Workspace Memory v2（离线版）：研究笔记

目标：Clawd 风格的 Workspace（agents.defaults.workspace，默认为 ~/.openclaw/workspace），其中”记忆”以每天一个 Markdown 文件（memory/YYYY-MM-DD.md）的形式存储，外加一小组稳定文件（如 memory.md、SOUL.md）。

本文档提出了一个离线优先的记忆架构，保持 Markdown 作为规范的、可审查的真实来源，但通过派生索引添加结构化召回功能（搜索、实体摘要、置信度更新）。

为什么要改变？

当前设置（每天一个文件）非常适合：

  • “仅追加”式日志记录
  • 人工编辑
  • 基于 git 的持久性 + 可审计性
  • 低摩擦捕获（“直接写下来”）

但它在以下方面较弱：

  • 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”）而无需重新阅读许多文件
  • 观点/偏好的稳定性（以及变化时的证据）
  • 时间约束（“2025 年 11 月期间什么是真的？“）和冲突解决

设计目标

  • 离线：无需网络即可工作；可在笔记本电脑/Castle 上运行；无云依赖。
  • 可解释：检索的项目应该可归因（文件 + 位置）并与推理分离。
  • 低仪式感：每日日志保持 Markdown 格式，无需繁重的模式工作。
  • 增量式：v1 仅使用 FTS 就很有用；语义/向量和图是可选升级。
  • Agent 友好：使”在 Token 预算内召回”变得容易（返回小的事实包）。

北极星模型（Hindsight × Letta）

要融合的两个部分：

  1. Letta/MemGPT 风格的控制循环
  • 保持一个小的”核心”始终在 Context 中（角色 + 关键用户事实）
  • 其他所有内容都在 Context 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
  1. Hindsight 风格的记忆基底
  • 分离观察到的、相信的和总结的内容
  • 支持 retain/recall/reflect
  • 带置信度的观点，可随证据演化
  • 实体感知检索 + 时间查询（即使没有完整的知识图谱）

提议的架构（Markdown 真实来源 + 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 Workspace 布局：

~/.openclaw/workspace/
  memory.md                    # 小文件：持久事实 + 偏好（核心内容）
  memory/
    YYYY-MM-DD.md              # 每日日志（追加；叙述性）
  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              # Agent 做了什么（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
      ...

注意：

  • 每日日志保持每日日志。无需将其转换为 JSON。
  • bank/ 文件是精心策划的，由反思任务生成，仍然可以手动编辑。
  • memory.md 保持”小而核心”：你希望 Clawd 在每个 Session 中看到的内容。

派生存储（机器召回）

在 Workspace 下添加派生索引（不一定需要 git 跟踪）：

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

支持：

  • SQLite 模式用于事实 + 实体链接 + 观点元数据
  • SQLite FTS5 用于词法召回（快速、小巧、离线）
  • 可选的 Embeddings 表用于语义召回（仍然离线）

索引始终可从 Markdown 重建。

Retain / Recall / Reflect（操作循环）

Retain：将每日日志规范化为”事实”

Hindsight 的关键洞察：存储叙述性的、自包含的事实，而不是微小的片段。

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：
    • 叙述性（保留跨轮次的 Context）
    • 自包含（独立时也有意义）
    • 标记类型 + 实体提及

示例：

## Retain
- W @Peter: 目前在马拉喀什（2025 年 11 月 27 日至 12 月 1 日）参加 Andy 的生日。
- B @warelay: 我通过在 try/catch 中包装 connection.update 处理程序修复了 Baileys WS 崩溃（见 memory/2025-11-27.md）。
- O(c=0.95) @Peter: 更喜欢在 WhatsApp 上简洁的回复（<1500 字符）；长内容放入文件。

最小解析：

  • 类型前缀：W（世界）、B（经验/传记）、O（观点）、S（观察/摘要；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

如果你不想让作者考虑这个：反思任务可以从日志的其余部分推断这些要点，但有一个显式的 ## Retain 部分是最简单的”质量杠杆”。

Recall：对派生索引的查询

Recall 应该支持：

  • 词法：“查找确切的术语/名称/命令”（FTS5）
  • 实体：“告诉我关于 X 的信息”（实体页面 + 实体链接的事实）
  • 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？“（带置信度 + 证据）

返回格式应该是 Agent 友好的并引用来源：

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

Reflect：生成稳定页面 + 更新信念

反思是一个计划任务（每日或 Heartbeat ultrathink）：

  • 从最近的事实更新 bank/entities/*.md（实体摘要）
  • 根据强化/矛盾更新 bank/opinions.md 置信度
  • 可选地提议对 memory.md 的编辑（“核心”持久事实）

观点演化（简单、可解释）：

  • 每个观点有：
    • 陈述
    • 置信度 c ∈ [0,1]
    • last_updated
    • 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 + 相似性找到候选观点（首先 FTS，然后 Embeddings）
    • 通过小增量更新置信度；大跳跃需要强烈矛盾 + 重复证据

CLI 集成：独立 vs 深度集成

建议：深度集成到 OpenClaw，但保持可分离的核心库。

为什么集成到 OpenClaw？

  • OpenClaw 已经知道：
    • Workspace 路径（agents.defaults.workspace）
    • Session 模型 + Heartbeat
    • 日志 + 故障排除模式
  • 你希望 Agent 本身调用工具：
    • openclaw memory recall "…" --k 25 --since 30d
    • openclaw memory reflect --since 7d

为什么仍然拆分库？

  • 保持记忆逻辑可测试，无需 Gateway/Runtime
  • 从其他 Context 重用（本地脚本、未来的桌面应用等）

形式： 记忆工具旨在成为一个小型 CLI + 库层，但这只是探索性的。

“S-Collide” / SuCo：何时使用它（研究）

如果”S-Collide”指的是 SuCo（Subspace Collision）：这是一种 ANN 检索方法，通过在子空间中使用学习/结构化碰撞来实现强大的召回/延迟权衡（论文：arXiv 2411.14754，2024）。

对 ~/.openclaw/workspace 的务实看法：

  • 不要从 SuCo 开始。
  • 从 SQLite FTS +（可选）简单 Embeddings 开始；你会立即获得大部分 UX 优势。
  • 仅在以下情况下考虑 SuCo/HNSW/ScaNN 类解决方案：
    • 语料库很大（数万/数十万个块）
    • 暴力 Embedding 搜索变得太慢
    • 召回质量明显受词法搜索瓶颈限制

离线友好的替代方案（按复杂度递增）：

  • SQLite FTS5 + 元数据过滤器（零 ML）
  • Embeddings + 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（笔记本电脑 + 桌面）上，“个人助理记忆”的最佳离线 Embedding 模型是什么？
    • 如果你已经有 Ollama：使用本地模型嵌入；否则在工具链中附带一个小型 Embedding 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：

  • 在每日日志中添加 bank/ 实体页面和 ## Retain 部分。
  • 使用 SQLite FTS 进行带引用的召回（路径 + 行号）。
  • 仅在召回质量或规模需要时添加 Embeddings。

参考文献

  • Letta / MemGPT 概念：“核心记忆块”+“档案记忆”+ 工具驱动的自编辑记忆。
  • Hindsight 技术报告：“retain / recall / reflect”、四网络记忆、叙述性事实提取、观点置信度演化。
  • SuCo：arXiv 2411.14754（2024）：“子空间碰撞”近似最近邻检索。