मुख्य सामग्री पर जाएं

​
Workspace Memory v2 (offline): अनुसंधान नोट्स

लक्ष्य: Clawd‑शैली का वर्कस्पेस (agents.defaults.workspace, डिफ़ॉल्ट ~/.openclaw/workspace) जहाँ “मेमोरी” प्रति दिन एक Markdown फ़ाइल (memory/YYYY-MM-DD.md) के रूप में संग्रहीत होती है, साथ ही कुछ स्थिर फ़ाइलें (जैसे memory.md, SOUL.md) होती हैं। यह दस्तावेज़ एक offline‑first मेमोरी आर्किटेक्चर प्रस्तावित करता है जो Markdown को कैनोनिकल, समीक्षा‑योग्य स्रोत‑ऑफ़‑ट्रुथ बनाए रखता है, लेकिन एक व्युत्पन्न इंडेक्स के माध्यम से संरचित रिकॉल (खोज, एंटिटी सारांश, कॉन्फ़िडेंस अपडेट) जोड़ता है।

​
परिवर्तन क्यों?

वर्तमान सेटअप (प्रति दिन एक फ़ाइल) इन मामलों में उत्कृष्ट है:
  • “append‑only” जर्नलिंग
  • मानव द्वारा संपादन
  • git‑समर्थित टिकाऊपन + ऑडिटेबिलिटी
  • कम घर्षण वाला कैप्चर (“बस लिख दो”)
यह इन मामलों में कमज़ोर है:
  • उच्च‑रिकॉल पुनर्प्राप्ति (“हमने X के बारे में क्या तय किया?”, “पिछली बार Y कब आज़माया?”)
  • एंटिटी‑केंद्रित उत्तर (“Alice / The Castle / warelay के बारे में बताओ”) बिना कई फ़ाइलें दोबारा पढ़े
  • राय/प्राथमिकता की स्थिरता (और बदलने पर प्रमाण)
    1. समय संबंधी सीमाएँ (“Nov 2025 के दौरान क्या सत्य था?”) 44. और conflict resolution

​
डिज़ाइन के लक्ष्य

  • Offline: नेटवर्क के बिना काम करे; लैपटॉप/Castle पर चल सके; कोई क्लाउड निर्भरता नहीं।
  • Explainable: प्राप्त आइटम्स को एट्रिब्यूट किया जा सके (फ़ाइल + लोकेशन) और इनफ़ेरेंस से अलग रखा जा सके।
  • Low ceremony: दैनिक लॉगिंग Markdown ही रहे, भारी स्कीमा काम न हो।
  • Incremental: v1 केवल FTS के साथ भी उपयोगी; सेमांटिक/वेक्टर और ग्राफ़ वैकल्पिक अपग्रेड हों।
  • Agent‑friendly: “टोकन बजट के भीतर रिकॉल” को आसान बनाए (तथ्यों के छोटे बंडल लौटाए)।

​
नॉर्थ स्टार मॉडल (Hindsight × Letta)

दो हिस्सों का संयोजन:
  1. Letta/MemGPT‑शैली कंट्रोल लूप
  • एक छोटा “core” हमेशा कॉन्टेक्स्ट में रखें (persona + प्रमुख उपयोगकर्ता तथ्य)
  • बाकी सब कॉन्टेक्स्ट से बाहर रहे और टूल्स के माध्यम से रिकॉल हो
  • मेमोरी राइट्स स्पष्ट टूल कॉल्स हों (append/replace/insert), परसिस्ट हों, और अगली बारी में फिर से इंजेक्ट हों
  1. Hindsight‑शैली मेमोरी सब्सट्रेट
  • जो देखा गया बनाम जो माना गया बनाम जो सारांशित है—इनको अलग करें
  • retain/recall/reflect का समर्थन
  • कॉन्फ़िडेंस‑युक्त राय जो साक्ष्य के साथ विकसित हो सके
  • एंटिटी‑अवेयर रिकॉल + टेम्पोरल क्वेरीज़ (पूरे नॉलेज ग्राफ़ के बिना भी)

​
Proposed architecture (Markdown source‑of‑truth + derived index)

​
Canonical store (git‑friendly)

~/.openclaw/workspace को कैनोनिकल, मानव‑पठनीय मेमोरी के रूप में रखें। सुझाया गया वर्कस्पेस लेआउट: 
~/.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
      ...
नोट्स:
    1. Daily log stays daily log। 46. इसे JSON में बदलने की ज़रूरत नहीं है।
  • bank/ फ़ाइलें क्यूरेटेड होती हैं, रिफ़्लेक्शन जॉब्स द्वारा बनाई जाती हैं, और फिर भी हाथ से संपादित की जा सकती हैं।
  • memory.md “छोटा + core‑ish” बना रहता है: वे चीज़ें जिन्हें आप हर सत्र में Clawd को दिखाना चाहते हैं।

