Workspace Memory v2 (offline): သုတေသန မှတ်စုများ¶

Target: Clawd ပုံစံ workspace (agents.defaults.workspace, default ~/.openclaw/workspace) တွင် “memory” ကို နေ့စဉ် Markdown ဖိုင်တစ်ဖိုင်စီ (memory/YYYY-MM-DD.md) နှင့် တည်ငြိမ်သော ဖိုင်အချို့ (ဥပမာ memory.md, SOUL.md) အဖြစ် သိမ်းဆည်းထားခြင်း။

ဤစာတမ်းသည် Markdown ကို အမြဲတမ်း စစ်ဆေးပြန်လည်ကြည့်ရှုနိုင်သော အမှန်တရားအရင်းအမြစ်အဖြစ် ထားရှိပြီး၊ ထုတ်လုပ်ထားသော index မှတစ်ဆင့် ဖွဲ့စည်းထားသော recall (ရှာဖွေမှု၊ entity အကျဉ်းချုပ်များ၊ ယုံကြည်မှု အပ်ဒိတ်များ) ကို ထပ်တိုးပေးသည့် offline-first memory ဖွဲ့စည်းပုံကို အဆိုပြုထားသည်။

ဘာကြောင့် ပြောင်းလဲရမလဲ?¶

လက်ရှိ စနစ် (နေ့စဉ် ဖိုင်တစ်ဖိုင်) သည် အောက်ပါအတွက် အလွန်ကောင်းမွန်သည် —

• “append-only” ဂျာနယ်ရေးသားခြင်း
• လူသားက တိုက်ရိုက် ပြင်ဆင်ရေးသားနိုင်မှု
• git အခြေပြု တည်တံ့မှု + စစ်ဆေးနိုင်မှု
• အလွန်လွယ်ကူသော မှတ်တမ်းယူခြင်း (“ရေးထားလိုက်ရုံပဲ”)

သို့သော် အောက်ပါအတွက် အားနည်းသည် —

• အမြင့်မားသော recall ရယူမှု (“X အကြောင်း ဘာဆုံးဖြတ်ခဲ့လဲ?”, “Y ကို နောက်ဆုံး ဘယ်အချိန် စမ်းသပ်ခဲ့လဲ?”)
• entity အလယ်ပြု အဖြေများ (“Alice / The Castle / warelay အကြောင်း ပြောပါ”) ကို ဖိုင်များစွာ မပြန်ဖတ်ဘဲ မရနိုင်ခြင်း
• အမြင်/ဦးစားပေးချက် တည်ငြိမ်မှု (ပြောင်းလဲသည့်အခါ အထောက်အထား ပါရှိမှု)
• နှင့် conflict resolution Daily log သည် daily log အတိုင်းပဲ ဖြစ်ရမည်။

ဒီဇိုင်း ရည်မှန်းချက်များ¶

• Offline: ကွန်ယက်မလိုအပ်ဘဲ လက်ပ်တပ်/Castle တွင် လည်ပတ်နိုင်ရမည်၊ cloud အပေါ် မမှီခိုရ။
• ရှင်းလင်းဖော်ပြနိုင်မှု: ပြန်လည်ရယူထားသော အရာများကို အရင်းအမြစ် (ဖိုင် + တည်နေရာ) ဖြင့် သက်သေပြနိုင်ပြီး inference နှင့် ခွဲခြားနိုင်ရမည်။
• လုပ်ငန်းစဉ် ရိုးရှင်းမှု: နေ့စဉ် မှတ်တမ်းရေးသားမှုသည် Markdown အဖြစ် ဆက်လက်ရှိရမည်၊ အလွန်အကျွံ schema မလိုအပ်။
• အဆင့်လိုက် တိုးတက်နိုင်မှု: v1 တွင် FTS သာဖြင့် အသုံးဝင်ရမည်၊ semantic/vector နှင့် graph များသည် optional upgrade ဖြစ်ရမည်။
• Agent-friendly: token budget အတွင်း “recall” လုပ်ရန် လွယ်ကူစေသည် (အချက်အလက် အစုအဝေး အသေးများကို ပြန်ပေးနိုင်ရန်)။

North star မော်ဒယ် (Hindsight × Letta)¶

ပေါင်းစည်းရမည့် အစိတ်အပိုင်း နှစ်ခု —

1. Letta/MemGPT ပုံစံ control loop

• အမြဲ context ထဲတွင် ပါရှိရမည့် “core” သေးငယ်တစ်ခု (persona + အသုံးပြုသူ၏ အဓိက အချက်အလက်များ)
• အခြား အရာအားလုံးကို context အပြင်ဘက်တွင် ထားပြီး tool များမှတစ်ဆင့် ပြန်လည်ရယူခြင်း
• memory ရေးသားမှုများကို tool call အဖြစ် ထင်ရှားစွာ လုပ်ဆောင်ခြင်း (append/replace/insert)၊ သိမ်းဆည်းပြီး နောက်ထပ် turn တွင် ပြန်ထည့်သွင်းခြင်း

2. Hindsight ပုံစံ memory substrate

• မြင်တွေ့ထားသည်/ယုံကြည်ထားသည်/အကျဉ်းချုပ်ထားသည် ကို ခွဲခြားထားခြင်း
• retain/recall/reflect ကို ထောက်ပံ့ခြင်း
• အထောက်အထားနှင့်အတူ ပြောင်းလဲတိုးတက်နိုင်သော ယုံကြည်မှုပါရှိသည့် အမြင်များ
• entity သိမြင်မှုပါရှိသည့် retrieval + အချိန်ဆိုင်ရာ query များ (အပြည့်အဝ knowledge graph မရှိသော်လည်း)

အဆိုပြုထားသော ဖွဲ့စည်းပုံ (Markdown ကို အမှန်တရားအရင်းအမြစ် + derived index)¶

အခြေခံ သိုလှောင်ရာ (git-friendly)¶

~/.openclaw/workspace ကို လူသားဖတ်ရှုနိုင်သော canonical memory အဖြစ် ထားရှိပါ။

အကြံပြုထားသော 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
      ...

