이제 OpenClaw 를 볼까요?
OpenClaw: Adding Retrieval Without Surrendering Control
Manus가 "pure file"의 케이스라면, OpenClaw는 다음 단계가 어떻게 보이는지 보여줍니다. 이는 Markdown을 표준 메모리 표면으로 유지하지만, 외부 관리 벡터 데이터베이스 없이도 의미 검색을 계층화합니다. 계층화합니다.
The Memory Layout
OpenClaw의 메모리 시스템은 두 가지 종류의 파일을 사용합니다:
1.MEMORY.md 파일은 내구성이 뛰어나고 선별된 정보를 보유하고 있습니다(에이전트가 항상 알아야 할 사항)
2.메모리/YYYY-MM-DD.md 파일에 있는 날짜가 지정된 파일은 일상 노트를 캡처합니다
이것은 "문서(documentation)로서의 메모리"입니다. 사람은 이러한 파일을 열고, 읽고, 편집하고, Git로 버전을 제어할 수 있습니다. 벡터 데이터베이스를 사용하여 이 작업을 수행해 보세요.
The Compaction Problem (and Why It Matters More Than Embeddings)
OpenClaw는 대부분의 "데이터베이스만 사용한다"는 주장이 간과하는 "프로덕션 문제"를 다루고 있습니다: 컨텍스트 창이 채워지면 어떻게 될까요?
OpenClaw는 자동 메모리 플러시를 구현합니다. 세션이 컨텍스트 한계에 가까워지면 시스템은 자동 에이전트 전환을 트리거하여 압축이 대화 기록을 끊기 전에 모델에게 메모리 파일에 내구성 있는 메모리를 쓰라고 지시합니다.
이것은 핵심 문제가 "임베딩을 어디에 저장하는가?"가 아니라는 실질적인 증거입니다. "컴팩트 경계에서 상태를 어떻게 보존할 수 있는가?"입니다. 파일은 이 문제를 직접 해결합니다. 에이전트는 기억해야 할 내용을 작성하고 다음 세션에서 다시 읽습니다.
The Semantic Layer (Built on Top of Files, Not Instead of Them)
OpenClaw가 "벡터 검색은 어떨까요?" 흥미를 끄는 이유는 다음과 같습니다.
OpenClaw는 마크다운 메모리 파일 위에 작은 벡터 인덱스를 만들 수 있습니다. 하지만 키워드는 "over"입니다. 파일은 진실의 원천입니다. 벡터 인덱스는 키워드 검색이 부족할 때 노트를 찾을 수 있도록 파생된 기능입니다.
원격 임베딩과 로컬 임베딩 모두에서 작동하며, SQLite 내부에서 벡터 검색을 실행하기 위해 sqlite-vec을 사용합니다. 관리되는 인프라가 없습니다. 외부 데이터베이스도 없고, 선택적인 검색 계층이 있는 로컬 파일만 있습니다.
