Память рабочего пространства v2 (оффлайн): исследовательские заметки

Цель: Рабочее пространство в стиле Clawd (agents.defaults.workspace, по умолчанию ~/.openclaw/workspace), где "память" хранится как один файл Markdown в день (memory/YYYY-MM-DD.md) плюс небольшой набор стабильных файлов (например, memory.md, SOUL.md).

Этот документ предлагает архитектуру памяти с приоритетом оффлайн, которая сохраняет Markdown как канонический, проверяемый источник истины, но добавляет структурированное воспроизведение (поиск, сводки по сущностям, обновления уверенности) через производный индекс.

Зачем менять?

Текущая настройка (один файл в день) отлично подходит для:

  • Журналирования "только добавление"
  • Редактирования человеком
  • Надежности и аудируемости на основе git
  • Низкой фрикционности захвата ("просто запишите")

Слабые стороны:

  • Высокая полнота извлечения ("что мы решили о X?", "когда мы в последний раз пробовали Y?")
  • Ответы, ориентированные на сущности ("расскажи мне об Alice / The Castle / warelay") без перечитывания многих файлов
  • Стабильность мнения/предпочтения (и доказательства, когда оно меняется)
  • Временные ограничения ("что было правдой в ноябре 2025?") и разрешение конфликтов

Цели дизайна

  • Оффлайн: работает без сети; может работать на ноутбуке/Castle; без зависимости от облака
  • Объяснимо: извлеченные элементы должны быть атрибутируемыми (файл + местоположение) и отделимыми от вывода
  • Низкие церемонии: ежедневное логирование остается Markdown, без тяжелой работы со схемой
  • Инкрементально: v1 полезен только с FTS; семантический/векторный и графы являются опциональными обновлениями
  • Дружелюбно к агенту: упрощает "воспроизведение в рамках бюджета токенов" (возвращает небольшие пакеты фактов)

Модель Полярной звезды (Hindsight × Letta)

Две части для смешивания:

Контрольный цикл в стиле Letta/MemGPT

  • Всегда держите небольшое "ядро" в контексте (персона + ключевые факты о пользователе)
  • Все остальное вне контекста и извлекается через инструменты
  • Записи в память — это явные вызовы инструментов (append/replace/insert), сохраняются, затем повторно вводятся в следующем ходе

Субстрат памяти в стиле Hindsight

  • Разделить наблюдаемое vs верованное vs суммированное
  • Поддержка retain/recall/reflect
  • Мнения с уверенностью, которые могут эволюционировать с доказательствами
  • Извлечение с учетом сущностей + временные запросы (даже без полных графов знаний)

Предлагаемая архитектура (Markdown как источник истины + производный индекс)

Канонический магазин (git-дружественный)

Сохраните ~/.openclaw/workspace как каноническую человекочитаемую память.

Предлагаемая структура рабочего пространства:

~/.openclaw/workspace/
  memory.md                # маленький: долговечные факты + предпочтения (core-ish)
  memory/
    YYYY-MM-DD.md          # ежедневный лог (добавление; нарратив)
  bank/                    # "типизированные" страницы памяти (стабильные, проверяемые)
    world.md               # объективные факты о мире
    experience.md          # что делал агент (от первого лица)
    opinions.md            # субъективные предпочтения/суждения + уверенность + указатели на доказательства
    entities/
      Peter.md
      The-Castle.md
      warelay.md
      ...

Примечания:

  • Ежедневный лог остается ежедневным логом. Нет необходимости превращать его в JSON
  • Файлы bank/ курируются, создаются заданиями рефлексии и все еще могут редактироваться вручную
  • memory.md остается "маленьким + core-ish": то, что вы хотите, чтобы Clawd видел в каждой сессии

Производный магазин (машинное воспроизведение)

Добавьте производный индекс под рабочим пространством (не обязательно отслеживается git):

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

Поддерживается:

  • Схема SQLite для фактов + связи сущностей + метаданные мнений
  • SQLite FTS5 для лексического воспроизведения (быстро, крошечно, оффлайн)
  • Опциональная таблица встраиваний для семантического воспроизведения (все еще оффлайн)

Индекс всегда восстанавливается из Markdown.

Retain / Recall / Reflect (операционный цикл)

Retain: нормализация ежедневных логов в "факты"

Ключевая идея Hindsight, которая здесь важна: хранить нарративные, самодостаточные факты, а не крошечные фрагменты.

Практическое правило для memory/YYYY-MM-DD.md:

  • В конце дня (или во время), добавьте секцию ## Retain с 2–5 пунктами, которые:
    • Нарративны (сохранен контекст между ходами)
    • Самодостаточны (имеют смысл позже как самостоятельные)
    • Помечены типом + упоминаниями сущностей

Пример:

## Retain
- W @Peter: В настоящее время в Марракеше (27 ноября – 1 декабря 2025) на день рождения Энди.
- B @warelay: Я исправил сбой Baileys WS, обернув обработчики connection.update в try/catch (см. memory/2025-11-27.md).
- O(c=0.95) @Peter: Предпочитает краткие ответы (<1500 символов) в WhatsApp; длинный контент идет в файлы.

