> ## Documentation Index
> Fetch the complete documentation index at: https://openclaw.veiseule.ai/llms.txt
> Use this file to discover all available pages before exploring further.

# Forskning om arbetsyteminne

# Arbetsyteminne v2 (offline): forskningsanteckningar

Mål: Clawd-style arbetsyta (`agents.defaults.workspace`, standard `~/. penclaw/workspace`) där ”memory” lagras som en Markdown-fil per dag (`memory/YYYY-MM-DD.md`) plus en liten uppsättning stabila filer (t.ex. `memory.md`, `SOUL.md`).

Detta dokument föreslår en **offline-first**-minnesarkitektur som behåller Markdown som den kanoniska, granskbara källan för sanningen, men lägger till **strukturerad återkallelse** (sökning, entitetssammanfattningar, uppdatering av tillförlitlighet) via ett härlett index.

## Varför ändra?

Den nuvarande uppsättningen (en fil per dag) är utmärkt för:

* ”append-only”-journalföring
* mänsklig redigering
* git-backad hållbarhet + spårbarhet
* låg tröskel för insamling (”skriv bara ner det”)

Den är svag för:

* återhämtning med hög träffsäkerhet (”vad bestämde vi om X?”, ”senast vi provade Y?”)
* entitetscentrerade svar (”berätta om Alice / The Castle / warelay”) utan att läsa många filer
* stabilitet i åsikter/preferenser (och bevis när de ändras)
* tidsbegränsningar ("vad var sant under november 2025?") och konfliktlösning

## Designmål

* **Offline**: fungerar utan nätverk; kan köras på laptop/Castle; inget molnberoende.
* **Förklarbar**: hämtade objekt ska kunna härledas (fil + plats) och hållas isär från inferens.
* **Låg ceremoni**: daglig loggning förblir Markdown, inget tungt schemarbete.
* **Inkrementell**: v1 är användbar med enbart FTS; semantisk/vektor och grafer är valfria uppgraderingar.
* **Agentvänlig**: gör ”återkallelse inom tokenbudgetar” enkel (returnerar små buntar av fakta).

## North star-modell (Hindsight × Letta)

Två delar att blanda:

1. **Letta/MemGPT-stil kontrollloop**

* håll en liten ”kärna” alltid i kontext (persona + viktiga användarfakta)
* allt annat är utanför kontext och hämtas via verktyg
* minnesskrivningar är explicita verktygsanrop (append/replace/insert), persistenta och återinjiceras nästa tur

2. **Hindsight-stil minnessubstrat**

* separera vad som observeras vs vad som tros vs vad som sammanfattas
* stöd för retain/recall/reflect
* åsikter med tillförlitlighet som kan utvecklas med bevis
* entitetsmedveten återkallelse + temporala frågor (även utan fulla kunskapsgrafer)

## Föreslagen arkitektur (Markdown som källa för sanningen + härlett index)

### Kanonisk lagring (git-vänlig)

Behåll `~/.openclaw/workspace` som kanoniskt, människoläsbart minne.

Föreslagen arbetsytestruktur:

```
~/.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
      ...
```

Noteringar:

* **Daglig logg stannar daglig loggen**. Inget behov av att förvandla det till JSON.
* Filerna `bank/` är **kuraterade**, producerade av reflektionsjobb, och kan fortfarande redigeras för hand.
* `memory.md` förblir ”liten + kärnlik”: det du vill att Clawd ska se varje session.

### Härledd lagring (maskinell återkallelse)

Lägg till ett härlett index under arbetsytan (inte nödvändigtvis git-spårat):

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

Backa det med:

* SQLite-schema för fakta + entitetslänkar + åsiktsmetadata
* SQLite **FTS5** för lexikal återkallelse (snabbt, litet, offline)
* valfri tabell med inbäddningar för semantisk återkallelse (fortfarande offline)

Indexet är alltid **återuppbyggbart från Markdown**.

## Retain / Recall / Reflect (operativ loop)

### Retain: normalisera dagliga loggar till ”fakta”

Hindsights centrala insikt som spelar roll här: lagra **narrativa, självständiga fakta**, inte små fragment.

Praktisk regel för `memory/YYYY-MM-DD.md`:

* i slutet av dagen (eller under), lägg till ett avsnitt `## Retain` med 2–5 punkter som är:
  * narrativa (kontext över flera turer bevaras)
  * självständiga (kan stå för sig själva senare)
  * taggade med typ + entitetsomnämnanden

Exempel:

```
## 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.
```

Minimal parsning:

* Typprefix: `W` (värld), `B` (erfarenhet/biografiskt), `O` (åsikt), `S` (observation/sammanfattning; oftast genererad)
* Entiteter: `@Peter`, `@warelay`, etc (slugs mappar till `bank/entities/*.md`)
* Åsiktens tillförlitlighet: `O(c=0.0..1.0)` valfritt

Om du inte vill att författare ska behöva tänka på detta: reflektionsjobbet kan härleda dessa punkter från resten av loggen, men att ha ett explicit avsnitt `## Retain` är den enklaste ”kvalitetshävarmen”.

