​

Workspace Memory v2 (offline): अनुसंधान नोट्स

​

परिवर्तन क्यों?

• “append‑only” जर्नलिंग
• मानव द्वारा संपादन
• git‑समर्थित टिकाऊपन + ऑडिटेबिलिटी
• कम घर्षण वाला कैप्चर (“बस लिख दो”)

• 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)
• 43. 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)

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

2. 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/
  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
      ...

• 45. 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)

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

• 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)

​

रिटेन / रिकॉल / रिफ्लेक्ट (ऑपरेशनल लूप)

​

Retain: दैनिक लॉग्स को “facts” में नॉर्मलाइज़ करें

• 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

## 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.

• 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

​

Recall: व्युत्पन्न इंडेक्स पर क्वेरीज़

• 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”
• 47. opinion: “Peter क्या पसंद करता है?” 48. (confidence + evidence के साथ)

• 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

• 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

• 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

​

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)

​

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

• 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

• 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)

• 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

• 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।