Блог AST-SoftPro

Исследование проблем с потерей памяти в OpenClaw: причины, решения и альтернативы

28.03.2026 30 мин чтения Студенников Алексей

Введение

OpenClaw (первоначально известный как Clawdbot, а позже Moltbot) — это бесплатная и открытая автономная платформа AI агентов, созданная австрийским разработчиком Peter Steinberger. Проект представляет собой переход от традиционных чат-ботов к полноценному персональному AI-ассистенту, который работает локально, сохраняет контекст между разговорами и может выполнять задачи на локальной машине, интегрируясь с мессенджерами (WhatsApp, Discord, Telegram, Slack) и другими платформами.

Ключевые характеристики OpenClaw:

Self-hosted, local-first архитектура — агент работает на вашем оборудовании
Агентный рантайм с выполнением инструментов — способность выполнять действия
Маршрутизация сообщений через шлюз — централизованное управление
Плагин-базированная расширяемость — модификация под конкретные задачи
Более 339,000 звёзд на GitHub (на 2026 год)

Несмотря на феноменальную популярность, проект столкнулся с серьёзными проблемами управления памятью и ресурсным потреблением, особенно на устройствах с ограниченными возможностями.

1. Архитектура системы памяти OpenClaw

1.1 Компоненты памяти

OpenClaw реализует многослойную систему памяти для обеспечения как краткосрочного контекста, так и долгосрочного сохранения информации.

Файлы памяти (Markdown-базированные):

Память хранится в виде обычных Markdown-файлов в рабочей директории агента (~/.openclaw/agents/<agentId>/memory/). Система использует два основных типа файлов:

Ежедневные логи (YYYY-MM-DD.md) — эфемерная память, фиксирующая разговоры и активности за день
Долгосрочная память (MEMORY.md) — консолидированные знания, сохраняющиеся между сессиями, автоматически пополняемые из ежедневных логов через распознавание паттернов

Эта "философия files-first" обеспечивает человекочитаемость и прямой доступ к памяти вне приложения.

Память сессий

В дополнение к постоянным файлам, OpenClaw хранит состояние сессии в JSON формате:

sessions.json — индекс всех сессий
<SessionId>.jsonl — история отдельных разговоров

Поиск и извлечение памяти

Система использует гибридный поисковый Strategy, комбинирующий два метода:

BM25 (лексическое сопоставление) — традиционный ключево-словный поиск для точных совпадений
Векторный поиск (семантическое сходство) — AI-подход на основе embedding'ов для концептуальных совпадений

Оба поиска работают параллельно, результаты объединяются взвешенным алгоритмом. Это обеспечивает баланс точности и полноты.

Система провайдеров Embedding:

Локальные модели (Ollama, GGUF)
OpenAI embeddings
Gemini embeddings
Mistral, Voyage и другие

1.2 Индексация и оптимизация

Пакетная обработка embedding'ов: несколько элементов обрабатываются вместе для снижения API вызовов
Cache-first стратегия: ранее вычисленные embeddings кэшируются
Дельта-синхронизация: только изменённые части памяти переиндексируются
Изоляция на агента: каждый агент имеет раздельные пространства памяти

Инфраструктура использует SQLite с векторными расширениями (vss, libsqlite_healp) для эффективного поиска даже с тысячами воспоминаний.

2. Выявленные проблемы с памятью

2.1 Рост использования памяти и Out-of-Memory (OOM) ошибки

Issue #45440 (2026.03.12):

"2026.3.12 upgrade causes rapid memory growth and OOM on Raspberry Pi 4; UI stays disconnected after restart"

Issue #41778:

"openclaw-message OOM on 4GB servers since v2026.3.7"

Симптомы:

Постепенный рост потребления памяти во время работы
Полный крах процесса с ошибкой "JavaScript heap out of memory"
Особенно критично на Raspberry Pi и малых VPS (2-4GB RAM)

Корневые причины:

