性，避免返回内容相似的记忆。

输入时经过时间衰减后的结果列表，每个结果包含score相关性分数 ，和chunk文本。

算法步骤： 首先对每条结果进行分词，然后初始化已选择集合为空。

重复如下步骤： 对于每个未选中的结果i，计算MMR：

其中 similarity 使用 Jaccard 相似度（基于分词集合的交并比），选择 MMR 最大的结果加入已选集合

MMR计算代码如下：

@staticmethod
def _mmr_rerank(results, lambda_param=0.7):
    tokenized = [MemoryStore._tokenize(r["chunk"]["text"]) for r in results]
    selected = []
    remaining = list(range(len(results)))
    reranked = []
    while remaining:
        best_idx = -1
        best_mmr = float("-inf")
        for idx in remaining:
            relevance = results[idx]["score"]
            max_sim = 0.0
            for sel_idx in selected:
                sim = MemoryStore._jaccard_similarity(tokenized[idx], tokenized[sel_idx])
                if sim > max_sim:
                    max_sim = sim
            mmr = lambda_param * relevance - (1 - lambda_param) * max_sim
            if mmr > best_mmr:
                best_mmr = mmr
                best_idx = idx
        selected.append(best_idx)
        remaining.remove(best_idx)
        reranked.append(results[best_idx])
    return reranked

2. 流程设计