用 AgentCore 与 OpenClaw 打造具备持久记忆的上下文感知 AI 助手

传统 AI 助手的核心缺陷并非回答质量，而是缺乏连续性。用户今天询问园艺问题，助手完全不知道三周前提到的快速排水花坛、只使用有机肥料的习惯，或者矮牵牛在热浪中挣扎的状况。每次对话重置，解释背景的负担全部落在用户身上。AgentCore Memory 正是为解决这一问题而设计，它将对话内容转化为带结构化元数据标签的持久知识，使助手能够在后续对话中精准检索相关记录。

整体架构以 Amazon Bedrock AgentCore 运行时为核心，OpenClaw 作为智能体基底提供工具调用与技能系统。两个入口汇聚至同一智能体：Telegram 消息经由 Amazon API Gateway 和 Webhook Lambda 函数进入，定时任务（如早晨浇水提醒）则通过 Amazon EventBridge Scheduler 触发。两条路径均调用 AgentCore 运行时的 InvokeAgentRuntime API，由一个轻量级 server.py 进程协调 OpenClaw 网关、AgentCore Memory 与 Amazon Bedrock Converse API 的交互。

系统针对不同任务类型采用双模型路由策略。文字对话使用 Claude Haiku 4.5，速度快、成本低，适合日常高频交互；图像理解则调用 Claude Sonnet 4.5，具备更强的多模态推理能力，用于从植物照片中诊断病害等复杂任务。图像请求绕过 OpenClaw 网关，直接从 server.py 调用 Bedrock Converse API，以确保图像像素数据完整传递至模型。两条路径共享同一系统提示词，保证用户体验的一致性，模型 ID 以环境变量形式配置，无需重新构建镜像即可切换。

OpenClaw 的技能系统以 community-skills.json 清单文件声明能力模块，部署脚本在构建镜像前将其注入容器并注册至 OpenClaw 配置。示例助手 Sprout 内置天气查询、提醒设置和植物笔记三项技能。这一模式具有高度可复用性，只需替换人设与技能清单，同一套流水线即可服务于支持机器人、健身教练或企业内部帮助台等完全不同的应用场景，无需改动底层架构。

在部署与成本层面，整套系统封装在单一 CloudFormation 模板中，一条命令即可完成部署，无需额外构建工具。AgentCore 运行时采用消费计费模式，仅对智能体实际消耗的计算资源收费，等待模型响应的 I/O 时间不计入账单。对于轻度个人使用场景，月均成本约为 1 至 2 美元，相比始终在线的 EC2 实例每月约 35 美元的费用，优势显著。存储由 Amazon S3 提供，加密由 AWS KMS 处理，日志与指标由 Amazon CloudWatch 采集，安全凭证存储于 AWS Secrets Manager。

这套架构的设计理念具有广泛的迁移价值。任何以本地进程形式运行的智能体框架，均可通过类似的 server.py 包装层适配至 AgentCore 运行时，无需修改框架本身。AgentCore Memory 的元数据过滤机制使得记忆检索更加精准，而非简单的全量回放。开发者可以将 Sprout 的园艺场景替换为任意垂直领域，在保留持久记忆、多模型路由、定时任务等核心能力的同时，快速构建属于自己的上下文感知 AI 助手。

要点

• AgentCore Memory 将一次性对话转化为带元数据标签的持久结构化知识，使 AI 助手能够跨会话积累并精准检索用户上下文
• 双模型路由策略将文字对话与图像理解分别交由 Claude Haiku 4.5 和 Claude Sonnet 4.5 处理，在成本与能力之间取得平衡
• AgentCore 运行时采用消费计费模式，轻度个人使用月均成本约 1 至 2 美元，远低于常驻服务器方案
• OpenClaw 包装层模式具有通用性，任何本地进程形式的智能体框架均可通过类似方式适配至 AgentCore 运行时
• 整套架构领域无关，替换人设与技能清单即可快速迁移至客服、健身、企业帮助台等不同应用场景