规则写进了 MEMORY.md，为什么 AI 从来不执行？

📌 一句话摘要

本文深入剖析了 OpenClaw 等 AI Agent 记忆系统失效的五大根因，并提出了配置优化与主动学习循环两种互补的解决方案，强调承认 AI 的不可靠性是构建有效应用的前提。

📝 详细摘要

文章基于作者对 OpenClaw 的深度使用经验，系统性地诊断了 AI Agent 记忆系统为何“记不住”或“不执行”用户规则。作者首先揭示了 OpenClaw 记忆系统的运作机制，包括每日日志和长期记忆文件的分工。随后，文章深入剖析了五大根因：1）自动记忆刷新（flush）触发条件苛刻，日常对话内容无法持久化；2）即使写入成功，次日也未必能被 AI 主动读取；3）行为规范被错误地写入了知识仓库 MEMORY.md，而非操作指令文件 AGENTS.md；4）用户的“记住”指令被 AI 误解为信息存储而非行为约束；5）即使规则被看见，也缺乏强制执行机制。针对这些问题，作者提出了两种互补的解决方案：方案一是四项具体的配置优化，旨在提高 AI 遵守规则的概率；方案二是引入 self-improving-agent 的主动学习循环，通过任务后提醒和晋升机制，捕获运行中的遗漏并将其提炼为新规则。文章最后指出，问题的核心在于记忆系统与执行系统在架构上的分离，并强调承认 AI 的不可靠性是理性设计和应用 AI Agent 的前提。

💡 主要观点

- AI Agent 记忆失效的核心是架构分离，而非模型变笨。 OpenClaw 的记忆系统（文件写入与检索）与执行系统（指令遵循）本质上是分离的。用户期望的“记住并执行”是一个复合动作，而系统设计上只完成了“存储信息”，导致规则被记住但不被执行。

五大根因环环相扣，从触发、读取到执行均存在设计缺陷。 问题始于 flush 机制难以触发（根因 1），延伸至次日读取依赖 AI 自觉（根因 2），根源在于用户将行为规范错误地写入了知识库 MEMORY.md（根因 3），而这又源于“记住”指令被误解（根因 4），最终即使规则被看见也缺乏强制力（根因 5）。

解决方案需分层处理，配置优化与主动学习循环互补。 方案一（配置优化）是“预防”，通过将规则迁移至 AGENTS.md、优化读取步骤来提升合规概率。方案二（self-improving-agent）是“补救”，通过建立捕获、提炼、晋升的主动循环，将运行中的经验转化为新规则。两者均无法保证执行，但能显著提高可靠性。

承认 AI 的不可靠性是设计和应用 AI Agent 的理性前提。 LLM 的输出本质是概率生成，而非确定性执行。任何基于 prompt 的优化都只能提高预期行为的概率，无法做到系统级强制。接受这一局限，才能更务实地设计架构和选择工具。

💬 文章金句

- 承认 AI 天生不可靠，是做好 AI Agent 应用的前提。

• 不是 AI 变笨了，是记忆系统的架构问题。
• 把行为规范写入 MEMORY.md，类似于把宿舍公约放进图书馆的资料柜里，它确实存在，但不会被当作公约来执行。
• 我发出‘记住’指令，AI 却把它理解为‘存储信息’，从一开始就走在不同的方向上。
• 记忆这套系统和执行这套系统，从根上就是分开的两套东西，我们一直把它们混在一起用，这才是大多数 AI Agent 记忆系统设计出问题的真正原因。

📊 文章信息

AI 初评：88

来源：dbaplus社群

作者：dbaplus社群

分类：人工智能

语言：中文

阅读时间：18 分钟

字数：4470

标签： AI Agent, OpenClaw, 记忆系统, LLM, Agent 架构

阅读完整文章