击败5000万美元向量数据库的Markdown文件
击败5000万美元向量数据库的Markdown文件
目前生产中最成功的三个AI代理平台以你存储购物清单的方式存储记忆。这听起来并不像听起来那么疯狂。
我花了过去两周拆解Manus、OpenClaw和Claude Code的架构。这些不是周末的爱好项目。Manus在 launch 后八个月达到1亿美元ARR，并被Meta以2-3亿美元的价格收购。Claude Code的运行率收入在2026年2月超过25亿美元。OpenClaw拥有超过310,000个GitHub星标。
它们三个都使用普通的Markdown文件作为主要记忆系统。不是托管向量数据库。不是5000万美元的基础设施产品。Markdown文件。
本文你将学到：
收敛模式：为什么三个独立的、生产规模的代理系统都选择了基于文件的记忆
上下文工程逻辑：Manus如何将”文件系统作为上下文”转变为节省实际资金的单位经济策略
混合架构：OpenClaw如何在Markdown之上分层语义检索，而不将权威交给外部数据库
平衡点：文件何时停止工作以及你实际需要数据库的时间（比你想象的要晚）
三个团队，一个奇怪的技巧
这就是有趣的地方。这三个项目没有互相复制。它们独立到达了相同的模式，为不同的用户解决不同的问题。
Manus是一个面向消费者的AI代理，处理复杂的多步骤任务。OpenClaw是一个开源的个人AI助手。Claude Code是Anthropic的官方编码代理。不同的团队。不同的代码库。不同的商业模式。
但打开它们的架构，你会发现相同的核心思想：文件系统是记忆层。模型读写普通文件（通常是Markdown），这些文件是代理知道什么和正在做什么的持久、可检查的记录。
Yaohua Chen在DEV Community上的一篇文章将此称为”趋同进化”，这个框架被保留下来。但更有用的问题不是”这不是很整洁吗？”而是”为什么这一直在发生？”
答案在于LLM的实际工作方式，以及大规模运行它们的经济学。
Manus：文件是商业策略的1亿美元证明
Manus是最有趣的案例，因为其团队实际上发表了他们选择文件而不是数据库的原因。在2025年7月的一篇工程帖子中，Manus联合创始人Yichao “Peak” Ji以不同寻常的坦率阐述了这一逻辑。
核心洞察：Manus处理每1个输出token平均100个输入token。这个比率使得输入成本成为主导变量。而Claude Sonnet上缓存和未缓存输入token之间的价格差异大约是10倍（约0.30美元对每百万token3美元）。
这个数字几乎解释了Manus的所有架构决策。
当你的输入与输出比率为100:1且缓存token的成本是十分之一时，你想要稳定、可预测的提示前缀。你想要仅追加的上下文。你想要你的记忆系统与KV缓存命中率良好配合。这些不是风格偏好。它们是单位经济。
todo.md：一个文件中的记忆和注意力控制
Manus平均每个任务约50次工具调用。这是一长串操作，LLM因”中间丢失”效应而著名，长上下文中的信息被忽略。
Manus的解决方案很优雅：它们在复杂任务期间生成并反复更新todo.md清单。每次代理完成一个步骤，它重写todo文件，这个重写将当前计划放入上下文窗口的最近部分，正是模型最关注的地方。
这是一个微妙但重要的点。Markdown文件不仅存储信息。它还塑造注意力。基于数据库的RAG系统可以检索事实，但它不能解决”保持计划热”的问题，除非你也构建一个明确的计划工件，将其重新引入最近的上下文。Manus正是用文本文件做到这一点。
泄露的Manus系统提示（一个广泛流传的GitHub gist，拥有超过2,500个星标）从独立角度证实了这一点。提示包括明确的规则，要求代理创建todo.md作为清单，并在完成每个项目后立即更新。它们还指示代理保存中间结果，并将不同的参考信息保存在单独的文件中。
