Passer au contenu principal

​
Memoire d’espace de travail v2 (hors ligne) : notes de recherche

Cible : espace de travail de style Clawd (agents.defaults.workspace, par defaut ~/.openclaw/workspace) ou la « memoire » est stockee sous forme d’un fichier Markdown par jour (memory/YYYY-MM-DD.md) plus un petit ensemble de fichiers stables (par ex. memory.md, SOUL.md). Ce document propose une architecture de memoire offline-first qui conserve Markdown comme source de verite canonique et revisable, tout en ajoutant un rappel structure (recherche, resumes d’entites, mises a jour de confiance) via un index derive.

​
Pourquoi changer ?

La configuration actuelle (un fichier par jour) est excellente pour :
  • la journalisation « append-only »
  • l’edition humaine
  • la durabilite + l’auditabilite via git
  • la capture a faible friction (« il suffit de l’ecrire »)
Elle est faible pour :
  • la recuperation a fort rappel (« qu’avons-nous decide a propos de X ? », « la derniere fois que nous avons essaye Y ? »)
  • les reponses centrees sur les entites (« parle-moi d’Alice / The Castle / warelay ») sans relire de nombreux fichiers
  • la stabilite des opinions/preferences (et les preuves lors des changements)
  • les contraintes temporelles (« qu’est-ce qui etait vrai en nov. 2025 ? ») et la resolution des conflits

​
Objectifs de conception

  • Hors ligne : fonctionne sans reseau ; peut s’executer sur un ordinateur portable/Castle ; aucune dependance au cloud.
  • Explicable : les elements recuperes doivent etre attribuables (fichier + emplacement) et separables de l’inference.
  • Faible ceremonie : la journalisation quotidienne reste en Markdown, sans schema lourd.
  • Incremental : la v1 est utile avec la FTS uniquement ; le semantique/vectoriel et les graphes sont des evolutions optionnelles.
  • Compatible agent : facilite le « rappel dans des budgets de tokens » (retourner de petits ensembles de faits).

​
Modele « north star » (Hindsight × Letta)

Deux pieces a combiner :
  1. Boucle de controle de type Letta/MemGPT
  • conserver un petit « noyau » toujours en contexte (persona + faits cles utilisateur)
  • tout le reste est hors contexte et recupere via des outils
  • les ecritures de memoire sont des appels d’outils explicites (append/replace/insert), persistes, puis reinjectes au tour suivant
  1. Substrat de memoire de type Hindsight
  • separer ce qui est observe de ce qui est cru de ce qui est resume
  • prendre en charge retain/recall/reflect
  • des opinions porteuses de confiance qui peuvent evoluer avec les preuves
  • recuperation consciente des entites + requetes temporelles (meme sans graphes de connaissances complets)

​
Architecture proposee (source de verite Markdown + index derive)

​
Magasin canonique (convivial)

Conserver ~/.openclaw/workspace comme memoire canonique lisible par l’humain. Disposition suggeree de l’espace de travail : 
~/.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
      ...
Notes :
  • Le journal quotidien reste un journal quotidien. Pas besoin de le transformer en JSON.
  • Les fichiers bank/ sont organises, produits par des taches de reflexion, et peuvent toujours etre edites a la main.
  • memory.md reste « petit + proche du noyau » : les elements que vous voulez que Clawd voie a chaque session.

​
Stockage derive (rappel machine)

Ajouter un index derive sous l’espace de travail (pas necessairement suivi par git) : 
~/.openclaw/workspace/.memory/index.sqlite
Revenir avec :
  • un schema SQLite pour les faits + liens d’entites + metadonnees d’opinions
  • SQLite FTS5 pour le rappel lexical (rapide, leger, hors ligne)
  • une table d’embeddings optionnelle pour le rappel semantique (toujours hors ligne)
L’index est toujours reconstructible a partir du Markdown.

​
Retain / Recall / Reflect (boucle operationnelle)

​
Retain : normaliser les journaux quotidiens en « faits »

L’intuition cle de Hindsight ici : stocker des faits narratifs et autonomes, pas de minuscules extraits. Regle pratique pour memory/YYYY-MM-DD.md :
  • en fin de journee (ou pendant), ajouter une section ## Retain avec 2 a 5 puces qui sont :
    • narratives (le contexte inter-tours est preserve)
    • autonomes (compréhensibles plus tard, seules)
    • etiquetees avec un type + des mentions d’entites
Exemple : 
## 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.
Analyse minimale :
  • Prefixe de type : W (monde), B (experience/biographique), O (opinion), S (observation/resume ; generalement genere)
  • Entites : @Peter, @warelay, etc. (les slugs correspondent a bank/entities/*.md)
  • Confiance de l’opinion : O(c=0.0..1.0) optionnelle
Si vous ne voulez pas que les auteurs y pensent : la tache de reflexion peut inferer ces puces a partir du reste du journal, mais disposer d’une section ## Retain explicite est le levier de qualite le plus simple.