Накопление сессий без должной чистки
Задачи индексации памяти, загружающие целые файлы в память
Недостаточный garbage collection в долгоживущих процессах
Отсутствие сброса памяти перед операциями compaction'а

2.2 Проблемы с сохранением и забыванием информации

Массовые жалобы пользователей на то, что OpenClaw "забывает" информацию:

Неспособность вспомнить ранее сохранённые факты
Потеря контекста после перезапуска системы
Нестабильность поиска по памяти

Корневые причины:

Сжатие сессий (compaction) может удалять воспоминания преждевременно
Сбои или повреждение индексов поиска
Отсутствие или неправильная конфигурация плагинов памяти
Проблемы с правами доступа к файловой системе

2.3 Высокие затраты токенов

Нepaциональные расходы на API из-за:

Чрезмерного контекста от поиска памяти
Дублирующих или нерелевантных воспоминаний
Неэффективного использования embedding провайдеров

2.4 Проблемы с compaction и производительностью

Автоматическая сжатие может вызывать:

Высокую загрузку CPU
Временное отсутствие ответов сервиса
Сбои сброса памяти с потерей данных

3. Решения и лучшие практики

3.1 Конфигурационные фиксы

Включить сброс памяти перед compaction:

{
  "compaction": {
    "memoryFlush": {
      "enabled": true
    }
  }
}

Это гарантирует завершение всех ожидающих записей памяти до начала compaction'а.

Настроить управление сессиями:

{
  "session": {
    "prune": true,
    "idle": {
      "direct": 240,
      "group": 120,
      "discord": 10080
    }
  }
}

Правильный prune предотвращает накопление устаревших диалогов.

Ограничить результаты поиска памяти:

{
  "memory": {
    "search": {
      "maxResults": 10,
      "scoreThreshold": 0.7
    }
  }
}

3.2 Ручное обслуживание через CLI

# Проверить статус памяти
openclaw memory status

# Принудительная переиндексация (фиксирует проблемы поиска)
openclaw memory index --force

# Очистка старых сессий
openclaw sessions cleanup --dry-run

# Компактификация памяти
openclaw memory compact

3.3 Оптимизации для разных сред

Для малой RAM (Raspberry Pi, маленькие VPS):

Использовать локальные embedding модели вместо API
Снизить maxResults до 5-8
Увеличить swap пространство
Планировать compaction на ночное время

Для высоко-нагруженных агентов:

Включить batch embedding конфигурацию
Использовать внешними векторные базы (QMD, LanceDB)
Настроить отдельные плагины памяти для разных типов агентов

3.4 Плагины сообщества

Hindsight Plugin (vectorize-io/hindsight):

Заменяет нативную систему памяти структурированным извлечением знаний
API mode для shared memory между инстансами
Тонкие контроля retention и recall

SuperMemory Plugin (supermemoryai/openclaw-supermemory):

Векторно-графовый слой для автоматического обучения
Заявлены лучшие оценки в тестах памяти
Интеграция между сервисами

Lossless Claw (martian-engineering/lossless-claw):

Сохранение всего контекста без prunning'а
Подходит для архивных или compliance задач

4. Глубокий анализ системы памяти OpenClaw

4.1 Алгоритм чанкинга Markdown

Заголовки создают иерархические границы
Код-блоки и таблицы сохраняются целыми
Минимальный размер чанка: 200 символов, overlap: 50 символов
Контекст сохраняется между границами чанков

4.2 Интеграция с сессионной индексацией

Session save handler автоматически индексирует диалог в реальном времени:

Новые сообщения триггерят инкрементальную индексацию
Содержимое сессии доступно для поиска до compaction'а
Индексация асинхронная
Фейлы ретраятся с экспоненциальной задержкой

4.3 Инструменты доступа к памяти

memory_search(query, options)

Гибридный векторный + BM25 поиск
Возвращает snippets с similarity scores
Опции: maxResults, scoreThreshold, agent, since, until

memory_get(id)

