Skip to main content

​
Workspace Memory v2（离线）：研究笔记

目标：Clawd 风格工作区（agents.defaults.workspace，默认 ~/.openclaw/workspace），将“memory”存为按日 Markdown 文件（memory/YYYY-MM-DD.md）+ 少量稳定文件（如 memory.md、SOUL.md）。 本文提出离线优先的 memory 架构：Markdown 仍是可审阅的事实来源，但通过派生索引提供结构化 recall（搜索、实体摘要、置信度更新）。

​
为什么要改？

现有方案（每天一个文件）擅长：
  • “只追加”日志
  • 人工编辑
  • git 支撑的持久性 + 可审计
  • 低摩擦捕获（“直接写下来”）
但薄弱点：
  • 高召回检索（“我们对 X 的结论是什么？”、“上次尝试 Y 是何时？”）
  • 实体中心问答（“说说 Alice / The Castle / warelay”）而无需翻许多文件
  • 观点/偏好的稳定性（及其变化的证据）
  • 时间约束（“2025 年 11 月时哪些为真？”）与冲突消解

​
设计目标

  • 离线：无网络即可运行；可在 laptop/Castle 上运行；无云依赖。
  • 可解释：检索项可归因（文件 + 位置），推断与事实分离。
  • 低仪式感：日常记录仍是 Markdown，不引入重 schema。
  • 可增量：v1 仅 FTS 也有价值；向量/图谱为可选升级。
  • Agent 友好：便于“在 token 预算内 recall”（返回小包事实）。

​
北极星模型（Hindsight × Letta）

融合两部分：
  1. Letta/MemGPT 风格控制循环
  • 保持一个小“核心”始终在上下文（persona + 关键用户事实）
  • 其他内容在上下文外，通过工具检索
  • 记忆写入是显式工具调用（append/replace/insert），持久化后再注入下一回合
  1. Hindsight 风格 memory 基座
  • 区分观察、信念与摘要
  • 支持 retain/recall/reflect
  • 观点带置信度，可随证据演化
  • 实体感知检索 + 时间查询（即使没有完整图谱）

​
架构提议（Markdown 事实来源 + 派生索引）

​
规范存储（git 友好）

保持 ~/.openclaw/workspace 为人类可读的记忆主仓。 建议布局： 
~/.openclaw/workspace/
  memory.md                    # 小而核心：持久事实 + 偏好
  memory/
    YYYY-MM-DD.md              # 每日日志（追加；叙事）
  bank/                        # “类型化”记忆页（稳定、可审阅）
    world.md                   # 客观世界事实
    experience.md              # agent 做过的事（第一人称）
    opinions.md                # 主观偏好/判断 + 置信度 + 证据指针
    entities/
      Peter.md
      The-Castle.md
      warelay.md
      ...
注：
  • 每日日志仍是每日日志，不必改成 JSON。
  • bank/ 文件为整理产物，由反思任务生成，仍可手工编辑。
  • memory.md 保持“小而核心”：希望 Clawd 每次会话都看到的内容。

​
派生存储（机器 recall）

在工作区添加派生索引（不一定纳入 git）： 
~/.openclaw/workspace/.memory/index.sqlite
使用：
  • SQLite schema 存事实 + 实体链接 + 观点元数据
  • SQLite FTS5 提供词法检索（快、小、离线）
  • 可选 embeddings 表用于语义检索（仍离线）
索引始终可从 Markdown 重建。

​
Retain / Recall / Reflect（运行循环）

​
Retain：将每日日志规范为“事实”

Hindsight 的关键洞见：存储叙事、可自洽的事实，而不是细碎片段。 对 memory/YYYY-MM-DD.md 的实用规则：
  • 每日结束（或过程中）添加 ## Retain 小节，包含 2–5 条：
    • 叙事化（保留跨回合上下文）
    • 自包含（单独拿出来也讲得通）
    • 带类型 + 实体标注
示例： 
## Retain
- W @Peter: Currently in Marrakech (Nov 27–Dec 1, 2025) for Andy’s birthday.
- B @warelay: I fixed the Baileys WS crash by wrapping connection.update handlers in try/catch (see memory/2025-11-27.md).
- O(c=0.95) @Peter: Prefers concise replies (<1500 chars) on WhatsApp; long content goes into files.
最小解析：
  • 类型前缀：W（world）、B（experience/biographical）、O（opinion）、S（observation/summary；通常生成）
  • 实体：@Peter、@warelay 等（slug 映射到 bank/entities/*.md）
  • 观点置信度：O(c=0.0..1.0) 可选
若不想让作者思考：reflect 任务可从其他日志推断，但显式 ## Retain 是最简单的质量杠杆。

