你可能以为 Claude Code 用了什么高级的向量搜索、语义匹配。
答案让你意外到惊掉下巴。
它没有。
我翻了 Claude Code 的源码和 OpenClaw 的源码，今天帮你搞清楚这三件事：
- Claude Code 是怎么检索长期记忆的？
- 为什么这么简单的方案也能这么高效？
- 有没有更高级的方案？
哈喽大家好，我是二哥呀。今天用 3 分钟，给你讲清楚 Claude Code 的长期记忆是怎么检索的。
系好安全带，我们粗粗粗出发了～
先说第一件事，Claude Code 的长期记忆检索真的超级简单。
每次你新开一个对话，Claude Code 会去读 MEMORY.md 这个索引文件，最多读前 200 行，或者 25KB，剩下的不管了。
读完之后，哪些记忆跟你当前的问题相关呢？
它不做任何筛选。直接把这 200 行全部塞进上下文，交给大模型自己判断。
没有向量检索，没有语义匹配，没有 embedding，没有数据库。
CLAUDE.md 更直接。整个文件注入系统指令，全量加载，当然要求你的CLAUDE.md要写的足够精简有效，这个我们上一期讲过了。
那聪明的你肯定想到了：这么简单的方案，真的够用吗？
够用。但有条件。
大模型本身就有很强的注意力机制。200 行文本里面找 3 条相关的，对 Opus 5 来说，小菜一碟。
但代价是什么？MEMORY.md 必须控制在 200 行以内。第 201 行开始的根本不会被加载，写了也白写。
所以上期讲的 MEMORY.md 是索引非常关键。索引要精简，一条记忆一行摘要就够了。写得啰嗦，重要信息就被噪音淹没了。
这也解释了为什么 Claude Code 会自动整理记忆——合并重复的、删掉过时的。是为了在 200 行的限制内，塞下更多有效信息。
那聪明的你肯定又要问了：有没有更高级的方案？
好像没有，但可以给你提供另外一个思路。比如说之前爆火的 OpenClaw，走的就是另一条路子。
Claude Code 是 Markdown 一个文件干两件事，存和读。OpenClaw 把这两件事拆开了：Markdown 只负责存内容，SQLite 负责找内容。
怎么找的呢？
存记忆的时候，OpenClaw 会把 Markdown 内容切成一小块一小块的，然后交给 embedding 模型，把每一块文字转成一串数字，也就是向量。这些向量存进 SQLite。
找记忆的时候，把你当前的问题也转成向量，然后跟 SQLite 里存的向量做相似度匹配。相似度越高，说明这条记忆跟你的问题越相关。
而且 OpenClaw 还会同时跑一遍关键词匹配，两个结果合在一起排序。这就是混合检索——关键词找得准，语义找得全，再来一个排序，是经典的 RAG 思路。
好处是记忆再多也能精准找到。坏处是得额外跑一个 embedding 模型，这也就是为什么OpenClaw会很慢，很迟钝，当然了，当年吹他的人会忽略这个致命的缺点，就是慢。
最后简单总结下。
Claude Code 靠模型注意力检索，简单但有 200 行上限。OpenClaw 靠向量搜索加关键词匹配，精准但复杂。另外，不管用哪种方案，保持 MEMORY.md 精简都是最重要的——一条记忆一行摘要。
这个知识点你学废了吗？想解锁更多 AI 硬核知识，点赞关注，我是二哥，咱们下期见！