Поиск конкретного memory по ID

4.4 Жизненный цикл compaction'а

Pre-compaction memory flush: сброс всех ожидающих записей
Session pruning: удаление старых сессий
Memory consolidation: объединение дублей
Index rebuilding: обновление индексов
File cleanup: очистка временных файлов

5. Сравнительный анализ различных подходов к памяти

Подход	Сильные стороны	Слабые стороны	Лучше всего для
Native	Простота, человекочитаемые файлы	Ограниченное масштабирование	Новички, один агент
Hindsight	Структурированное извлечение, API mode	Требует внешний сервис	Enterprise, multi-instance
SuperMemory	Вектор-граф, сильные оценки	Меньше фидбэка от комьюнити	Сложные знания
QMD	Extended retrieval, MMR, temporal decay	Сложнее в настройке	Исследования
LanceDB	Производительность на больших объемах	Внешняя зависимость	Продакшен высоконагруженные

6. Актуальные баги и их фиксы (2026)

6.1 Критические версионные проблемы

v2026.3.12 — введена memory leak в streaming API buffers:

Команды CLI падают с OOM даже без взаимодействия с моделями
Необходимо откатиться на v2026.3.11 или ждать патча

v2026.3.13 — частичный фикс memory leak'а:

Исправлены streaming API buffers
Исправлен deadlock при большом количестве skills
Добавлена browser control через Chrome DevTools
Некоторые пользователи всё ещё сообщают о проблемах с pre-compaction flush

6.2 Известные проблемы и их решения

Проблема: compaction.memoryFlush.enabled не работает корректно
Статус: Открытый issue #20713
Workaround: Принудительный ручной flush через CLI перед компактификацией

Проблема: Session pruning удаляет важную информацию
Решение: Настроить session.idle параметры под конкретный use case, или отключить prune для критических агентов

7. Практические рекомендации

7.1 Первоначальная настройка

Сразу включить compaction.memoryFlush.enabled: true
Настроить session pruning под ожидаемую нагрузку
Выбрать embedding провайдера, соответствующий budget и privacy

7.2 Продакшен-деплой

Регулярно мониторить память и количество сессий

Автоматизировать обслуживание через cron:

0 2 * * * openclaw memory index --force
0 3 * * 0 openclaw sessions cleanup

Рассмотреть внешние backend'ы памяти для high-volume сценариев
Настроить алерты при превышении порогов использования памяти

7.3 Чеклист диагностики

При проблемах с памятью:

openclaw memory status --deep — проверка индексации
Проверить права на ~/.openclaw/agents/
Искать OOM в логах (journalctl -u openclaw или Docker logs)
Протестировать с minimal config
Поискать похожие hardware/OS на GitHub Issues

8. Альтернативы OpenClaw

Если проблемы с памятью неисправимы или для вашего use case нужны другие подходы:

8.1 Прямые альтернативы

NanoClaw — минималистичный наследник OpenClaw:

Запускается на Raspberry Pi
Управление через WhatsApp
Меньший footprint

PicoClaw — сверхлегкий рантайм без тяжелой инфраструктуры

NanoBot — чистый Python фреймворк для агентов

IronClaw — модульная и масштабируемая архитектура для больших проектов

8.2 Другие AI-агентные фреймворки

CrewAI — роль-базированная коллаборация агентов (32K GitHub stars)

LangChain + LangGraph — самый популярный фреймворк (600+ интеграций)

AutoGen (Microsoft) — мультиагентные системы

SuperAGI — производственный-grade фреймворк

8.3 Специализированные решения

Mastra — современный фреймворк с TypeScript-first подходом

DeerFlow — research и аналитика

Smolagents — легковесные агенты от Hugging Face

8.4 Выбор альтернативы

Требование	Рекомендация
Минимальный footprint	NanoClaw, PicoClaw
Производственные нагрузки	CrewAI, SuperAGI
Исследования и кастомизация	LangChain, AutoGen
Простота и скорость	Smolagents, Agno

9. Заключение

Проблемы с памятью в OpenClaw — это системный вызов, вытекающий из сложности управления неограниченной историей диалогов в ограниченных ресурсах. Проект показывает активное развитие как в core-команде (патчи для memory flush'а, улучшения compaction'а), так и в экосистеме плагинов (Hindsight, SuperMemory, QMD).