### Recall: frågor mot det härledda indexet

Återkallelse bör stödja:

* **lexikal**: ”hitta exakta termer / namn / kommandon” (FTS5)
* **entitet**: ”berätta om X” (entitetssidor + entitetslänkade fakta)
* **temporal**: ”vad hände runt 27 nov” / ”sedan förra veckan”
* **åsikt**: “Vad föredrar Petr?” (med självförtroende + bevis)

Returformatet bör vara agentvänligt och citera källor:

* `kind` (`world|experience|opinion|observation`)
* `timestamp` (källdag, eller extraherat tidsintervall om tillgängligt)
* `entities` (`["Peter","warelay"]`)
* `content` (det narrativa faktumet)
* `source` (`memory/2025-11-27.md#L12` etc)

### Reflect: producera stabila sidor + uppdatera övertygelser

Reflektion är ett schemalagt jobb (dagligen eller heartbeat `ultrathink`) som:

* uppdaterar `bank/entities/*.md` från nyliga fakta (entitetssammanfattningar)
* uppdaterar `bank/opinions.md`-tillförlitlighet baserat på förstärkning/motsägelse
* föreslår valfritt ändringar i `memory.md` (”kärnliknande” hållbara fakta)

Åsiktsutveckling (enkelt, förklarbart):

* varje åsikt har:
  * påstående
  * tillförlitlighet `c ∈ [0,1]`
  * last\_updated
  * evidenslänkar (stödjande + motsägande faktum-ID:n)
* när nya fakta anländer:
  * hitta kandidatåsikter via entitetsöverlapp + likhet (FTS först, inbäddningar senare)
  * uppdatera tillförlitlighet med små deltan; stora hopp kräver stark motsägelse + upprepat bevis

## CLI-integration: fristående vs djup integration

Rekommendation: **djup integration i OpenClaw**, men behåll ett separerbart kärnbibliotek.

### Varför integrera i OpenClaw?

* OpenClaw känner redan till:
  * arbetsytans sökväg (`agents.defaults.workspace`)
  * sessionsmodellen + heartbeats
  * loggning + felsökningsmönster
* Du vill att agenten själv ska anropa verktygen:
  * `openclaw memory recall "…" --k 25 --since 30d`
  * `openclaw memory reflect --since 7d`

### Varför ändå dela upp i ett bibliotek?

* hålla minneslogik testbar utan gateway/runtime
* återanvända från andra sammanhang (lokala skript, framtida desktopapp, etc.)

Form:
Minnesverktygen är tänkta att vara ett litet CLI + biblioteks­lager, men detta är enbart explorativt.

## ”S-Collide” / SuCo: när ska det användas (forskning)

Om ”S-Collide” syftar på **SuCo (Subspace Collision)**: det är en ANN-återhämtningsmetod som siktar på starka avvägningar mellan återkallelse/latens genom att använda inlärda/strukturerade kollisioner i delrum (artikel: arXiv 2411.14754, 2024).

Pragmatisk hållning för `~/.openclaw/workspace`:

* **börja inte** med SuCo.
* börja med SQLite FTS + (valfritt) enkla inbäddningar; du får de flesta UX-vinster direkt.
* överväg SuCo/HNSW/ScaNN-klassen av lösningar först när:
  * korpusen är stor (tiotusentals/hundratusentals segment)
  * brute-force-sökning över inbäddningar blir för långsam
  * återkallelsens kvalitet i meningsfull grad flaskhalsas av lexikal sökning

Offline-vänliga alternativ (i ökande komplexitet):

* SQLite FTS5 + metadatafilter (noll ML)
* Inbäddningar + brute force (fungerar förvånansvärt långt om antalet segment är lågt)
* HNSW-index (vanligt, robust; kräver en biblioteksbindning)
* SuCo (forskningsnivå; attraktivt om det finns en solid implementation du kan bädda in)

Öppen fråga:

* vilken är den **bästa** offline-inbäddningsmodellen för ”personlig assistent-minne” på dina maskiner (laptop + desktop)?
  * om du redan har Ollama: skapa inbäddningar med en lokal modell; annars skeppa en liten inbäddningsmodell i verktygskedjan.

## Minsta användbara pilot

Om du vill ha en minimal, ändå användbar version:

* Lägg till `bank/`-entitetssidor och ett avsnitt `## Retain` i dagliga loggar.
* Använd SQLite FTS för återkallelse med citeringar (sökväg + radnummer).
* Lägg till inbäddningar endast om återkallelsens kvalitet eller skala kräver det.

## Referenser

* Letta / MemGPT-koncept: ”core memory blocks” + ”archival memory” + verktygsdriven självredigerande minne.
* Hindsight Technical Report: ”retain / recall / reflect”, fyrnätverksminne, extraktion av narrativa fakta, utveckling av åsikters tillförlitlighet.
* SuCo: arXiv 2411.14754 (2024): ”Subspace Collision” approximativ närmaste-granne-återhämtning.