​
डिराइव्ड स्टोर (मशीन रिकॉल)

वर्कस्पेस के अंतर्गत एक व्युत्पन्न इंडेक्स जोड़ें (ज़रूरी नहीं कि git में ट्रैक हो): 
~/.openclaw/workspace/.memory/index.sqlite
इसके पीछे:
  • तथ्यों + एंटिटी लिंक + राय मेटाडेटा के लिए SQLite स्कीमा
  • लेक्सिकल रिकॉल के लिए SQLite FTS5 (तेज़, छोटा, ऑफ़लाइन)
  • सेमांटिक रिकॉल के लिए वैकल्पिक एम्बेडिंग्स टेबल (अब भी ऑफ़लाइन)
यह इंडेक्स हमेशा Markdown से पुनर्निर्माण‑योग्य होता है।

​
रिटेन / रिकॉल / रिफ्लेक्ट (ऑपरेशनल लूप)

​
Retain: दैनिक लॉग्स को “facts” में नॉर्मलाइज़ करें

Hindsight की मुख्य अंतर्दृष्टि जो यहाँ मायने रखती है: बहुत छोटे स्निपेट्स नहीं, बल्कि कथात्मक, आत्म‑निहित तथ्य संग्रहीत करें। memory/YYYY-MM-DD.md के लिए व्यावहारिक नियम:
  • दिन के अंत में (या दौरान), एक ## Retain सेक्शन जोड़ें जिसमें 2–5 बुलेट हों जो:
    • कथात्मक हों (क्रॉस‑टर्न कॉन्टेक्स्ट संरक्षित)
    • आत्म‑निहित हों (बाद में अकेले भी अर्थपूर्ण)
    • प्रकार + एंटिटी मेंशन से टैग किए गए हों
उदाहरण: 
## 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.
न्यूनतम पार्सिंग:
  • प्रकार प्रीफ़िक्स: W (world), B (experience/biographical), O (opinion), S (observation/summary; आमतौर पर जेनरेटेड)
  • एंटिटीज़: @Peter, @warelay, आदि (स्लग्स bank/entities/*.md से मैप होते हैं)
  • राय कॉन्फ़िडेंस: O(c=0.0..1.0) वैकल्पिक
यदि आप लेखकों को इस बारे में सोचने नहीं देना चाहते: रिफ़्लेक्ट जॉब बाकी लॉग से इन बुलेट्स को अनुमानित कर सकता है, लेकिन एक स्पष्ट ## Retain सेक्शन होना सबसे आसान “क्वालिटी लीवर” है।

​
Recall: व्युत्पन्न इंडेक्स पर क्वेरीज़

रिकॉल को समर्थन देना चाहिए:
  • lexical: “सटीक शब्द / नाम / कमांड खोजें” (FTS5)
  • entity: “X के बारे में बताओ” (एंटिटी पेज + एंटिटी‑लिंक्ड तथ्य)
  • temporal: “27 नवंबर के आसपास क्या हुआ” / “पिछले हफ़्ते से”
    1. opinion: “Peter क्या पसंद करता है?” 48. (confidence + evidence के साथ)
रिटर्न फ़ॉर्मेट एजेंट‑फ्रेंडली हो और स्रोत उद्धृत करे:
  • kind (world|experience|opinion|observation)
  • timestamp (स्रोत दिन, या यदि उपलब्ध हो तो निकाली गई समय‑सीमा)
  • entities (["Peter","warelay"])
  • content (कथात्मक तथ्य)
  • source (memory/2025-11-27.md#L12 आदि)

​
Reflect: स्थिर पेज बनाएँ + विश्वास अपडेट करें

रिफ़्लेक्शन एक शेड्यूल्ड जॉब है (दैनिक या हार्टबीट ultrathink) जो:
  • हालिया तथ्यों से bank/entities/*.md अपडेट करता है (एंटिटी सारांश)
  • सुदृढीकरण/विरोध के आधार पर bank/opinions.md कॉन्फ़िडेंस अपडेट करता है
  • वैकल्पिक रूप से memory.md (“core‑ish” टिकाऊ तथ्य) में संपादन प्रस्तावित करता है
राय का विकास (सरल, व्याख्येय):
  • प्रत्येक राय में होता है:
    • कथन
    • कॉन्फ़िडेंस c ∈ [0,1]
    • last_updated
    • साक्ष्य लिंक (समर्थक + विरोधी fact IDs)
  • जब नए तथ्य आते हैं:
    • एंटिटी ओवरलैप + समानता के आधार पर उम्मीदवार राय खोजें (पहले FTS, बाद में एम्बेडिंग्स)
    • छोटे डेल्टा से कॉन्फ़िडेंस अपडेट करें; बड़े जंप के लिए मजबूत विरोध + दोहराया गया साक्ष्य आवश्यक हो

​
CLI इंटीग्रेशन: स्टैंडअलोन बनाम डीप इंटीग्रेशन

सिफ़ारिश: OpenClaw में गहरी एकीकरण, लेकिन एक अलग किया जा सकने वाला कोर लाइब्रेरी रखें।

​
OpenClaw में एकीकृत क्यों करें?