​
Recall : requetes sur l’index derive

Le rappel doit prendre en charge :
  • lexical : « trouver des termes/noms/commandes exacts » (FTS5)
  • entite : « parle-moi de X » (pages d’entites + faits lies aux entites)
  • temporel : « que s’est-il passe autour du 27 nov. » / « depuis la semaine derniere »
  • opinion : « que prefere Peter ? » (avec confiance + preuves)
Le format de retour doit etre compatible agent et citer les sources :
  • kind (world|experience|opinion|observation)
  • timestamp (jour source, ou plage temporelle extraite si presente)
  • entities (["Peter","warelay"])
  • content (le fait narratif)
  • source (memory/2025-11-27.md#L12 etc.)

​
Reflect : produire des pages stables + mettre a jour les croyances

La reflexion est une tache planifiee (quotidienne ou heartbeat ultrathink) qui :
  • met a jour bank/entities/*.md a partir des faits recents (resumes d’entites)
  • met a jour la confiance de bank/opinions.md en fonction des renforcements/contradictions
  • propose eventuellement des modifications a memory.md (faits durables « proches du noyau »)
Evolution des opinions (simple, explicable) :
  • chaque opinion a :
    • instruction
    • une confiance c ∈ [0,1]
    • un last_updated
    • des liens de preuves (IDs de faits a l’appui + contradictoires)
  • lorsque de nouveaux faits arrivent :
    • trouver des opinions candidates par recouvrement d’entites + similarite (FTS d’abord, embeddings ensuite)
    • mettre a jour la confiance par petits deltas ; les grands sauts exigent une forte contradiction + des preuves repetees

​
Integration CLI : autonome vs integration profonde

Recommandation : integration profonde dans OpenClaw, tout en conservant une bibliotheque cœur separable.

​
Pourquoi integrer dans OpenClaw ?

  • OpenClaw connait deja :
    • le chemin de l’espace de travail (agents.defaults.workspace)
    • le modele de session + les heartbeats
    • les patterns de journalisation + de depannage
  • Vous voulez que l’agent lui-meme appelle les outils :
    • openclaw memory recall "…" --k 25 --since 30d
    • openclaw memory reflect --since 7d

​
Pourquoi quand meme separer une bibliotheque ?

  • garder la logique de memoire testable sans passerelle/runtime
  • reutiliser dans d’autres contextes (scripts locaux, future application desktop, etc.)
Forme : L’outillage memoire est concu comme une petite couche CLI + bibliotheque, mais cela reste exploratoire.

​
« S-Collide » / SuCo : quand l’utiliser (recherche)

Si « S-Collide » designe SuCo (Subspace Collision) : c’est une approche de recuperation ANN qui vise de forts compromis rappel/latence en utilisant des collisions apprises/structurees dans des sous-espaces (article : arXiv 2411.14754, 2024). Position pragmatique pour ~/.openclaw/workspace :
  • ne commencez pas avec SuCo.
  • commencez avec SQLite FTS + (optionnellement) des embeddings simples ; vous obtiendrez immediatement la plupart des gains UX.
  • envisagez des solutions de classe SuCo/HNSW/ScaNN uniquement lorsque :
    • le corpus est volumineux (des dizaines/centaines de milliers de fragments)
    • la recherche par embeddings en force brute devient trop lente
    • la qualite de rappel est reellement limitee par la recherche lexicale
Alternatives compatibles hors ligne (par complexite croissante) :
  • SQLite FTS5 + filtres de metadonnees (zero ML)
  • Embeddings + force brute (va etonnamment loin si le nombre de fragments est faible)
  • Index HNSW (courant, robuste ; necessite une liaison de bibliotheque)
  • SuCo (niveau recherche ; attractif s’il existe une implementation solide integrable)
Question ouverte :
  • quel est le meilleur modele d’embeddings hors ligne pour une « memoire d’assistant personnel » sur vos machines (portable + bureau) ?
    • si vous avez deja Ollama : produire les embeddings avec un modele local ; sinon, embarquer un petit modele d’embeddings dans la chaine d’outils.

​
Plus petit pilote utile

Si vous voulez une version minimale mais utile :
  • Ajouter des pages d’entites bank/ et une section ## Retain dans les journaux quotidiens.
  • Utiliser SQLite FTS pour le rappel avec citations (chemin + numeros de ligne).
  • Ajouter des embeddings uniquement si la qualite de rappel ou l’echelle l’exigent.

​
Références

  • Concepts Letta / MemGPT : « core memory blocks » + « archival memory » + memoire auto-editable pilotee par outils.
  • Rapport technique Hindsight : « retain / recall / reflect », memoire a quatre reseaux, extraction de faits narratifs, evolution de la confiance des opinions.
  • SuCo : arXiv 2411.14754 (2024) : « Subspace Collision » pour la recuperation de plus proches voisins approximate.