提出问题：为什么 Agent 没有变得越用越聪明？

AI Agent 应该是”越用越聪明”的——遇到问题时记住教训，下次遇到同类问题时自动规避。OpenClaw 的 self-improvement 技能正是为此设计：当命令执行失败、用户纠正模型、发现 API 故障、或发现更好的做法时，自动将经验记录到 .learnings/ 目录：

.learnings/LEARNINGS.md — 经验教训

.learnings/ERRORS.md — 错误记录

.learnings/FEATURE_REQUESTS.md — 功能请求

但实际观察发现：这些经验在持续积累，却从未被用到过。

Agent 犯过同样的错误，记录过教训，但下次照样犯。self-improvement 循环断了——写入端在转，召回端没接上。越用越聪明只是愿景，现实是越用越浪费。

分析问题：两条管道，一个断裂点

要理解为什么”写了等于没写”，需要看清 OpenClaw 的记忆架构中有两条独立管道。

写入管道

self-improvement 技能负责写入。触发条件明确，写入路径固定（.learnings/ 目录），不依赖运行时配置。这条管道没有问题。

召回管道

active-memory 负责召回。它是一个独立子智能体，在用户发消息之前运行，调用 memory_search 工具搜索相关记忆，将摘要注入主模型上下文。memory_search 的索引范围由 openclaw.json 中的 agents.defaults.memorySearch 配置决定，默认只索引 MEMORY.md + memory/**/*.md。

断裂点

self-improvement -> 写入 .learnings/ -> 不在索引范围

memory_search -> 搜索 MEMORY.md + memory/*.md -> 看不到 .learnings/

active-memory -> 调用 memory_search -> 注入上下文 -> 经验永远缺席

问题的本质：写入和召回是两个独立管道，必须显式接通。.learnings/ 是自定义路径，不在默认索引范围内，而没有人在配置中告诉 memory_search 去索引它。

解决问题：接通管道

第一步：让 memory_search 能搜到

在 openclaw.json 的 agents.defaults.memorySearch 中添加 extraPaths：

{ “agents”: { “defaults”: { “memorySearch”: { “extraPaths”: [“.learnings”] } } } }

配置变更，不改代码。extraPaths 的设计初衷就是处理这类场景——agent 有额外的 Markdown 文件需要被记忆索引覆盖时，通过这个字段声明即可。

验证：配置前索引 51 个文件，配置后索引 54 个文件（多了 .learnings/ 下 3 个）。测试 memory_search 查询 “PPT 模板生成经验教训”，.learnings/LEARNINGS.md 成功出现，排名第 1，得分 0.503。

索引通了。但测试 active-memory 实际召回时，它仍然返回 no_relevant_memory。

第二步：让 active-memory 能召回

单独测试 memory_search 工具能搜到 .learnings/，但 active-memory 子智能体执行后依然输出 NONE。排查发现：

1. active-memory 使用的模型是 deepseek-v4-flash——一个轻量级模型

2. 轻量模型对”是否需要召回”的判断偏保守——即使 memory_search 返回了相关结果，这个模型在摘要生成阶段倾向于认为”当前对话不需要这些记忆”，直接输出 NONE

修复方向有两个：

方案	做法	优点	缺点
换更重的模型	将 active-memory 的 model 改为 qwen3.7-plus 等	召回判断更精准	token 成本更高、延迟更大
调整 promptStyle	将 promptStyle 从 balanced 改为 recall-heavy	不增加模型成本，召回更积极	可能召回一些边缘内容

我们选择了调 promptStyle。将 promptStyle 从 balanced 改为 recall-heavy，让子智能体更积极地召回记忆，对模糊匹配也倾向于返回结果。成本可控，效果立竿见影。

验证：再次测试 active-memory 召回，成功返回了 .learnings/ 中的自我提升经验内容。

管道接通的完整闭环

self-improvement -> 写入 .learnings/ -> extraPaths 索引

memory_search -> 搜索 MEMORY.md + memory/*.md + .learnings/*.md -> 能搜到

active-memory -> recall-heavy 策略 -> 能召回

主模型 -> 上下文中包含历史经验 -> 越用越聪明

关键认知

1. memory_search 能搜到 不等于 active-memory 能召回

索引和工具只是基础设施，中间还隔着一个模型的”是否需要”判断。轻量模型（如 deepseek-v4-flash）可能在摘要阶段丢弃相关结果。必须端到端验证，不能只测工具。

2. 写入和召回是独立管道，必须显式接通

非默认路径的 .md 文件需要被检索覆盖时，应在 extraPaths 中声明。不声明就等于不存在。

3. promptStyle 是精度-召回率的权衡

balanced 适合通用对话，recall-heavy 适合依赖历史经验做决策的场景。宁可多召回一些，也不要漏掉关键经验。

最佳实践

1. 端到端验证。配置变更后，不仅测试 memory_search 工具，还要测试 active-memory 实际召回结果。

2. 声明额外索引路径。自定义目录下的 .md 文件，必须在 extraPaths 中声明。

3. 根据场景选 promptStyle。依赖经验的 agent 用 recall-heavy，通用场景用 balanced。

4. 定期审计 .learnings/ 目录。经验积累多了，过时内容要及时清理。

核心结论：Agent 没有变得越用越聪明，根源在于经验管道断裂。写入了不等于生效了，搜到了不等于召回了——每一环都需要显式验证。