Для большинства сценариев настройка compaction.memoryFlush и правильное управление сессиями решает основные проблемы. Для высоконагруженных или сложных use cases стоит рассматривать внешние системы памяти или альтернативные фреймворки.

Ключевой вывод: OpenClaw требует активного мониторинга и регулярного обслуживания. Его "философия files-first" даёт преимущества контроля, но возлагает на пользователя ответственность за управление ресурсами.

Источники

OpenClaw Official Documentation: https://docs.openclaw.ai/concepts/memory
OpenClaw GitHub Repository: https://github.com/openclaw/openclaw
Memory System Deep Dive: https://snowan.gitbook.io/study-notes/ai-blogs/openclaw-memory-system-deep-dive
GitHub Issue #45440: 2026.3.12 Memory Leak - OOM on Raspberry Pi 4: https://github.com/openclaw/openclaw/issues/45440
GitHub Issue #41778: openclaw-message OOM on 4GB servers: https://github.com/openclaw/openclaw/issues/41778
GitHub Issue #45064: 2026.3.12 Memory Leak - OOM on basic commands: https://github.com/openclaw/openclaw/issues/45064
Hindsight Memory Plugin: https://github.com/vectorize-io/hindsight
SuperMemory OpenClaw Plugin: https://github.com/supermemoryai/openclaw-supermemory
Session Management Docs: https://docs.openclaw.ai/concepts/session
Compaction Documentation: https://docs.openclaw.ai/reference/session-management-compaction
Memory configuration reference: https://docs.openclaw.ai/reference/memory-config
Facebook Post about v2026.3.13 memory leak fix: https://www.facebook.com/groups/clawdbotcommunity/posts/2043826426187796/
Blog: "OpenClaw's Memory Is Broken. Here's how to fix it": https://blog.dailydoseofds.com/p/openclaws-memory-is-broken-heres
Blog: "Why everyone is complaining about OpenClaw's memory (it sucks)": https://supermemory.ai/blog/why-everyone-is-complaining-about-openclaws-memory-it-sucks-and-why-supermemory-fixes-it/
Medium: "I've Been Running OpenClaw Wrong — Here's What Actually Fixed It": https://medium.com/@orami98/ive-been-running-openclaw-wrong-heres-what-actually-fixed-it-1afe8d8f30db
Best OpenClaw Alternatives 2026: https://till-freitag.com/blog/openclaw-alternatives-en
6 OpenClaw Competitors: https://emergent.sh/learn/best-openclaw-alternatives-and-competitors
5 Lightweight and Secure OpenClaw Alternatives: https://www.kdnuggets.com/5-lightweight-and-secure-openclaw-alternatives-to-try-right-now
Comprehensive comparison of AI agent frameworks 2026: https://www.reddit.com/r/LangChain/comments/1rnc2u9/comprehensive_comparison_of_every_ai_agent/
Reddit discussion about memory problems: https://www.reddit.com/r/myclaw/comments/1rwwx1t/is_it_just_me_or_does_openclaw_memory_totally/
Reddit: Tested every major OpenClaw memory fix: https://www.reddit.com/r/openclawsetup/comments/1s23hzb/tested_every_major_openclaw_memory_fix_so_you/
Twitter/X: Must run to fix memory issues: https://x.com/RayFernando1337/status/2019644782872785320
Issue #20713: compaction.memoryFlush.enabled bug: https://github.com/openclaw/openclaw/issues/20713
YouTube: How To Fix Your OpenClaw's Memory FOR GOOD: https://www.youtube.com/watch?v=HNVc8ubx2VE
NVIDIA NemoClaw for security: https://www.penligent.ai/hackinglabs/tr/nvidia-openclaw-security-what-nemoclaw-changes-and-what-it-still-cannot-fix/

Другие записи блога

Все статьи

К списку статей