# OpenClaw: гайд по памяти и автономности *Какие доработки потребовались, чтобы OpenClaw лучше помнил, работал автономно, писал первым, не забывал важное и не сжигал деньги на токенах.* *Инженерный дневник: домашняя версия контура, который я собираю компаниям, — рабочая версия описана в [«ИИ-инфраструктура — в каждый дом и в каждую компанию»](https://looi.ru/a/ai-infra/). Все цифры ниже — эта домашняя лаба, замер — июль 2026.* Привет! Спустя 500 часов с OpenClaw, я уже не просто чинил и настраивал агента, его системы и навыки, а начал решать проблемы изначальной архитектуры OpenClaw. Так и начался мой путь в опенсорс-разработку. Эта статья — с примерами кода и скиллами, которые сделали работу с агентом на порядок качественней и приятней. ## Слой 1: Память, которая не врёт У OpenClaw из коробки ужасная память. Просто катастрофа. Даже если какие-то модули работают нормально, спустя длинную сессию он теряет контекст и начинает путаться в собственных файлах. На первый взгляд всё сделано хорошо: память в файлах, memory-записи, ежедневные логи, даже предустановленные модули, которые помогают решать часть проблем. Но всё не совсем так. У меня больше 2000 файлов. Очень часто приходится говорить агенту «вспомни, найди в своей памяти» — а он начинает решать задачу заново, потому что память потерялась. В интернете масса гайдов от других пользователей — каждый решал по-своему. Ваш агент тоже будет предлагать экзотические способы, а на YouTube найдутся штуки, которые не всегда работают. Пришлось искать своё решение. **Что пробовал и не взлетело:** 18 марта поставил плагин Cognee. 27 марта выключил — работал криво. В тот же день попробовал LightRAG — тоже мимо. Потом ClawMem. Потом lossless-claw — у него вообще конфликт версий. Проблема была не в конкретном плагине. Проблема — четыре плагина памяти дрались друг с другом. Каждый тянул контекст в свою сторону. Агент путался ещё больше. Я всё выключил и собрал свою систему. Четыре слоя, каждый делает своё. **Векторный поиск** Файл `chat_vectors.db` — под сотню тысяч чанков (чанк — это фрагмент текста на несколько предложений) с эмбеддингами. Все старые чаты нарезаны на куски и превращены в векторы. Поиск по cosine similarity. Эмбеддинги делает Google `gemini-embedding-2-preview`. Если гугл недоступен — fallback на локальный Ollama. ```python CHUNK_SIZE = 600 # символов на чанк CHUNK_OVERLAP = 100 # перекрытие между чанками BATCH_SIZE = 20 # текстов на батч (Google batchEmbedContents) # Fallback: если Google API недоступен — Ollama локально OLLAMA_HOST = "http://:11434" OLLAMA_MODEL = "nomic-embed-text" GOOGLE_EMBED_MODEL = "models/gemini-embedding-2-preview" ``` Скрипт `build_vector_index.py` берёт все чаты, режет на чанки по 600 символов с перекрытием 100. Батчами по 20 отправляет в Google на эмбеддинг. Результат — SQLite-база, по которой агент ищет. **Граф сущностей** Файл `entity_graph.db` — 50 тысяч сущностей и 100 тысяч связей между ними. Это карта всего, о чём мы говорили. Сущности извлекаются через spaCy (`ru_core_news_sm`) плюс регулярки. Хранятся в SQLite с FTS5-индексом для быстрого полнотекстового поиска. ```python def rag_search(query, limit=10): """Search entity graph for entities and relations.""" fts_query = re.sub(r'[^\w\s]', '', query) terms = fts_query.split() fts_expr = ' OR '.join(terms) rows = conn.execute(""" SELECT e.name, e.type, COUNT(DISTINCT e.chunk_id) as mentions FROM entity_fts f JOIN entities e ON e.id = f.rowid WHERE entity_fts MATCH ? GROUP BY e.name, e.type ORDER BY mentions DESC LIMIT ? """, (fts_expr, limit)).fetchall() ``` Запрос разбивается на слова. FTS5 ищет по всем сущностям. Результат — список сущностей, отсортированный по количеству упоминаний. **Файловая память** Самый понятный слой. Обычные markdown-файлы: - `MEMORY.md` — курированная долгосрочная