​

Workspace Memory v2 (offline): notatki badawcze

​

Dlaczego zmiana?

• dziennikowaniu „append-only”
• edycji przez człowieka
• trwałość zabezpieczona gitem + możliwość kontroli
• niskim progu zapisu („po prostu to zapisz”)

• wyszukiwaniu o wysokiej kompletności („co ustaliliśmy w sprawie X?”, „kiedy ostatnio próbowaliśmy Y?”)
• odpowiedziach zorientowanych na encje („opowiedz mi o Alice / The Castle / warelay”) bez ponownego czytania wielu plików
• stabilności opinii/preferencji (oraz dowodach, gdy się zmieniają)
• ograniczeniach czasowych („co było prawdą w listopadzie 2025?”) i rozwiązywaniu konfliktów

​

Cele projektowe

• Offline: działa bez sieci; może działać na laptopie/Castle; brak zależności od chmury.
• Wyjaśnialność: odzyskane elementy powinny mieć atrybucję (plik + lokalizacja) i być oddzielne od wnioskowania.
• Niska ceremonialność: dzienne logowanie pozostaje w Markdown, bez ciężkich schematów.
• Inkrementalność: v1 jest użyteczne już z samym FTS; semantyka/wektory i grafy to opcjonalne rozszerzenia.
• Przyjazność dla agentów: ułatwia „przywoływanie w ramach budżetów tokenów” (zwracanie małych pakietów faktów).

​

Model północnej gwiazdy (Hindsight × Letta)

1. Pętla kontrolna w stylu Letta/MemGPT

• utrzymuj mały „rdzeń” zawsze w kontekście (persona + kluczowe fakty o użytkowniku)
• cała reszta jest poza kontekstem i pobierana przez narzędzia
• zapisy pamięci są jawnymi wywołaniami narzędzi (append/replace/insert), utrwalane, a następnie ponownie wstrzykiwane w następnej turze

2. Podłoże pamięci w stylu Hindsight

• rozdzielenie tego, co zaobserwowane, od tego, w co się wierzy, i od tego, co jest podsumowane
• wsparcie dla retain/recall/reflect
• opinie z nośnikiem pewności, które mogą ewoluować wraz z dowodami
• przywoływanie świadome encji + zapytania temporalne (nawet bez pełnych grafów wiedzy)

​

Proponowana architektura (Markdown jako źródło prawdy + indeks pochodny)

​

Sklep kanoniczny (przyjazny dla gita)

~/.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
      ...

• Dzienny log pozostaje dziennym logiem. Nie ma potrzeby zamiany na JSON.
• Pliki bank/ są kuratorowane, tworzone przez zadania refleksji i nadal mogą być edytowane ręcznie.
• memory.md pozostaje „małe + rdzeniowe”: rzeczy, które chcesz, aby Clawd widział w każdej sesji.

​

Sklep pochodny (przywoływanie maszynowe)

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

• schemacie SQLite dla faktów + powiązań encji + metadanych opinii
• SQLite FTS5 do przywoływania leksykalnego (szybkie, małe, offline)
• opcjonalnej tabeli embeddingów do przywoływania semantycznego (również offline)

​

Retain / Recall / Reflect (pętla operacyjna)

​

Retain: normalizacja dziennych logów do „faktów”

• na koniec dnia (lub w trakcie) dodaj sekcję ## Retain z 2–5 punktami, które są:
  • narracyjne (zachowany kontekst wieloturnowy)
  • samodzielne (mają sens później w oderwaniu)
  • oznaczone typem + wzmiankami o encjach

## 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.

• Prefiks typu: W (świat), B (doświadczenie/biograficzne), O (opinia), S (obserwacja/podsumowanie; zwykle generowane)
• Encje: @Peter, @warelay itd. (slug mapuje do bank/entities/*.md)
• Pewność opinii: O(c=0.0..1.0) opcjonalnie

​

Recall: zapytania nad indeksem pochodnym

• leksykalne: „znajdź dokładne terminy / nazwy / polecenia” (FTS5)
• encje: „opowiedz mi o X” (strony encji + fakty powiązane z encjami)
• temporalne: „co wydarzyło się około 27 listopada” / „od zeszłego tygodnia”
• opinie: „co preferuje Peter?” (z pewnością + dowodami)

• kind (world|experience|opinion|observation)
• timestamp (dzień źródłowy lub wyekstrahowany zakres czasu, jeśli obecny)
• entities (["Peter","warelay"])
• content (fakt narracyjny)
• source (memory/2025-11-27.md#L12 itd.)

