openclaw/docs/zh-CN/experiments/research/memory.md

read_when, summary, title, x-i18n

read_when	summary	title	x-i18n
设计超越每日 Markdown 日志的工作区记忆（~/.openclaw/workspace） 决策：独立 CLI 还是深度集成 OpenClaw 添加离线召回 + 反思（retain/recall/reflect）	研究笔记：Clawd 工作区离线记忆系统（Markdown 作为事实来源 + 派生索引）	工作区记忆研究	generated_at model provider source_hash source_path workflow 2026-02-01T20:25:43Z claude-opus-4-5 pi 1753c8ee6284999fab4a94ff5fae7421c85233699c9d3088453d0c2133ac0feb experiments/research/memory.md 14

工作区记忆 v2（离线）：研究笔记

目标：Clawd 风格的工作区（agents.defaults.workspace，默认 ~/.openclaw/workspace），其中"记忆"以每日一个 Markdown 文件（memory/YYYY-MM-DD.md）加上一小组稳定文件（如 memory.md、SOUL.md）的形式存储。

本文档提出一种离线优先的记忆架构，保持 Markdown 作为规范的、可审查的事实来源，同时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？

当前方案（每日一个文件）非常适合：

• "仅追加"的日志记录
• 人工编辑
• git 支持的持久性 + 可审计性
• 低摩擦的信息捕获（"直接写下来就好"）

但在以下方面表现较弱：

• 高召回率检索（"我们对 X 做了什么决定？"、"上次我们尝试 Y 是什么时候？"）
• 以实体为中心的回答（"告诉我关于 Alice / The Castle / warelay 的信息"）而无需重读大量文件
• 观点/偏好的稳定性（以及变化时的证据）
• 时间约束（"2025 年 11 月期间什么是成立的？"）和冲突解决

设计目标

• 离线：无需网络即可工作；可在笔记本/Castle 上运行；无云端依赖。
• 可解释：检索到的条目应可溯源（文件 + 位置）且与推理结果可分离。
• 低仪式感：每日记录保持 Markdown 格式，无需繁重的 schema 工作。
• 增量式：v1 仅用全文搜索即可发挥作用；语义/向量和图谱是可选升级。
• 智能体友好：使"在 token 预算内召回"变得简单（返回小型事实包）。

北极星模型（Hindsight × Letta）

需要融合两部分：

1. Letta/MemGPT 风格的控制循环

• 保持一个小型"核心"始终在上下文中（角色设定 + 关键用户事实）
• 其他所有内容都在上下文之外，通过工具检索
• 记忆写入是显式的工具调用（追加/替换/插入），持久化后在下一轮重新注入

2. Hindsight 风格的记忆基底

• 区分观察到的、认为的和总结的内容
• 支持 retain/recall/reflect
• 带有置信度的观点，可随证据演变
• 实体感知检索 + 时间查询（即使没有完整的知识图谱）

提议架构（Markdown 事实来源 + 派生索引）

规范存储（git 友好）

保持 ~/.openclaw/workspace 作为规范的人类可读记忆。

建议的工作区布局：

~/.openclaw/workspace/
  memory.md                    # 小型：持久事实 + 偏好（核心级别）
  memory/
    YYYY-MM-DD.md              # 每日日志（追加；叙事性）
  bank/                        # "类型化"记忆页面（稳定、可审查）
    world.md                   # 关于世界的客观事实
    experience.md              # 智能体做过什么（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
      ...

说明：

• 每日日志保持为每日日志。无需将其转为 JSON。
• bank/ 文件是经过整理的，由反思任务生成，仍可手动编辑。
• memory.md 保持"小型 + 核心级别"：你希望 Clawd 每次会话都能看到的内容。

派生存储（机器召回）

在工作区下添加派生索引（不一定纳入 git 追踪）：

~/.openclaw/workspace/.memory/index.sqlite

底层支持：

• SQLite schema，用于事实 + 实体链接 + 观点元数据
• SQLite FTS5，用于词法召回（快速、轻量、离线）
• 可选的嵌入表，用于语义召回（仍然离线）

索引始终可从 Markdown 重建。

Retain / Recall / Reflect（运行循环）

Retain：将每日日志规范化为"事实"

