OpenViking×OpenClaw:7 个 Agent不再是陌生人,token暴降 90%

我在 OpenClaw 上跑了 7 个 Agent。

一个大总管，一个写代码的，一个写文章的，一个搞增长的，还有法务、财务、教学。

听起来 NB 吧？全自动AI团队，分工明确，各司其职。

但用了几周了，我快疯了。

它们活得像七个陌生人

真实场景。

我跟大总管说："帮我安排一篇关于多Agent协作的文章。"

它问我："请问你的写作风格是什么？目标读者是谁？"

兄弟。我。昨天。刚。告诉过你。

你是不是金鱼转世。。。

更离谱的是——

开发助理刚帮我修好了飞书 webhook 的配置问题。我转头让内容助理写篇复盘。

它说："什么配置问题？能详细说说吗？"

你俩在同一台服务器上跑着啊！隔壁房间的事你都不知道？？

我当时的心情：🙂（假笑）

每次重新介绍自己，都是在烧钱

你以为只是麻烦？不，还费钱。

我算了一笔账：

一个月下来。。。光是"自我介绍"就烧掉一大坨。

咱就是说，这不是助理在工作，这是我在工作——重复给7个人做入职培训。

字节开源了个东西，把我点醒了

字节跳动最近开源了一个项目叫 OpenViking。

GitHub 地址：github.com/volcengine/OpenViking

它的核心思路特别简单——

把 Agent 的记忆当文件系统来管理。

啥意思？

你打开电脑找文件的时候，会把硬盘里所有文件内容全读一遍吗？

不会吧。你先看文件夹名，找到目标文件夹，再打开具体文件。

Agent 读记忆也该这样。

但现在大多数 Agent 的做法是：每次启动，把记忆文件从头到尾全部读一遍。

100 行的时候没感觉。8000 行的时候，token 哗哗地烧。

家有矿也不是这个烧法。

L0 / L1 / L2：三层按需加载

OpenViking 把记忆分成三层：

每次启动只读 L0。100 个 token，就知道记忆里有啥。

需要具体信息？读 L1 摘要。确认了？才读 L2 全文。

从"每次全读"变成"按需读取"。

我实测，日常对话 token 消耗直接降 10 倍。

不是省一点点，是断崖式下降。

P0 / P1 / P2：给记忆加保质期

光分层还不够。记忆会越来越多。

OpenViking 的另一招——给记忆打"保质期"：

P0 永远不删。P1 过期归档。P2 到期清理。

就像人的记忆——重要的事记得牢，琐碎的事会淡忘。但去翻笔记还能找回来。

我的真实改造：给 OpenClaw 多 Agent 装上共享大脑

说了这么多原理。我到底怎么做的？

第一步：给每个 Agent 加索引文件（10 分钟）

在每个 Agent 的 memory 目录下建一个 .abstract 文件，就是 L0 索引。

# memory/.abstract
- 用户偏好：写作风格、发布节奏、目标读者
- 系统配置：Agent 列表、通信方式、模型设置
- 项目记录：当前创作任务、历史发布文章
- 工具笔记：常用命令、API 配置、踩坑记录

Agent 每次启动，先读这个。只有需要具体信息时，才深入读对应的文件。

第二步：给记忆打 P 标签（10 分钟）

## [P0] 用户基本信息
- 名字：MJ
- 写作风格：大白话、短句、第一人称

## [P1] 当前项目：OpenViking 记忆改造
- 状态：初稿
- 截止：2026-03-01

## [P2] 2026-02-22 调试记录
- 飞书 webhook 超时问题
- 已解决，改了超时配置

然后写个清理脚本，每天扫一次。过期的自动归档。

第三步：共享记忆层——这才是杀手锏（10 分钟）

创建一个所有 Agent 都能读的共享目录：

shared-memory/
├── .abstract           # 共享记忆索引
├── user-profile.md     # 用户画像（所有 Agent 共用）
├── active-tasks.md     # 当前进行中的任务
└── cross-agent-log.md  # 跨 Agent 协作记录

怎么让 Agent 自动往里写？

不用写代码。

OpenClaw 每个 Agent 启动都会读 AGENTS.md——它的工作手册。加一条规则就行：

## 共享记忆规则
完成重要任务后，把关键结果追加到 shared-memory/cross-agent-log.md
格式：- [日期] [角色] 做了什么，关键结论
只记结论，不记过程。一条不超过两行。

就像给员工立了个规矩："做完事，在共享文档记一笔。"

Agent 会自觉执行。真的会。

改造前 vs 改造后

但我想说点不一样的

字节的 OpenViking 确实牛。

但我查了它的 GitHub——

它是一个独立的 Python 服务。 需要单独部署，需要配置 VLM 和 Embedding 模型，需要 API Key。

不是说不好。是说对于大多数 OpenClaw 用户来说，杀鸡用了牛刀。

OpenClaw 本身的 MEMORY.md + memory/ 目录 + AGENTS.md 规则，已经实现了记忆管理的底层架构。

你要做的不是"接入 OpenViking"，而是把 OpenViking 的思想，用 OpenClaw 原生的方式落地。

分层加载的思想 → .abstract 索引文件 生命周期管理 → P0/P1/P2 标签 + 清理脚本 共享记忆 → shared-memory/ 目录 + AGENTS.md 规则

不用装任何东西。不用跑任何服务。

30 分钟，纯文件操作，搞定。

一段提示词，让 OpenClaw 帮你搞定

把下面这段扔给你的 OpenClaw Agent：

请参考 OpenViking 的分层记忆思想，给我的多 Agent 系统做记忆改造：
1. 为每个 Agent 的 memory 目录添加 .abstract 索引文件
2. 给现有记忆条目添加 P0/P1/P2 生命周期标签
3. 创建 shared-memory/ 共享记忆层
4. 在 AGENTS.md 里添加跨 Agent 记忆同步规则
5. 写一个每日清理脚本，自动归档过期记忆
直接执行，不用问我。

它会帮你全流程搞完。

最后

Agent 的记忆问题，说白了就两件事：

不要每次全读——先看目录，按需取。

让 Agent 之间能互相通气——共享记忆层。

字节的 OpenViking 把这套思路开源了，我们拿来借鉴。但不一定要照搬它的技术方案。

思想是免费的。落地才是本事。

30 分钟改造，token 省 10 倍，7 个 Agent 终于不再是陌生人了。

老铁们，别光让自己多动脑子——

也得让你的 Agent，学会记住你。