OpenClaw 如何查看历史对话和响应时间？

在使用 OpenClaw 接入企业微信后，经常会遇到一个需求：

怎么查看某个用户之前和 AI 聊了什么？AI 每次又花了多长时间才回复？

OpenClaw TUI 可以切换 Session 查看历史上下文，但如果想进一步看到每条消息的准确时间、用户提问、AI 回复以及响应耗时，直接查询 OpenClaw 的 Session 数据会更加方便。

下面以实际环境为例。

一、先找到用户的 Session

首先查看当前 OpenClaw 中的历史 Session：

css 复制代码

openclaw sessions --all-agents

会看到类似：

less 复制代码

Agent  Kind    Key                         Age      Model          Tokens
main   direct  agent:main:wecom...higang   15h ago  qwen3.7-plus   27k/197k

id: bbf458ae-bb4e-42e4-9c88-c3bcd47c5047

这里最重要的是：

yaml 复制代码

Session ID:
bbf458ae-bb4e-42e4-9c88-c3bcd47c5047

后面查询历史记录就靠它。

二、找到 OpenClaw 的 Session 数据库

新版 OpenClaw 的 Session 数据可以存储在 Agent 自己的 SQLite 数据库中。

例如：

arduino 复制代码

/home/node/.openclaw/agents/main/agent/openclaw-agent.sqlite

如果不知道数据库在哪里，可以直接搜索：

typescript 复制代码

find / -name "openclaw-agent.sqlite" -type f 2>/dev/null

例如我的环境返回：

arduino 复制代码

/home/node/.openclaw/agents/wangruihai/agent/openclaw-agent.sqlite
/home/node/.openclaw/agents/liuhaihua/agent/openclaw-agent.sqlite
/home/node/.openclaw/agents/main/agent/openclaw-agent.sqlite

因为我要查询的是 main Agent，所以使用：

arduino 复制代码

/home/node/.openclaw/agents/main/agent/openclaw-agent.sqlite

三、历史对话到底存在哪里？

实际查询数据库后，可以发现历史消息能够从：

复制代码

session_transcript_fts

中查询。

其中几个字段非常关键：

arduino 复制代码

session_id
message_id
role
text
timestamp

例如：

makefile 复制代码

role: user
text: 你的user.md发我一下
timestamp: 1785923437740

下一条可能就是：

makefile 复制代码

role: assistant
text: 这是 USER.md 的当前内容......
timestamp: 1785923444919

这意味着 OpenClaw 不只是保存了聊天内容，每条消息的时间也保存了下来。

四、查看某个人的完整历史对话

如果容器里没有 sqlite3 命令，也没关系，可以直接使用 Python。

例如：

ini 复制代码

python3 - <<'PY'
import sqlite3
from datetime import datetime, timezone, timedelta

db="/home/node/.openclaw/agents/main/agent/openclaw-agent.sqlite"
sid="bbf458ae-bb4e-42e4-9c88-c3bcd47c5047"

conn=sqlite3.connect(db)

rows=conn.execute("""
SELECT role, text, timestamp
FROM session_transcript_fts
WHERE session_id=?
AND role IN ('user','assistant')
ORDER BY timestamp
""",(sid,)).fetchall()

bj=timezone(timedelta(hours=8))

for role,text,ts in rows:
    t=datetime.fromtimestamp(ts/1000,timezone.utc).astimezone(bj)
    who="用户" if role=="user" else "AI"

    print(f"\n[{t:%Y-%m-%d %H:%M:%S}] {who}")
    print(text)
PY

最终可以看到：

csharp 复制代码

[2026-08-05 17:50:37] 用户
你的user.md发我一下

[2026-08-05 17:50:44] AI
这是 USER.md 的当前内容......

[2026-08-05 17:50:46] 用户
identity.md也发我一下

[2026-08-05 17:50:49] AI
这是 IDENTITY.md 的当前内容......

这样就比直接在 TUI 中查看清楚很多。

五、重点：怎么算 AI 响应时间？

既然每条消息都有 timestamp，那么计算响应时间其实非常简单：

AI 响应时间 = Assistant 消息时间 - 上一条 User 消息时间

比如：

makefile 复制代码

17:50:37 用户提问
17:50:44 AI回复

那么：

复制代码

响应时间 = 7 秒

我们可以直接让 Python 自动计算。

ini 复制代码

python3 - <<'PY'
import sqlite3
from datetime import datetime, timezone, timedelta

db="/home/node/.openclaw/agents/main/agent/openclaw-agent.sqlite"
sid="bbf458ae-bb4e-42e4-9c88-c3bcd47c5047"

conn=sqlite3.connect(db)