即使你对营销叙述持怀疑态度，操作提示也讲述了同样的故事：文件写入纪律被烘焙到harness中。
OpenClaw：添加检索而不放弃控制
如果Manus是”纯文件”案例，OpenClaw展示了下一步的样子。它将Markdown作为规范记忆表面，但在其上分层语义检索，而不需要外部托管向量数据库。
记忆布局
OpenClaw的记忆系统使用两种文件：
MEMORY.md 保存持久的、经过策划的信息（代理应该始终知道的内容）
memory/YYYY-MM-DD.md中的日期文件捕获日常笔记
这是”记忆作为文档”。人类可以打开这些文件，阅读它们，编辑它们，并使用Git进行版本控制。尝试用向量数据库做到这一点。
压缩问题（以及为什么它比嵌入更重要）
OpenClaw提出了一个大多数”只需使用数据库”论点忽略的生产问题：当上下文窗口填满时会发生什么？
OpenClaw实现了自动记忆刷新。当会话接近其上下文限制时，系统触发一个静默的代理轮次，告诉模型在压缩截断对话历史之前将持久记忆写入记忆文件。
这是实践证据，表明核心问题不是”我在哪里存储嵌入？”而是”我如何在压缩边界上保留状态？”文件直接解决了这个问题。代理写下它需要记住的内容，下一个会话将其读回。
语义层（构建在文件之上，而非替代文件）
对于”但向量搜索呢？”的人群，这里是OpenClaw变得有趣的地方。
OpenClaw可以在其Markdown记忆文件上构建小型向量索引。但关键词是”在之上”。文件是真相的来源。向量索引是在关键词搜索不足时查找笔记的派生能力。
它同时适用于远程嵌入和本地嵌入，并使用sqlite-vec在SQLite内运行向量搜索。没有托管基础设施。没有外部数据库。只是带有可选检索层的本地文件。
OpenClaw甚至包括带有明确调优旋钮的混合检索：默认vectorWeight为0.7，textWeight为0.3，加上MMR风格的多样化以减少冗余结果和时间衰减（具有可配置的半衰期），这样过时的笔记不会超过新鲜笔记。
这是一个成熟的、面向生产的设计。它承认纯关键词搜索在释义和同义词上会失效。但它通过索引现有文件来解决这个问题，而不是用数据库替换它们。
Claude Code：当供应商发布模式时
Claude Code很重要，因为它将Markdown记忆模式从社区约定转变为文档化的产品功能。
CLAUDE.md：无需数据库的分层指令
Claude Code的记忆系统以CLAUDE.md文件为中心，这些文件包含持久指令、规则、工作流和项目架构说明。模型在每次会话开始时读取这些文件。
聪明的部分是层次结构：
托管策略指令（OS特定的系统位置）用于组织范围的规则
项目指令（
./CLAUDE.md）通过源代码控制共享用户指令（
~/.claude/CLAUDE.md）用于个人偏好目录级文件，当Claude读取子目录中的文件时按需加载
这是渐进式披露。不是在启动时将所有内容倾入上下文，而是系统基于范围加载相关内容。这种”检索”不需要向量数据库。文件系统的目录结构就是检索机制。
一个重要的更正
Anthropic的博客文章将CLAUDE.md描述为成为”系统提示的一部分”。但实际文档更精确：CLAUDE.md内容作为系统提示之后的用户消息传递，而不是在其中。它是上下文，不是强制配置。
这很重要，因为它改变了”记忆”在操作上的含义。文件不是神奇的强制执行边界。它是一个标准化的上下文通道，需要保持简洁和一致才能很好地工作。Anthropic甚至建议将每个CLAUDE.md保持在约200行以下，并定期删除矛盾之处。
自动记忆：一个有上限的、基于文件的第二大脑
Claude Code还在~/.claude/projects/<project>/memory/为每个项目维护一个自动记忆目录，其中包含MEMORY.md文件和可选的主题文件。会话开始时仅加载MEMORY.md的前200行。主题文件按需加载。
