最近，最火的 Agent 项目 OpenClaw 又迎来一次大更新：支持 GPT-5.4、加入 Context Engine 插件接口、记忆系统可以热插拔，GitHub Star 也突破了 28 万。
表面看，这次更新内容很多：搜索、插件、通信渠道、容器部署、安全机制……几乎是一次全面升级。但如果只抓一个最关键的变化，其实是这一点：OpenClaw 开始重做 memory。
因为这段时间，OpenClaw 被吐槽最多的地方，其实就是“记性不太行”。你前面说过的东西，它后面可能就忘了；或者同一件事反复记、反复问，memory 越用越乱。很多人一开始以为这是模型不够聪明，后来才发现问题不完全在模型，而在它原来的记忆机制。
过去的 OpenClaw memory 更像“有事再去翻笔记”。系统会把内容写进日志文件和长期记忆文件，需要的时候再通过 memory_search 和 memory_get 这些工具去查。这其实是一种典型的 tools 逻辑：需要时再调用工具，把上下文找出来。
问题在于，这种方式看起来像“按需调用、更省资源”，但实际往往更慢、更费 token，因为每一次工具调用本身也有成本。而且它太依赖 Agent 自己先“想起来去查”，一旦没触发工具，这段记忆就等于不存在。同时，它在知识更新、时间推理、多会话上下文上的表现也不理想：写入新内容时，往往不知道旧记忆里已经有什么，结果就是重复记录、旧信息不更新。再加上它几乎不会遗忘，时间一长，memory 就容易变成一个越来越大的信息堆，什么都在，但真正重要的反而找不出来。
所以这次更新真正重要的地方，是 OpenClaw 开始从 tools 逻辑转向 hooks 逻辑。
简单说，tools 是“需要时再查”，hooks 是“在关键节点自动处理”。通过 Hook，memory 的保存和上下文补充可以在后台自动发生，而不是每次都依赖 Agent 主动调用工具。这样系统既能提取结构化记忆，也能保留原始上下文，并在需要时补充信息，还可以让长期无关的信息逐渐衰减、被清理掉。
在这个基础上，OpenClaw 又把上下文处理抽象成可插拔的 Context Engine。这意味着开发者不需要改动 Agent 本身，就可以替换不同的上下文管理策略，比如 RAG、知识图谱折叠或无损压缩等。Agent 的逻辑不变，真正变化的是“上下文怎么被组织和注入”。
所以这次更新里，最容易被忽略、但可能最重要的，其实就是 memory。 新模型、新搜索当然都很热闹，但一个 Agent 能不能真正长期好用，关键还是看它能不能把“记住、更新、遗忘”这件事做好。