память. Главное, что агент должен знать всегда. - `memory/YYYY-MM-DD.md` — дневные заметки. Что было сегодня, что решили, что поменяли. - `state/*.md` — текущее состояние разных подсистем. - `SOUL.md` — идентичность агента. Кто он, как себя ведёт. - `AGENTS.md` — операционные правила. Что можно, что нельзя, как действовать. Кайф в том, что это всё редактируется руками. Никакой магии. Открыл файл, поправил — агент сразу знает. **Автоинъекции** `SOUL.md`, `AGENTS.md` и результаты memory tool вставляются в каждый промпт автоматически. Агент не может их забыть. Это шпаргалка, которая всегда перед глазами. Плюс к этому продолжает работать нативный LCM и плагин `memory-lancedb`. Они не мешают — просто добавляют ещё один слой. > ⚠️ LanceDB из коробки не поддерживает русский токенайзер. Полнотекстовый поиск по русским словам работает плохо — не умеет склонения и словоформы. Поэтому для русского языка я использую отдельный FTS5-индекс в SQLite. [github.com/artlooi/looi-clawd → memory/](https://github.com/artlooi/looi-clawd) ## Слой 2: Кроны, которые не падают В OpenClaw fallback цепочки есть у агентов — но не у cron-событий. Это дыра: одна недоступная модель кладёт все отложенные задачи. Молча. **Решение: fallback.py.** Sonnet недоступен → идём к локальной Ollama → Gemini Flash → Groq. Задача выполнится, даже если несколько провайдеров лежат. ``` Cron job → Sonnet доступен? —Да→ Выполняем Sonnet доступен? —Нет→ Ollama —Нет→ Gemini Flash —Нет→ Groq —Нет→ Откладываем + alert ``` *Fallback chain: каждый уровень — страховка от простоя* [github.com/artlooi/looi-clawd → skills/fallback-cron/](https://github.com/artlooi/looi-clawd) ## Слой 3: Автономность, а не имитация Soul Daemon — оркестратор по принципу «сначала Python, потом LLM». - **soul_collect.py** (без LLM) собирает сигналы: открытые треды, погода, новые регистрации. - **soul_decide.py** — правила тишины (молчать 10–16 МСК, ночью) и пороги сигналов. - Только если сигнал прошёл фильтр — вызывается g-flash агент с краткой сводкой. - **$0.08** — в день — было - **$0.002** — в день — стало ``` Cron каждый час → soul_collect.py → soul_decide.py → [Нет сигнала → Молчим | Есть сигнал → g-flash агент] → Сводка в Telegram ``` *Soul Daemon: LLM вызывается только когда сигнал прошёл Python-фильтр* [github.com/artlooi/looi-clawd → soul/](https://github.com/artlooi/looi-clawd) ## Слой 4: Python > LLM для детерминированных задач Проверить доступность модели, собрать погоду, сравнить delta подписчиков — для этого нейросеть не нужна. Перевод на Python дал **−50% ежедневного расхода токенов**. > Правило простое: если задача детерминированная и не требует понимания языка — пишем Python, не промт. ## Финал Весь код: [github.com/artlooi/looi-clawd](https://github.com/artlooi/looi-clawd) Берите, разворачивайте, присылайте PR. Или дайте ссылку своему агенту — он разберётся сам. Подписывайтесь на [@cronbun](https://t.me/cronbun) в Telegram — там мой агент ведёт канал про то, как всё это работает изнутри. ## Слой 5: Что это даёт — кейс рыночного отчёта Всё описанное выше окупается. Самый наглядный замер — рыночные отчёты: раньше три аналитика по 200К₽ делали отчёт две недели (600К₽/мес), теперь система из восьми агентов собирает его за 20 минут при ~9К₽/мес API-затрат. Аналитики всё ещё нужны — их время теперь уходит на интерпретацию, а не сбор. Главная ценность: информация перестала устаревать до момента чтения. Уроки: закладывать полтора-два месяца на сборку, начинать с 30–40 источников, раньше заниматься фильтрацией, осторожнее с бюджетом параллельных запросов. --- Артур Арсёнов — продуктовый лидер · Looi. Строю агентные системы себе и компаниям. Пишу о том, что реально ломается. linkedin.com/in/loooi · t.me/artloooi · art@looi.ru --- Оригинал: https://looi.ru/a/looi-clawd/ · Автор: Артур Арсёнов · art@looi.ru