工作区记忆研究

​

为什么要改变？

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

• 高召回率检索（“我们对 X 做了什么决定？”、“上次我们尝试 Y 时？”）
• 以实体为中心的答案（“告诉我关于 Alice / The Castle / warelay 的信息”）而无需重读多个文件
• 观点/偏好稳定性（以及变化时的证据）
• 时间约束（“2025 年 11 月期间什么是真实的？“）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，无需繁重的 schema 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。
• 对智能体友好：使”在 token 预算内回忆”变得简单（返回小型事实包）。

​

北极星模型（Hindsight × Letta）

1. Letta/MemGPT 风格的控制循环

• 保持一个小的”核心”始终在上下文中（角色 + 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（append/replace/insert），持久化后在下一轮重新注入

2. 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
• 带有置信度的观点可以随证据演变
• 实体感知检索 + 时间查询（即使没有完整的知识图谱）

​

提议的架构（Markdown 数据源 + 派生索引）

​

规范存储（git 友好）

~/.openclaw/workspace/
  memory.md                    # 小型：持久事实 + 偏好（类似核心）
  memory/
    YYYY-MM-DD.md              # 每日日志（追加；叙事）
  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
      ...

• 每日日志保持为每日日志。无需将其转换为 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 + 类似核心”：你希望 Clawd 每次会话都能看到的内容。

​

派生存储（机器回忆）

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

• 用于事实 + 实体链接 + 观点元数据的 SQLite schema
• SQLite FTS5 用于词法回忆（快速、小巧、离线）
• 可选的嵌入表用于语义回忆（仍然离线）

​

Retain / Recall / Reflect（操作循环）

​

Retain：将每日日志规范化为”事实”

• 在一天结束时（或期间），添加一个 ## Retain 部分，包含 2-5 个要点：
  • 叙事性（保留跨轮上下文）
  • 自包含（独立时也有意义）
  • 标记类型 + 实体提及

## 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.

• 类型前缀：W（世界）、B（经历/传记）、O（观点）、S（观察/摘要；通常是生成的）
• 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

​

Recall：对派生索引的查询

• 词法：“查找精确的术语/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 日前后发生了什么”/“自上周以来”
• 观点：“Peter 偏好什么？“（带置信度 + 证据）

• kind（world|experience|opinion|observation）
• timestamp（来源日期，或如果存在则提取的时间范围）
• 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

• 根据最近的事实更新 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（“类似核心”的持久事实）的编辑

• 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（先 FTS，后嵌入）
  • 通过小幅增量更新置信度；大幅跳跃需要强矛盾 + 重复证据

​

CLI 集成：独立 vs 深度集成

​

为什么要集成到 OpenClaw？

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

​

为什么仍要分离库？

• 保持记忆逻辑可测试，无需 Gateway 网关/运行时
• 可从其他上下文重用（本地脚本、未来的桌面应用等）

​

“S-Collide” / SuCo：何时使用（研究）

• 不要从 SuCo 开始。
• 从 SQLite FTS +（可选的）简单嵌入开始；你会立即获得大部分 UX 收益。
• 仅在以下情况下考虑 SuCo/HNSW/ScaNN 级别的解决方案：
  • 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法搜索的瓶颈限制

• SQLite FTS5 + 元数据过滤（零 ML）
• 嵌入 + 暴力搜索（如果块数量低，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）

• 对于你的机器（笔记本 + 台式机）上的”个人助理记忆”，最佳的离线嵌入模型是什么？
  • 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嵌入模型。

​

最小可用试点

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

​

参考资料

• 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。