​

Reflect: tworzenie stabilnych stron + aktualizacja przekonań

• aktualizuje bank/entities/*.md na podstawie ostatnich faktów (podsumowania encji)
• aktualizuje pewność bank/opinions.md na podstawie wzmocnień/sprzeczności
• opcjonalnie proponuje edycje memory.md („rdzeniowe” trwałe fakty)

• każda opinia ma:
  • stwierdzenie
  • pewność c ∈ [0,1]
  • last_updated
  • linki do dowodów (wspierające + sprzeczne identyfikatory faktów)
• gdy pojawiają się nowe fakty:
  • znajdź kandydackie opinie według nakładania encji + podobieństwa (najpierw FTS, później embeddingi)
  • aktualizuj pewność małymi deltami; duże skoki wymagają silnej sprzeczności + powtarzalnych dowodów

​

Integracja CLI: samodzielna vs głęboka integracja

​

Dlaczego integrować z OpenClaw?

• OpenClaw już zna:
  • ścieżkę obszaru roboczego (agents.defaults.workspace)
  • model sesji + heartbeat
  • wzorce logowania i rozwiązywania problemów
• Chcesz, aby sam agent wywoływał narzędzia:
  • openclaw memory recall "…" --k 25 --since 30d
  • openclaw memory reflect --since 7d

​

Dlaczego mimo to wydzielić bibliotekę?

• utrzymać logikę pamięci testowalną bez gateway/runtime
• ponowne użycie w innych kontekstach (skrypty lokalne, przyszła aplikacja desktopowa itd.)

​

„S-Collide” / SuCo: kiedy używać (badania)

• nie zaczynaj od SuCo.
• zacznij od SQLite FTS + (opcjonalnie) prostych embeddingów; natychmiast uzyskasz większość korzyści UX.
• rozważ rozwiązania klasy SuCo/HNSW/ScaNN dopiero wtedy, gdy:
  • korpus jest duży (dziesiątki/setki tysięcy fragmentów)
  • brutalne przeszukiwanie embeddingów staje się zbyt wolne
  • jakość przywoływania jest realnie ograniczana przez wyszukiwanie leksykalne

• SQLite FTS5 + filtry metadanych (zero ML)
• Embeddingi + brute force (działa zaskakująco daleko przy małej liczbie fragmentów)
• Indeks HNSW (powszechny, solidny; wymaga powiązania biblioteki)
• SuCo (badawczy; atrakcyjny, jeśli istnieje solidna implementacja możliwa do osadzenia)

• jaki jest najlepszy model embeddingów offline dla „pamięci osobistego asystenta” na Twoich maszynach (laptop + desktop)?
  • jeśli masz już Ollama: twórz embeddingi lokalnym modelem; w przeciwnym razie dołącz mały model embeddingów do toolchainu.

​

Najmniejszy użyteczny pilot

• Dodaj strony encji bank/ oraz sekcję ## Retain w dziennych logach.
• Użyj SQLite FTS do przywoływania z cytowaniami (ścieżka + numery linii).
• Dodaj embeddingi tylko wtedy, gdy jakość przywoływania lub skala tego wymagają.

​

Odniesienia

• Koncepcje Letta / MemGPT: „core memory blocks” + „archival memory” + pamięć samoredagująca sterowana narzędziami.
• Raport techniczny Hindsight: „retain / recall / reflect”, pamięć czterosieciowa, ekstrakcja faktów narracyjnych, ewolucja pewności opinii.
• SuCo: arXiv 2411.14754 (2024): „Subspace Collision” – przybliżone wyszukiwanie najbliższych sąsiadów.