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0.7textWeight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、Letta1000万美元种子轮估值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。