OpenClaw如何做好记忆持久化的 · 六、经济学与可扩展性——记忆的代价

六、经济学与可扩展性——记忆的代价⏱ 30 秒速览| 中度使用日均 50 次对话纯记忆附加成本~$5/月Claude Sonnet/ ~$1/月GPT-4o-mini。72% 花在记忆注入24% 花在自动提取检索管线 0 LLM token。存储一年 ~70MB 向量 ~800MB 转录。关键发现自稳态 (Homeostatic Memory)——系统在 6-12 个月达到写入 ≈ 衰减的动态平衡记忆条数自动收敛到 ~2,500。JSONL 个人场景够用团队场景有天花板。记忆不是免费的。每一次提取、去重、检索和注入都消耗 Token每一条记忆都占用存储。这一章用 back-of-envelope 估算回答三个问题日常使用记忆要花多少钱记忆会不会无限膨胀JSONL 的天花板在哪里6.1 Token 成本估算Back-of-Envelope以memory-lancedb-pro的典型配置为基准拆解一天 50 次交互场景下各环节的 Token 消耗环节触发频率每次 Token 开销日均估算50 次交互/天Auto-CaptureSmart Extraction约 50%agent_end通过噪声过滤~300 input ~100 output~10,000 tokens去重判断LLM MERGE/CREATE/SKIP上述的 ~30% 需去重~200 input ~50 output~1,900 tokensAuto-Recall混合检索管线每次before_prompt_build向量BM25本地 CE——不消耗 LLM API token¹0 tokensCross-Encoder 重排含在上一步管线中本地小型 transformer~50ms CPU 推理0 tokens记忆注入Top-K 结果每次请求~600 tokens~10 条 × 60 tokens~30,000 tokens合计——~42,000 tokens/天¹ 混合检索管线的 8 步操作Vector ANN、BM25、Hybrid Fusion、Cross-Encoder、Weibull 衰减、Length Normalization、MMR、Hard Min Score全部在本地完成或通过 Embedding API 执行。查询向量化的 Embedding API 成本极低约 $0.001/天此处忽略。几个值得注意的细节整条混合检索管线不消耗 LLM API Token。ANN 向量搜索、BM25 全文检索、Cross-Encoder 精排——全部在本地完成成本体现为 CPU 推理时间~50ms不体现在账单上。记忆注入是最大的 Token 消耗点~72%Auto-Capture 次之~24%。注入 Token 虽然量大但这正是记忆系统的价值交付——它让 LLM 从无记忆变成有上下文边际效益极高。噪声过滤显著降低了处理成本约 50% 的对话在 LLM 调用前即被过滤问候语、过短内容等使 Smart Extraction 的实际触发量减半。按 Claude Sonnet 定价$3/M input$15/M output中档场景约$0.16/天$5/月。其中记忆注入input占约 72%Smart Extraction 和去重决策合计占约 28%。三档使用强度的成本对比使用强度日均交互日均附加 Token月成本Claude Sonnet月成本GPT-4o-mini轻度休闲聊天~15 次~12,600~$1.4~$0.3中度日常工作~50 次~42,000~$5~$1.0重度全天候开发~120 次~100,000~$11.5~$2.3注意以上是纯记忆层的附加成本不含主对话的 Token 消耗。实际总账单 主对话 Token 记忆附加 Token。Cross-Encoder 重排在本地运行不产生 API Token 费用。对比参照ChatGPT Plus 订阅 $20/月含记忆、Claude Pro $20/月含 Projects——但它们的订阅价同时包含了 LLM 基础使用量。OpenClaw 的纯记忆层附加成本远低于此$1.4–$11.5/月但你仍需单独支付底层 LLM API 费用取决于模型和用量。因此 OpenClaw 的经济学优势不在于绝对更便宜而在于1按用量计费——轻度用户成本极低2完全的数据控制权和方案选择权。6.2 存储增长曲线记忆条数不会线性增长——Weibull 衰减和六步 Maintenance 持续淘汰噪声记忆使用时长估算记忆条数LanceDB 存储JSONL 转录1 周~150 条约 50% 对话触发提取~4 MB~20 MB1 月~500 条含去重 MERGE/SKIP 淘汰~12 MB~80 MB6 月~1,800 条含 Weibull 衰减淘汰~45 MB~400 MB1 年~2,500 条稳态新增 ≈ 衰减淘汰~70 MB~800 MB关键观察记忆条数增长是亚线性的。一年后约 2,500 条——不是因为你只产生了这么多记忆而是因为 Weibull 衰减持续淘汰低价值记忆去重 MERGE 持续合并重复记忆。系统在写入和遗忘之间达到了动态平衡——这是一个自稳态记忆系统 (Homeostatic Memory)类似生态学中的承载力上限环境Token 预算和存储对种群记忆条数施加了自然约束系统自动收敛到可持续的规模。一个不会自我限制的记忆系统反而是设计失败的标志。LanceDB 存储非常紧凑。一年约 70 MB——这得益于向量维度压缩和 Lance 列式存储格式。JSONL 是存储大户。一年约 800 MB——因为它记录的是完整的对话历史不仅仅是提取后的记忆摘要。但 800 MB 对现代磁盘来说几乎可以忽略不计。稳态出现在约 6-12 个月。此后新增记忆数量约等于衰减淘汰数量总存储增长显著放缓。6.3 JSONL 的天花板在哪里第四章说JSONL 文件优先是一个务实的设计决策。但务实不等于完美——JSONL 有明确的天花板单文件性能JSONL 逐行追加写入读取需全量扫描。当单个 session 文件超过 ~50MB约 10 万条消息时加载延迟明显。并发限制单 Gateway 写入保证一致性但也意味着写入不可水平扩展。如果你需要多个 Gateway 并行写入同一个会话文件——做不到。崩溃风险如第五章 §5.2 所述进程崩溃 mid-write 可能产生损坏行。没有 WAL、没有事务日志。缓解方案Session Maintenance 的rotate store步骤会自动轮转大文件实际使用中因为会话重置机制单文件很少超过阈值。长期方向官方memory-core重构可能引入更高效的存储后端——但目前没有公开的技术选型信息。So What对个人使用场景1~3 个 Agent日均数十次交互JSONL 完全够用且优势明显——简单、可读、可迁移、零依赖。但对团队/企业场景——多用户并发、SLA 要求、审计合规——需要关注存储增长并可能需要定制存储层。这是一个明确的能力边界而不是一个需要辩护的弱点。[成本] [延迟]下一章算完了自家的账下一章放眼全景——五类竞品 × 六个维度看 OpenClaw 在整个 AI 记忆版图中的位置。