跳转到主要内容

​
工作空间记忆 v2（离线）：研究笔记

目标：Clawd 风格的工作空间 (agents.defaults.workspace，默认 ~/.openclaw/workspace)，其中“记忆”存储为每天一个 Markdown 文件 (memory/YYYY-MM-DD.md) 加上一小组稳定文件（例如 memory.md，SOUL.md）。 本文档提出了一种 离线优先 的记忆架构，将 Markdown 保留为规范的、可审查的真实来源，但通过派生索引添加 结构化召回（搜索、实体摘要、置信度更新）。

​
为什么要改变？

当前的设置（每天一个文件）非常适合：
  • “仅追加”日记
  • 人工编辑
  • git 支持的持久性和可审计性
  • 低摩擦捕获（“直接写下来”）
它的弱点在于：
  • 高召回检索（“关于 X 我们决定了什么？”，“上次我们尝试 Y 是什么时候？”）
  • 以实体为中心的答案（“告诉我关于 Alice / The Castle / warelay 的情况”），而无需重读许多文件
  • 意见/偏好稳定性（以及变化时的证据）
  • 时间约束（“2025 年 11 月期间什么是真的？”）和冲突解决

​
设计目标

  • 离线：无需网络即可工作；可以在笔记本电脑/Castle 上运行；不依赖云服务。
  • 可解释：检索到的项目应可归因（文件 + 位置）并与推理分离。
  • 低仪式感：每日记录保持为 Markdown，无需繁重的模式工作。
  • 增量式：v1 仅使用 FTS 就有用；语义/向量和图是可选升级。
  • 对代理友好：使“在 token 预算内召回”变得容易（返回小捆的事实）。

​
北极星模型 (Hindsight × Letta)

结合两个部分：
  1. Letta/MemGPT 风格的控制循环
  • 在上下文中始终保持一个小的“核心”（人设 + 关键用户事实）
  • 其他所有内容都在上下文之外，并通过工具检索
  • 内存写入是显式工具调用（追加/替换/插入），持久化，然后在下一轮重新注入
  1. Hindsight 风格的记忆基底
  • 区分观察到的事物、相信的事物以及总结的事物
  • 支持保留/回想/反思
  • 带有置信度的观点，可随证据演变
  • 感知实体的检索 + 时序查询（即使没有完整的知识图谱）

​
建议的架构（Markdown 源数据 + 派生索引）

​
规范存储（git 友好）

将 ~/.openclaw/workspace 保持为可人工阅读的标准记忆。 建议的工作区布局： 
~/.openclaw/workspace/
  memory.md                    # small: durable facts + preferences (core-ish)
  memory/
    YYYY-MM-DD.md              # daily log (append; narrative)
  bank/                        # “typed” memory pages (stable, reviewable)
    world.md                   # objective facts about the world
    experience.md              # what the agent did (first-person)
    opinions.md                # subjective prefs/judgments + confidence + evidence pointers
    entities/
      Peter.md
      The-Castle.md
      warelay.md
      ...
备注：
  • 日志仍是日志。无需将其转换为 JSON。
  • bank/ 文件经过策展，由反思任务生成，但仍可手动编辑。
  • memory.md 保持“小而核心”：那些你希望 Clawd 在每次会话中都能看到的内容。

​
派生存储（机器回想）

在工作区下添加一个派生索引（不一定由 git 跟踪）： 
~/.openclaw/workspace/.memory/index.sqlite
支持：
  • 用于事实、实体链接和观点元数据的 SQLite 架构
  • 用于词汇回想的 SQLite FTS5（快速、小巧、离线）
  • 用于语义回想的可选嵌入表（仍为离线）
索引始终可以从 Markdown 重建。

​
保留 / 回想 / 反思（操作循环）

​
保留：将日志标准化为“事实”

Hindsight 此处适用的关键见解：存储叙事性的、自包含的事实，而不是微小的片段。 memory/YYYY-MM-DD.md 的实际规则：
  • 在一天结束时（或期间），添加一个 ## Retain 部分，包含 2–5 个要点，这些要点需：
    • 叙述（保留跨轮次上下文）
    • 自包含（独立的内容在以后才有意义）
    • 带有类型和实体提及的标签
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.
最小化解析：
  • 类型前缀：W（世界），B（经历/传记），O（观点），S（观察/总结；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
如果你不希望作者考虑这一点：reflect 任务可以从日志的其余部分推断这些要点，但拥有一个显式的 ## Retain 部分是最简单的“质量杠杆”。