Минимальный парсинг:

  • Префикс типа: W (мир), B (опыт/биографический), O (мнение), S (наблюдение/сводка; обычно генерируется)
  • Сущности: @Peter, @warelay и т. д. (слаги отображаются в bank/entities/*.md)
  • Уверенность мнения: O(c=0.0..1.0) опционально

Если вы не хотите, чтобы авторы об этом думали: задание рефлексии может вывести эти пункты из остальной части лога, но наличие явной секции ## Retain — самый простой "рычаг качества".

Recall: запросы к производному индексу

Воспроизведение должно поддерживать:

  • Лексическое: "найти точные термины / имена / команды" (FTS5)
  • Сущность: "расскажи мне об X" (страницы сущностей + факты, связанные с сущностями)
  • Временное: "что случилось около 27 ноября" / "с прошлой недели"
  • Мнение: "что предпочитает Питер?" (с уверенностью + доказательствами)

Формат возврата должен быть дружелюбным к агенту и ссылаться на источники:

  • kind (world|experience|opinion|observation)
  • timestamp (исходный день или извлеченный временной диапазон, если присутствует)
  • entities (["Peter","warelay"])
  • content (нарративный факт)
  • source (memory/2025-11-27.md#L12 и т.д.)

Reflect: создание стабильных страниц + обновление убеждений

Рефлексия — это запланированное задание (ежедневное или heartbeat ultrathink), которое:

  • Обновляет bank/entities/*.md из недавних фактов (сводки по сущностям)
  • Обновляет уверенность bank/opinions.md на основе подкрепления/противоречия
  • Опционально предлагает правки в memory.md ("core-ish" долговечные факты)

Эволюция мнения (простая, объяснимая):

  • У каждого мнения есть:

    • Утверждение
    • Уверенность c ∈ [0,1]
    • last_updated
    • Ссылки на доказательства (поддерживающие + противоречащие ID фактов)

  • Когда прибывают новые факты:

    • Найти кандидатов мнений по перекрытию сущностей + сходству (сначала FTS, позже встраивания)
    • Обновить уверенность небольшими дельтами; большие скачки требуют сильного противоречия + повторяющихся доказательств

Интеграция CLI: автономная vs глубокая интеграция

Рекомендация: глубокая интеграция в OpenClaw, но сохранение отделяемой основной библиотеки.

Почему интегрироваться в OpenClaw?

  • OpenClaw уже знает:

    • Путь к рабочему пространству (agents.defaults.workspace)
    • Модель сессии + heartbeats
    • Паттерны логирования + устранения неполадок

  • Вы хотите, чтобы сам агент вызывал инструменты:

    • openclaw memory recall "…" --k 25 --since 30d
    • openclaw memory reflect --since 7d

Почему все же разделить библиотеку?

  • Сохранить логику памяти тестируемой без gateway/runtime
  • Повторное использование из других контекстов (локальные скрипты, будущее настольное приложение и т.д.)

Форма: Инструментарий памяти предназначен быть небольшим слоем CLI + библиотека, но это только исследовательское.

"S-Collide" / SuCo: когда использовать (исследование)

Если "S-Collide" относится к SuCo (Subspace Collision): это подход извлечения ANN, который нацелен на сильные компромиссы recall/latency, используя обученные/структурированные столкновения в подпространствах (статья: arXiv 2411.14754, 2024).

Прагматический взгляд для ~/.openclaw/workspace:

  • Не начинайте с SuCo
  • Начните с SQLite FTS + (опционально) простые встраивания; вы сразу получите большинство UX побед
  • Рассматривайте решения класса SuCo/HNSW/ScaNN только когда:
    • Корпус большой (десятки/сотни тысяч фрагментов)
    • Поиск встраиваний методом перебора становится слишком медленным
    • Качество воспроизведения значительно ограничено лексическим поиском

Оффлайн-дружественные альтернативы (в порядке возрастания сложности):

  1. SQLite FTS5 + фильтры метаданных (нулевой ML)
  2. Встраивания + перебор (работает удивительно далеко, если количество фрагментов низкое)
  3. Индекс HNSW (распространенный, надежный; требует привязки библиотеки)
  4. SuCo (исследовательского уровня; привлекателен, если есть надежная реализация, которую можно встроить)

Открытый вопрос:

  • Какая лучшая оффлайн модель встраивания для "памяти личного помощника" на ваших машинах (ноутбук + настольный компьютер)?
  • Если у вас уже есть Ollama: встраивайте с локальной моделью; в противном случае поставьте небольшую модель встраивания в инструментальной цепочке

Минимальный полезный пилот

Если вы хотите минимальную, но все еще полезную версию:

  • Добавьте страницы сущностей bank/ и секцию ## Retain в ежедневных логах
  • Используйте SQLite FTS для воспроизведения с цитатами (путь + номера строк)
  • Добавляйте встраивания только если качество воспроизведения или масштаб требуют этого

Ссылки

  • Концепции Letta / MemGPT: "блоки основной памяти" + "архивная память" + самоедактирующая память, управляемая инструментами
  • Технический отчет Hindsight: "retain / recall / reflect", четырехсетевая память, извлечение нарративных фактов, эволюция уверенности мнений
  • SuCo: arXiv 2411.14754 (2024): извлечение приблизительного ближайшего соседа "Subspace Collision"
← Назад к документации