rows=conn.execute("""
SELECT role, text, timestamp
FROM session_transcript_fts
WHERE session_id=?
AND role IN ('user','assistant')
ORDER BY timestamp
""",(sid,)).fetchall()

bj=timezone(timedelta(hours=8))
last_user_time=None

for role,text,ts in rows:

    dt=datetime.fromtimestamp(ts/1000, timezone.utc).astimezone(bj)

    if role=="user":
        last_user_time=ts

        print("\n" + "="*80)
        print(f"[{dt:%Y-%m-%d %H:%M:%S}] 用户")
        print(text)

    elif role=="assistant":

        print(f"\n[{dt:%Y-%m-%d %H:%M:%S}] AI")

        if last_user_time:
            response=(ts-last_user_time)/1000
            print(f"响应时间：{response:.2f} 秒")

        print(text)
PY

这样输出就会变成：

csharp 复制代码

================================================================================
[2026-08-05 17:50:37] 用户
你的user.md发我一下

[2026-08-05 17:50:44] AI
响应时间：7.18 秒

这是 USER.md 的当前内容......

================================================================================
[2026-08-05 17:50:46] 用户
identity.md也发我一下

[2026-08-05 17:50:49] AI
响应时间：3.24 秒

这是 IDENTITY.md 的当前内容......

这就非常直观了。

六、进一步统计平均响应时间

如果有几百甚至几千条聊天记录，一条条看意义不大。

可以直接统计：

总对话次数
平均响应时间
最快响应
最慢响应

例如：

ini 复制代码

python3 - <<'PY'
import sqlite3

db="/home/node/.openclaw/agents/main/agent/openclaw-agent.sqlite"
sid="bbf458ae-bb4e-42e4-9c88-c3bcd47c5047"

conn=sqlite3.connect(db)

rows=conn.execute("""
SELECT role, timestamp
FROM session_transcript_fts
WHERE session_id=?
AND role IN ('user','assistant')
ORDER BY timestamp
""",(sid,)).fetchall()

last_user=None
times=[]

for role,ts in rows:

    if role=="user":
        last_user=ts

    elif role=="assistant" and last_user:
        diff=(ts-last_user)/1000

        if diff >= 0:
            times.append(diff)

        last_user=None

if times:
    print("对话次数：", len(times))
    print("平均响应：%.2f 秒" % (sum(times)/len(times)))
    print("最快响应：%.2f 秒" % min(times))
    print("最慢响应：%.2f 秒" % max(times))
PY

最终得到：

复制代码

对话次数：32
平均响应：4.82 秒
最快响应：1.31 秒
最慢响应：18.76 秒

如果是在生产环境运行 OpenClaw，这几个指标其实很有价值。

因为"模型能不能回答"只是第一步，用户实际感受到的还有：

它到底快不快？

七、TUI 为什么不适合做这个？

OpenClaw TUI 更适合：

进入 Session → 查看上下文 → 继续对话。

但是做历史分析时，我们通常还需要：

复制代码

用户是谁
↓
什么时候提问
↓
问了什么
↓
AI什么时候回复
↓
回复了什么
↓
响应花了多少秒

这时候直接查询 Session 数据库明显更加方便。

甚至可以进一步把数据做成：

css 复制代码

用户          对话数    平均响应    最慢响应
FengZhiGang    32       4.82s       18.76s
User-A         126      3.91s       21.32s
User-B         58       6.14s       35.21s

这样 OpenClaw 就不只是一个聊天机器人，而是开始具备一套真正可观测的 Agent 运行数据。

八、一个需要注意的问题

这里计算出的：

sql 复制代码

Assistant timestamp - User timestamp

更准确地说是消息级响应耗时。

它可能包含：

OpenClaw 消息处理
Agent 调度
Prompt/context 构建
模型推理
Tool Call
MCP 调用
数据库查询
最终回复生成

所以它并不等于纯粹的：

复制代码

LLM inference latency

但从用户体验角度看，这个指标反而更有意义。

因为用户并不关心模型内部推理用了 1 秒还是 3 秒。

用户真正感受到的是：

"我发出这句话以后，多久收到 AI 的回答？"

这才是生产环境里最值得关注的响应时间。

总结

OpenClaw 的历史 Session 数据其实比 TUI 中看到的丰富得多。

只需要找到：

复制代码

openclaw-agent.sqlite

再根据：

复制代码

session_id

查询：

复制代码

session_transcript_fts

就可以拿到：

用户消息 → AI 回复 → 消息时间 → 响应耗时

再往前走一步，还可以统计每个企业微信用户的平均响应时间、P95 响应时间、慢请求以及每天的对话量。

对于真正把 OpenClaw 用在企业微信客服、内部助手或者生产 Agent 上的人来说，这些数据可能比单纯看 Token 消耗更值得关注。