  • OpenClaw पहले से जानता है:
    • वर्कस्पेस पाथ (agents.defaults.workspace)
    • सत्र मॉडल + हार्टबीट्स
    • लॉगिंग + समस्या‑निवारण पैटर्न
  • आप चाहते हैं कि एजेंट स्वयं टूल्स कॉल करे:
    • openclaw memory recall "…" --k 25 --since 30d
    • openclaw memory reflect --since 7d

​
फिर भी लाइब्रेरी अलग क्यों रखें?

  • मेमोरी लॉजिक को gateway/runtime के बिना टेस्टेबल रखना
  • अन्य संदर्भों से पुनः उपयोग (लोकल स्क्रिप्ट्स, भविष्य का डेस्कटॉप ऐप, आदि)
Shape: मेमोरी टूलिंग को एक छोटा CLI + लाइब्रेरी लेयर होना चाहिए, लेकिन यह केवल अन्वेषणात्मक है।

​
“S‑Collide” / SuCo: कब उपयोग करें (research)

यदि “S‑Collide” से आशय SuCo (Subspace Collision) है: यह एक ANN रिकॉल दृष्टिकोण है जो सबस्पेसेज़ में सीखे/संरचित collisions का उपयोग करके मजबूत रिकॉल/लेटेंसी ट्रेड‑ऑफ़ को लक्ष्य करता है (पेपर: arXiv 2411.14754, 2024)। ~/.openclaw/workspace के लिए व्यावहारिक निष्कर्ष:
  • SuCo से शुरुआत न करें।
  • SQLite FTS + (वैकल्पिक) सरल एम्बेडिंग्स से शुरू करें; तुरंत अधिकांश UX लाभ मिलेंगे।
  • SuCo/HNSW/ScaNN‑क्लास समाधानों पर तभी विचार करें जब:
    • कॉर्पस बड़ा हो (दसियों/सैकड़ों हज़ार चंक्स)
    • ब्रूट‑फ़ोर्स एम्बेडिंग खोज बहुत धीमी हो जाए
    • रिकॉल गुणवत्ता लेक्सिकल खोज से अर्थपूर्ण रूप से बाधित हो
ऑफ़लाइन‑फ्रेंडली विकल्प (जटिलता बढ़ते क्रम में):
  • SQLite FTS5 + मेटाडेटा फ़िल्टर्स (शून्य ML)
  • एम्बेडिंग्स + ब्रूट फ़ोर्स (कम चंक काउंट पर आश्चर्यजनक रूप से दूर तक काम करता है)
  • HNSW इंडेक्स (सामान्य, मज़बूत; लाइब्रेरी बाइंडिंग की आवश्यकता)
  • SuCo (रिसर्च‑ग्रेड; आकर्षक यदि एम्बेड करने योग्य ठोस इम्प्लीमेंटेशन हो)
खुला प्रश्न:
  • आपकी मशीनों (लैपटॉप + डेस्कटॉप) पर “पर्सनल असिस्टेंट मेमोरी” के लिए सबसे अच्छा ऑफ़लाइन एम्बेडिंग मॉडल कौन‑सा है?
    • यदि आपके पास पहले से Ollama है: लोकल मॉडल से एम्बेड करें; अन्यथा टूलचेन में एक छोटा एम्बेडिंग मॉडल शिप करें।

​
Smallest useful pilot

यदि आप एक न्यूनतम, फिर भी उपयोगी संस्करण चाहते हैं:
  • bank/ एंटिटी पेज और दैनिक लॉग्स में एक ## Retain सेक्शन जोड़ें।
  • उद्धरणों (पाथ + लाइन नंबर) के साथ रिकॉल के लिए SQLite FTS का उपयोग करें।
  • एम्बेडिंग्स केवल तब जोड़ें जब रिकॉल गुणवत्ता या स्केल इसकी माँग करे।

​
References

  • Letta / MemGPT अवधारणाएँ: “core memory blocks” + “archival memory” + टूल‑ड्रिवन self‑editing memory।
  • Hindsight Technical Report: “retain / recall / reflect”, चार‑नेटवर्क मेमोरी, कथात्मक तथ्य निष्कर्षण, राय कॉन्फ़िडेंस का विकास।
  • SuCo: arXiv 2411.14754 (2024): “Subspace Collision” approximate nearest neighbor retrieval।