Workspace Memory v2 (offline): forskningsnoter¶

Mål: Clawd-lignende workspace (agents.defaults.workspace, standard ~/.openclaw/workspace), hvor “hukommelse” lagres som én Markdown-fil pr. dag (memory/YYYY-MM-DD.md) plus et lille sæt stabile filer (fx memory.md, SOUL.md).

Dette dokument foreslår en offline-first hukommelsesarkitektur, der bevarer Markdown som den kanoniske, gennemgåelige source-of-truth, men tilføjer struktureret genkaldelse (søgning, entitetssammendrag, konfidensopdateringer) via et afledt indeks.

Hvorfor ændre noget?¶

Den nuværende opsætning (én fil pr. dag) er fremragende til:

• “append-only” journalføring
• menneskelig redigering
• git-baseret holdbarhed + auditérbarhed
• lav friktion ved indfangning (“bare skriv det ned”)

Den er svag til:

• genfinding med høj recall (“hvad besluttede vi om X?”, “sidste gang vi prøvede Y?”)
• entitetscentrerede svar (“fortæl mig om Alice / The Castle / warelay”) uden at genlæse mange filer
• stabilitet i holdninger/præferencer (og evidens, når de ændrer sig)
• tidsbegrænsninger (“hvad der var sandt i løbet af Nov 2025?”) og konfliktløsning

Designmål¶

• Offline: fungerer uden netværk; kan køre på laptop/Castle; ingen cloud-afhængighed.
• Forklarbar: hentede elementer skal kunne tilskrives (fil + placering) og adskilles fra inferens.
• Lav ceremoni: daglig logning forbliver Markdown, intet tungt skema-arbejde.
• Inkrementel: v1 er nyttig med kun FTS; semantik/vektorer og grafer er valgfrie opgraderinger.
• Agent-venlig: gør “genkaldelse inden for token-budgetter” nem (returnér små bundter af fakta).

Nordstjernemodel (Hindsight × Letta)¶

To dele, der skal blandes:

1. Letta/MemGPT-stil kontrol-loop

• behold en lille “kerne” altid i kontekst (persona + centrale brugerfakta)
• alt andet er uden for kontekst og hentes via værktøjer
• hukommelsesskrivninger er eksplicitte værktøjskald (append/replace/insert), persisteres og genindsættes derefter i næste tur

2. Hindsight-stil hukommelsessubstrat

• adskil det observerede fra det troede fra det sammenfattede
• understøt retain/recall/reflect
• holdninger med konfidens, der kan udvikle sig med evidens
• entitetsbevidst genfinding + tidslige forespørgsler (selv uden fulde vidensgrafer)

Foreslået arkitektur (Markdown som source-of-truth + afledt indeks)¶

Kanonisk lager (git-venligt)¶

Behold ~/.openclaw/workspace som kanonisk, menneskeligt læsbar hukommelse.

Foreslået workspace-layout:

~/.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
      ...

Noter:

• Daglig log forbliver dagbog. Ingen grund til at gøre det til JSON.
• Filerne bank/ er kuraterede, produceret af refleksionsjobs, og kan stadig redigeres manuelt.
• memory.md forbliver “lille + kerne-agtig”: de ting, du vil have Clawd til at se i hver session.

Afledt lager (maskinel genkaldelse)¶

Tilføj et afledt indeks under workspacet (ikke nødvendigvis git-tracket):

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

Understøt det med:

• SQLite-skema til fakta + entitetslinks + holdningsmetadata
• SQLite FTS5 til leksikal genkaldelse (hurtig, lille, offline)
• valgfri embeddings-tabel til semantisk genkaldelse (stadig offline)

Indekset er altid genopbyggeligt fra Markdown.

Retain / Recall / Reflect (operationelt loop)¶

Retain: normalisér daglige logs til “fakta”¶

Hindsights centrale indsigt, der er vigtig her: gem narrative, selvstændige fakta, ikke små snippets.

Praktisk regel for memory/YYYY-MM-DD.md:

• ved slutningen af dagen (eller undervejs) tilføj en ## Retain-sektion med 2–5 bullets, der er:
• narrative (krydsturs-kontekst bevaret)
• selvstændige (giver mening alene senere)
• tagget med type + entitetsreferencer

Eksempel:

## 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 syntaksanalyse:

• Type-præfiks: W (world), B (experience/biographical), O (opinion), S (observation/summary; typisk genereret)
• Enheder: @Peter, @warelay, etc (slugs map to bank/entities/*.md)
• Holdningskonfidens: O(c=0.0..1.0) valgfri

Hvis du ikke vil have, at forfattere skal tænke over det: refleksionsjobbet kan udlede disse bullets fra resten af loggen, men at have en eksplicit ## Retain-sektion er den nemmeste “kvalitetsløftestang”.