这是对”记忆文件无界增长”批评的供应商设计的答案。Claude Code不是假装无限记忆是免费的，而是对始终加载的索引施加硬限制，并鼓励溢出到主题文件中。这是一个简单、实用的约束，回避了大多数”只需使用Markdown”论点忽略的扩展问题。
Markdown文件实际失败的地方
如果我假装文件解决一切，那我就是在害你。它们不。这个论点的诚实版本更窄但更有用：对于单用户或单线程代理工作流（尤其是本地编码代理），基于文件的记忆提供不成比例的价值，因为它与LLM的工作方式和运行成本相一致。
但确实存在真正的失败模式。
上下文预算压力。Claude Code明确警告CLAUDE.md每个会话消耗token，过大的文件会降低遵守度。文件在膨胀和内部矛盾之前工作。
并发。当多个代理或用户需要触摸相同的记忆时，并发文件写入可能会损坏数据。此时你需要数据库保证（原子性、隔离性、协调）。这甚至不是关于Markdown vs 数据库。这是关于文件系统 vs 数据库，在并发访问下数据库获胜。
大规模语义检索。Grep和关键词搜索在释义和同义词上会失效。随着你的知识库增长，向量搜索变得必要，而不是可选。OpenClaw的混合模式是对此的务实承认。
缓存失效成本。Manus发现一些”聪明”的动态行为，如在迭代中期添加和删除工具，实际上通过使KV缓存失效和混淆模型来降低性能。不是所有的复杂性都为你购买能力。有些只是为你购买更高的账单。
平衡架构
这三个系统的证据指向一个可能的平衡，比”文件 vs 数据库”更有用：
文件（通常是Markdown）作为主要接口。计划、约定、学习和指令存在于人类可读、版本可控的文本文件中。这是模型和人类都直接交互的层。
积极卸载到磁盘。大型工具输出被保存为带有可恢复引用（路径、URL）的文件，因此上下文可以缩小而不丢失信息。Manus称之为”上下文窗口=RAM，文件系统=磁盘”模型。
派生检索层。当规模需要语义搜索时，你在文件上构建索引。OpenClaw使用SQLite和sqlite-vec做到这一点。文件仍然是真相的来源。索引是搜索优化。
明确的升级路径。当记忆需要在并发访问下共享和正确时，你将基础转移到数据库。但即使这样，面向代理的接口仍然可以看起来像”文件夹中的文件”。
这不是一个激进的立场。它只是说：从最有效的最简单的事情开始，当操作需求迫使你时再添加基础设施。对于现在的一大类代理工作流，最有效的最简单的事情是Markdown文件。
这对向量数据库市场意味着什么
对VC资助的记忆基础设施的尴尬问题是真实的。但资金情况不会在这个论点下崩溃。它会分叉。
像Mem0（筹集2400万美元）、Letta（1000万美元种子轮，估值7000万美元）和Zep（其Graphiti项目超过20,000个GitHub星标）这样的记忆层初创公司专门解决文件优先系统难以解决的部分：跨部署的持久性、用户级个性化、大规模检索、治理和企业控制。
同时，向量搜索正在成为一种商品功能。调查数据显示采用率稳步攀升，向量功能出现在Postgres扩展、集成数据库功能和托管服务中。市场不是在文件和向量之间选择。它正在向两者的可组合组合移动。
底线（没有蝴蝶结）
“击败5000万美元向量数据库的Markdown文件”作为关于默认启动架构的论点最有效，而不是预测数据库没有角色。
更精确、有证据支持的论点是：这些成功的代理堆栈将文件视为状态的一等接口，然后仅在操作需求迫使它们时才添加检索和更强的基础。
如果你今天正在构建代理，你的第一直觉是设置向量数据库，退后一步。看看Manus、OpenClaw和Claude Code实际发布的内容。从Markdown文件开始。你以后总是可以添加数据库。
你可能不能反过来这么说。