​
Recall：基于派生索引的查询

Recall 应支持：
  • 词法：精确词/名称/命令（FTS5）
  • 实体：“告诉我 X”（实体页 + 实体关联事实）
  • 时间：“11 月 27 日左右发生了什么”/“最近一周”
  • 观点：“Peter 的偏好是什么”（带置信度 + 证据）
返回应对 agent 友好且可溯源：
  • kind（world|experience|opinion|observation）
  • timestamp（来源日期或抽取时间范围）
  • entities（["Peter","warelay"]）
  • content（叙事事实）
  • source（memory/2025-11-27.md#L12 等）

​
Reflect：生成稳定页面 + 更新信念

反思是定时任务（每日或 heartbeat ultrathink）：
  • 用近期事实更新 bank/entities/*.md（实体摘要）
  • 基于强化/反证更新 bank/opinions.md 的置信度
  • 可选：向 memory.md 提议编辑（“核心事实”）
观点演化（简单可解释）：
  • 每条观点包含：
    • statement
    • 置信度 c ∈ [0,1]
    • last_updated
    • 证据链接（支持/反对的 fact IDs）
  • 新事实到来：
    • 按实体重叠 + 相似性找候选观点（先 FTS，后 embeddings）
    • 用小步长调整置信度；大幅变化需强反证 + 重复证据

​
CLI 集成：独立 vs 深度集成

建议：深度集成到 OpenClaw，但保留可分离核心库。

​
为什么集成进 OpenClaw？

  • OpenClaw 已知：
    • workspace 路径（agents.defaults.workspace）
    • 会话模型 + heartbeats
    • 日志 + 排障习惯
  • 希望 agent 直接调用工具：
    • openclaw memory recall "…" --k 25 --since 30d
    • openclaw memory reflect --since 7d

​
为什么仍要拆库？

  • 让 memory 逻辑可在无 gateway/runtime 下测试
  • 可复用到其他场景（本地脚本、未来桌面应用等）
形态： Memory 工具定位为小型 CLI + 库层，但目前仅为探索。

​
“S-Collide” / SuCo：何时使用（研究）

如果 “S-Collide” 指 SuCo (Subspace Collision)：它是一种 ANN 检索方法，通过子空间碰撞实现较强的召回/延迟权衡（论文：arXiv 2411.14754, 2024）。 对 ~/.openclaw/workspace 的务实结论：
  • 不要一开始就用 SuCo。
  • 先用 SQLite FTS +（可选）简单 embeddings；立刻获得大部分 UX 提升。
  • 只有在以下条件满足时再考虑 SuCo/HNSW/ScaNN 类方案：
    • 语料很大（数万/数十万 chunks）
    • 粗暴的 embedding 搜索太慢
    • 词法检索成为明显瓶颈
离线友好替代（复杂度递增）：
  • SQLite FTS5 + 元数据过滤（零 ML）
  • Embeddings + 全量扫描（chunk 少时惊人有效）
  • HNSW 索引（常见、稳健；需要库绑定）
  • SuCo（研究级；需可嵌入的稳定实现）
开放问题：
  • 在你的机器（laptop + desktop）上，“个人助手 memory”的最佳离线 embedding 模型是什么？
    • 若已用 Ollama：用本地模型 embedding；否则在工具链中携带小模型。

​
最小可用试点

如果想要一个最小但有用的版本：
  • 添加 bank/ 实体页与每日日志的 ## Retain。
  • 用 SQLite FTS 做带引用的 recall（路径 + 行号）。
  • 仅当召回质量或规模需要时再加 embeddings。

​
参考

  • Letta / MemGPT 概念：“core memory blocks” + “archival memory” + 工具驱动自编辑记忆。
  • Hindsight Technical Report：retain/recall/reflect、四网络记忆、叙事事实抽取、观点置信度演化。
  • SuCo：arXiv 2411.14754 (2024)：Subspace Collision 近似近邻检索。