Recall: forespørgsler over det afledte indeks¶

Genkaldelse bør understøtte:

• leksikal: “find eksakte termer / navne / kommandoer” (FTS5)
• entitet: “fortæl mig om X” (entitetssider + entitetslinkede fakta)
• temporal: “hvad der skete omkring november 27” / “siden sidste uge”
• opinion: “hvad foretrækker Peter her?” (med tillid + evidens)

Returformat bør være agent-venligt og citere kilder:

• kind (world|experience|opinion|observation)
• timestamp (kildedag eller udtrukket tidsinterval, hvis til stede)
• entities (["Peter","warelay"])
• content (det narrative faktum)
• source (memory/2025-11-27.md#L12 osv.)

Reflect: producer stabile sider + opdatér overbevisninger¶

Refleksion er et planlagt job (dagligt eller heartbeat ultrathink), der:

• opdaterer bank/entities/*.md fra nylige fakta (entitetssammendrag)
• opdaterer bank/opinions.md-konfidens baseret på forstærkning/modsigelse
• eventuelt foreslår redigeringer til memory.md (“core-ish” holdbare facts)

Udvikling af holdninger (simpel, forklarbar):

• hver holdning har:
• udsagn
• konfidens c ∈ [0,1]
• last_updated
• evidenslinks (understøttende + modsigende fakt-ID’er)
• når nye fakta ankommer:
• find kandidat-holdninger via entitetsoverlap + lighed (FTS først, embeddings senere)
• opdatér konfidens med små deltaer; store spring kræver stærk modsigelse + gentagen evidens

CLI-integration: selvstændig vs. dyb integration¶

Anbefaling: dyb integration i OpenClaw, men behold et adskilleligt kernbibliotek.

Hvorfor integrere i OpenClaw?¶

• OpenClaw kender allerede:
• workspace-stien (agents.defaults.workspace)
• sessionsmodellen + heartbeats
• logging + fejlsøgningsmønstre
• Du vil have, at agenten selv kalder værktøjerne:
• openclaw memory recall "…" --k 25 --since 30d
• openclaw memory reflect --since 7d

Hvorfor stadig splitte et bibliotek?¶

• hold hukommelseslogik testbar uden gateway/runtime
• genbrug fra andre kontekster (lokale scripts, fremtidig desktop-app osv.)

Form: Hukommelsesværktøjerne er tænkt som et lille CLI + biblioteks-lag, men dette er kun eksplorativt.

“S-Collide” / SuCo: hvornår man skal bruge det (research)¶

Hvis “S-Collide” refererer til SuCo (Subspace Collision): det er en ANN-genfindingsmetode, der sigter mod stærke recall/latency-afvejninger ved at bruge lærte/strukturerede kollisioner i subrum (artikel: arXiv 2411.14754, 2024).

Pragmatisk take for ~/.openclaw/workspace:

• start ikke med SuCo.
• start med SQLite FTS + (valgfrit) simple embeddings; du får de fleste UX-gevinster med det samme.
• overvej SuCo/HNSW/ScaNN-klassen først når:
• korpuset er stort (titusinder/hundredtusinder af chunks)
• brute-force embeddingsøgning bliver for langsom
• recall-kvalitet er meningsfuldt flaskehalsen ved leksikal søgning

Offline-venlige alternativer (stigende kompleksitet):

• SQLite FTS5 + metadatafiltre (ingen ML)
• Embeddings + brute force (rækker overraskende langt ved lavt antal chunks)
• HNSW-indeks (almindeligt, robust; kræver en biblioteksbinding)
• SuCo (research-grade; attraktivt hvis der findes en solid implementation, du kan indlejre)

Åbent spørgsmål:

• hvad er den bedste offline embeddings-model til “personlig assistent-hukommelse” på dine maskiner (laptop + desktop)?
• hvis du allerede har Ollama: embed med en lokal model; ellers lever en lille embeddings-model med i værktøjskæden.

Mindste nyttige pilot¶

Hvis du vil have en minimal, men stadig nyttig version:

• Tilføj bank/-entitetssider og en ## Retain-sektion i daglige logs.
• Brug SQLite FTS til genkaldelse med citationer (sti + linjenumre).
• Tilføj embeddings kun hvis recall-kvalitet eller skala kræver det.

Referencer¶

• Letta / MemGPT-koncepter: “core memory blocks” + “archival memory” + værktøjsdrevet selvredigerende hukommelse.
• Hindsight Technical Report: “retain / recall / reflect”, hukommelse med fire netværk, udtræk af narrative fakta, udvikling af holdningskonfidens.
• SuCo: arXiv 2411.14754 (2024): “Subspace Collision” approximate nearest neighbor retrieval.