​
召回：对派生索引的查询

召回应支持：
  • 词法：“查找精确的术语 / 名称 / 命令”（FTS5）
  • 实体：“告诉我关于 X 的事情”（实体页面 + 实体关联的事实）
  • 时间：“11月27日左右发生了什么” / “自上周以来”
  • 观点：“Peter 更喜欢什么？”（附置信度 + 证据）
返回格式应该对代理友好并引用来源：
  • kind（world|experience|opinion|observation）
  • timestamp（来源日期，如果存在则是提取的时间范围）
  • entities（["Peter","warelay"]）
  • content（叙述性事实）
  • source（memory/2025-11-27.md#L12 等）

​
反思：生成稳定页面 + 更新信念

反思是一个计划任务（每天或心跳 ultrathink），用于：
  • 根据最新事实更新 bank/entities/*.md（实体摘要）
  • 根据强化/矛盾更新 bank/opinions.md 置信度
  • 可选建议对 memory.md 的编辑（“核心类”持久事实）
观点演变（简单，可解释）：
  • 每个观点都有：
    • 陈述
    • 置信度 c ∈ [0,1]
    • last_updated
    • 证据链接（支持 + 反驳的事实 ID）
  • 当新事实到达时：
    • 通过实体重叠 + 相似性（先是 FTS，然后是嵌入）查找候选观点
    • 通过小的增量更新置信度；大幅跃升需要强烈的矛盾 + 重复的证据

​
CLI 集成：独立集成与深度集成

建议：与 OpenClaw 深度集成，但保持核心库可分离。

​
为什么要集成到 OpenClaw 中？

  • OpenClaw 已经知道：
    • 工作区路径 (agents.defaults.workspace)
    • 会话模型 + 心跳
    • 日志记录 + 故障排除模式
  • 你希望代理本身调用工具：
    • openclaw memory recall "…" --k 25 --since 30d
    • openclaw memory reflect --since 7d

​
为什么仍然要拆分出一个库？

  • 保持内存逻辑在没有网关/运行时的情况下可测试
  • 从其他上下文（本地脚本、未来的桌面应用程序等）重用
形态： 记忆工具旨在作为一个小型 CLI + 库层，但这仅用于探索。

​
“S-Collide” / SuCo：何时使用它（研究）

如果 “S-Collide” 指的是 SuCo (Subspace Collision)：它是一种 ANN 检索方法，通过在子空间中使用学习/结构化碰撞来针对强大的召回/延迟权衡（论文：arXiv 2411.14754，2024）。 针对 ~/.openclaw/workspace 的务实看法：
  • 不要从 SuCo 开始。
  • 从 SQLite FTS + （可选）简单嵌入开始；你将立即获得大部分用户体验收益。
  • 仅在以下情况考虑 SuCo/HNSW/ScaNN 类解决方案：
    • 语料库很大（数万/数十万个块）
    • 暴力嵌入搜索变得太慢
    • 召回质量明显受到词汇搜索的瓶颈限制
离线友好的替代方案（按复杂度递增）：
  • SQLite FTS5 + 元数据过滤器（零机器学习）
  • 嵌入 + 暴力搜索（如果块数量少，效果出奇地好）
  • HNSW 索引（常见，稳健；需要库绑定）
  • SuCo（研究级；如果有可以嵌入的可靠实现，则很有吸引力）
未解决的问题：
  • 在你的机器（笔记本电脑 + 台式机）上，用于“个人助手记忆”的最佳离线嵌入模型是什么？
    • 如果您已经拥有 Ollama：使用本地模型进行嵌入；否则在工具链中附带一个小型的嵌入模型。

​
最小的有用试点

如果你想要一个最小化但仍可用的版本：
  • 添加 bank/ 实体页面和每日日志中的 ## Retain 部分。
  • 使用 SQLite FTS 进行带引用（路径 + 行号）的召回。
  • 仅当召回质量或规模需要时才添加嵌入。

​
参考资料

  • Letta / MemGPT 概念：“核心内存块”+“归档内存”+ 工具驱动的自编辑内存。
  • Hindsight 技术报告：“保留 / 召回 / 反思”，四网络记忆，叙事事实提取，观点置信度演变。
  • SuCo：arXiv 2411.14754 (2024)：“子空间碰撞”近似最近邻检索。
本页面源自 openclaw/openclaw，由 BeaversLab 翻译，遵循 MIT 协议 发布。
Last modified on March 27, 2026