Hindsight 在此处的关键洞察：存储叙事性的、自包含的事实，而非零散片段。

memory/YYYY-MM-DD.md 的实用规则：

• 在一天结束时（或期间），添加一个 ## Retain 部分，包含 2–5 个要点，要求：
  • 叙事性（保留跨轮次上下文）
  • 自包含（后续单独查看也能理解）
  • 标注类型 + 实体提及

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/摘要；通常自动生成）
• 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

如果不想让作者考虑这些：反思任务可以从日志的其余部分推断这些要点，但显式的 ## Retain 部分是最简单的"质量杠杆"。

Recall：在派生索引上查询

召回应支持：

• 词法："查找精确术语/名称/命令"（FTS5）
• 实体："告诉我关于 X 的信息"（实体页面 + 实体关联的事实）
• 时间："11 月 27 日前后发生了什么"/"上周以来"
• 观点："Peter 偏好什么？"（附带置信度 + 证据）

返回格式应对智能体友好并引用来源：

• kind（world|experience|opinion|observation）
• timestamp（来源日期，或提取的时间范围（如存在））
• entities（["Peter","warelay"]）
• content（叙事性事实）
• source（memory/2025-11-27.md#L12 等）

Reflect：生成稳定页面 + 更新信念

反思是一个定时任务（每日或心跳 ultrathink），它：

• 根据近期事实更新 bank/entities/*.md（实体摘要）
• 根据强化/矛盾更新 bank/opinions.md 的置信度
• 可选地提议对 memory.md 的编辑（"核心级别"持久事实）

观点演变（简单、可解释）：

• 每个观点包含：
  • 陈述
  • 置信度 c ∈ [0,1]
  • 最后更新时间
  • 证据链接（支持 + 矛盾的事实 ID）
• 当新事实到达时：
  • 通过实体重叠 + 相似度查找候选观点（先 FTS，后嵌入）
  • 以小增量更新置信度；大幅变动需要强矛盾 + 反复出现的证据

CLI 集成：独立 vs 深度集成

建议：深度集成到 OpenClaw，但保持核心库可分离。

为什么集成到 OpenClaw？

• OpenClaw 已经知道：
  • 工作区路径（agents.defaults.workspace）
  • 会话模型 + 心跳
  • 日志 + 故障排除模式
• 你希望智能体自身调用这些工具：
  • openclaw memory recall "…" --k 25 --since 30d
  • openclaw memory reflect --since 7d

为什么仍然拆分为库？

• 保持记忆逻辑可在无 Gateway网关/运行时的情况下测试
• 可在其他上下文中复用（本地脚本、未来的桌面应用等）

形态： 记忆工具计划作为一个小型 CLI + 库层，但目前仅处于探索阶段。

"S-Collide" / SuCo：何时使用（研究）

如果"S-Collide"指的是 SuCo（Subspace Collision）：这是一种近似最近邻检索方法，通过在子空间中使用学习/结构化碰撞来实现强召回率/延迟权衡（论文：arXiv 2411.14754, 2024）。

对于 ~/.openclaw/workspace 的务实建议：

• 不要从 SuCo 开始。
• 从 SQLite FTS +（可选的）简单嵌入开始；你将立即获得大部分用户体验收益。
• 仅在以下情况时考虑 SuCo/HNSW/ScaNN 级别的方案：
  • 语料库很大（数万/数十万个片段）
  • 暴力嵌入搜索变得太慢
  • 召回质量明显受限于词法搜索

离线友好的替代方案（按复杂度递增）：

• SQLite FTS5 + 元数据过滤（零 ML）
• 嵌入 + 暴力搜索（如果片段数量少，效果出乎意料地好）
• HNSW 索引（常见、稳健；需要库绑定）
• SuCo（研究级别；如果有可嵌入的可靠实现则很有吸引力）

开放问题：

• 在你的机器（笔记本 + 台式机）上，最佳的离线嵌入模型是什么，用于"个人助手记忆"？
  • 如果已有 Ollama：使用本地模型进行嵌入；否则在工具链中附带一个小型嵌入模型。

最小可用试点

如果你想要一个最小但仍然有用的版本：

• 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。
• 仅在召回质量或规模有需求时才添加嵌入。

参考资料

• Letta / MemGPT 概念："核心记忆块" + "归档记忆" + 工具驱动的自编辑记忆。
• Hindsight 技术报告："retain / recall / reflect"、四网络记忆、叙事性事实提取、观点置信度演变。
• SuCo：arXiv 2411.14754 (2024)："Subspace Collision" 近似最近邻检索。