【OpenClaw 手册】08 Agent 的注意力機制

Agent 的注意力機制：為什麼 OpenClaw 有時候會「忘東忘西」？

前言

了解了軟體和硬體之後，讓我們來深入了解一下 AI 模型的一個重要特性。

您有沒有遇過這種情況？跟 OpenClaw 聊到一半，它突然問您：「不好意思，您剛才說的是什麼？」明明十分鐘前才講過的事情，它怎麼就忘了？

這不是 OpenClaw 故意裝傻，而是涉及一個非常基礎的技術限制——上下文大小（Context Window）。

---

什麼是「上下文大小」？

想像成一本便利貼

您可以把 上下文大小 想像成一本便利貼手冊。每一張便利貼只能容納一定數量的字，當這本手冊寫滿了，新的內容就必須覆蓋掉舊的內容。

• **小上下文：** 像是一本只有 10 張便利貼的手冊，很快就用完了
• **大上下文：** 像是一本有 100 張便利貼的手冊，可以裝更多回憶

---

什麼是 Token？

Token 是 AI 處理文字時的最小單位：

• 一個中文詞 ≈ 1-2 個 Token
• 一個英文字母 ≈ 0.5-1 個 Token

100 個 Token 大約等於 75 個中文字詞。

---

上下文大小如何影響 OpenClaw 的「記憶」？

情境說明

```

一開始：

「微風您好，我是您的 OpenClaw，今天天氣不錯。」

✓ OpenClaw 清楚知道自己在跟「微風」說話

聊了 30 分鐘後：

對話內容累積了 4,000 個 Token...

「請幫我整理一下我們剛才討論的三本書。」

「抱歉，您剛才說的三本書是什麼？」

```

隨著對話時間拉長，所有對話內容都必須塞進這本便利貼手冊裡。當手冊寫滿了，新的對話就會把舊的內容「擠出去」——OpenClaw 看不見它，自然就忘記了。

---

為什麼 AI 模型會有這個限制？

技術成本

上下文越大，AI 模型需要處理的計算量就越多：

• 更貴的運算成本
• 更慢的回應速度
• 更高的硬體需求

目前市面上常見的上下文大小

等級	大小	大約等於...
小	4K - 8K Token	3000-6000 中文字
中	32K - 128K Token	24,000-96,000 中文字
大	200K+ Token	150,000+ 中文字

---

OpenClaw 的「第二層記憶」：跨對話持久記憶

好消息是，OpenClaw 了解這個限制，因此內建了一套 持久記憶系統。

運作方式

OpenClaw 會把重要的資訊自動儲存到專門的記憶檔案裡。當需要時，它會主動去讀取這些檔案。

模型上下文像是「工作記憶」（短期記憶），而 OpenClaw 的持久記憶系統像是「筆記本」（長期記憶）。

OpenClaw 會記住什麼？

類型	說明	範例
使用者資訊	您的名字、偏好設定	微風、偏好繁體中文
工作進度	正在進行的專案	撰寫 OpenClaw 使用手冊
重要決定	討論後的結論	設備選擇 Mac mini

---

如何避免或優化這個問題？

方法一：適時開新話題

話題結束後，請 OpenClaw 存檔，然後開啟新的對話。

方法二：定期請 OpenClaw 總結

主動請 OpenClaw 幫您整理目前為止的重點。

可以說：

「可以幫我總結一下我們目前討論的內容嗎？」

方法三：提供脈絡（Context）

在新的對話一開始，主動提供必要的背景資訊。

方法四：使用支援大上下文的模型

選擇配備 32K、128K 或更大上下文的模型。

方法五：請 OpenClaw 主動記住重要事項

「請記住，我叫微風，正在使用 Mac mini 運行 OpenClaw。」

---

結語

「忘東忘西」不是 OpenClaw 的缺陷，而是 AI 模型的先天限制。但 OpenClaw 內建的持久記憶系統可以有效地彌補這個問題：

1. 📝 重要的內容請它存檔
2. 🔄 話題結束後開新對話
3. 📌 需要的時候主動提供脈絡
4. ⚙️ 視需求選擇合適的模型
5. 💾 請它主動記住重要事項

掌握這些技巧，您就能充分發揮 OpenClaw 的能力！🙂