မှတ်ချက်များ —

• JSON အဖြစ် ပြောင်းရန် မလိုအပ်ပါ။ အမြင်: “Peter က ဘာကို ကြိုက်နှစ်သက်သလဲ?”
• bank/ ဖိုင်များသည် reflection job များမှ curate လုပ်ထားသော အရာများဖြစ်ပြီး လက်ဖြင့် ပြင်ဆင်ရေးသားနိုင်ပါသေးသည်။
• memory.md သည် “သေးငယ် + core ဆန်” အဖြစ် ဆက်လက်ရှိရမည် — session တိုင်းတွင် Clawd က မြင်စေချင်သော အရာများ။

ဆင်းသက်ထားသော သိုလှောင်ရာ (စက်၏ ပြန်လည်ခေါ်ယူမှု)¶

workspace အောက်တွင် derived index တစ်ခု ထည့်ပါ (git track မလုပ်လည်း ရပါသည်) —

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

အောက်ပါအရာများဖြင့် backing လုပ်ပါ —

• facts + entity links + opinion metadata အတွက် SQLite schema
• lexical recall အတွက် SQLite FTS5 (မြန်၊ သေးငယ်၊ offline)
• semantic recall အတွက် optional embeddings table (offline ဖြစ်နေဆဲ)

ဤ index သည် Markdown မှ အမြဲတမ်း ပြန်တည်ဆောက်နိုင်ရမည်။

Retain / Recall / Reflect (လုပ်ငန်းလည်ပတ်မှု loop)¶

Retain: နေ့စဉ် လော့ဂ်များကို “facts” အဖြစ် ပုံမှန်ပြုလုပ်ခြင်း¶

ဤနေရာတွင် အရေးပါသော Hindsight ၏ အဓိက အမြင် — အကြောင်းအရာပြည့်စုံသော၊ ကိုယ်တိုင်ရပ်တည်နိုင်သော facts ကို သိမ်းဆည်းပါ၊ အလွန်သေးငယ်သော snippet များ မဟုတ်ပါ။

memory/YYYY-MM-DD.md အတွက် လက်တွေ့စည်းမျဉ်း —

• နေ့ဆုံး (သို့) နေ့အတွင်း ## Retain အပိုင်းတစ်ခု ထည့်ပြီး bullet ၂–၅ ခု ရေးပါ —
• အကြောင်းအရာပါဝင်မှုရှိရမည် (cross-turn context ကို ထိန်းသိမ်းထား)
• ကိုယ်တိုင်ရပ်တည်နိုင်ရမည် (နောက်မှ တစ်ခုတည်း ဖတ်လည်း နားလည်ရ)
• type + entity mentions ဖြင့် tag လုပ်ထားရမည်

ဥပမာ —

## 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.

အနည်းဆုံး parsing —

• Type prefix: W (world), B (experience/biographical), O (opinion), S (observation/summary; များသောအားဖြင့် generated)
• Entities: @Peter, @warelay စသည် (slug များသည် bank/entities/*.md သို့ map လုပ်ထား)
• အမြင်၏ ယုံကြည်မှုအဆင့်: O(c=0.0..1.0) ရွေးချယ်နိုင်သည်

ရေးသားသူများကို စဉ်းစားရခက်စေချင်မယ် မထင်ပါက reflect job သည် လော့ဂ်၏ အခြားအစိတ်အပိုင်းများမှ ဤ bullet များကို ခန့်မှန်းထုတ်ယူနိုင်ပါသည်။ သို့သော် ထင်ရှားသော ## Retain အပိုင်း ရှိခြင်းက “အရည်အသွေး တိုးတက်စေသော လီဗာ” အလွယ်ဆုံး ဖြစ်သည်။

Recall: derived index အပေါ် query များ¶

Recall သည် အောက်ပါအရာများကို ထောက်ပံ့သင့်သည် —

• lexical: “တိတိကျကျ စကားလုံး/အမည်/command များ ရှာရန်” (FTS5)
• entity: “X အကြောင်း ပြောပါ” (entity page များ + entity ချိတ်ဆက်ထားသော facts)
• temporal: “နိုဝင်ဘာ ၂၇ အနီးအနား ဘာဖြစ်ခဲ့လဲ” / “ပြီးခဲ့သည့် အပတ်မှ စပြီး”
• (ယုံကြည်မှု + အထောက်အထားဖြင့်) OpenClaw သည် model providers များအတွက် OAuth နှင့် API keys ကို ထောက်ပံ့ပါသည်။

ပြန်ပေးမည့် ပုံစံသည် agent-friendly ဖြစ်ပြီး အရင်းအမြစ်များကို ကိုးကားသင့်သည် —

• kind (world|experience|opinion|observation)
• timestamp (source day သို့မဟုတ် ထုတ်ယူထားသော အချိန်အပိုင်းအခြား)
• entities (["Peter","warelay"])
• content (narrative fact)
• source (memory/2025-11-27.md#L12 စသည်)

Reflect: တည်ငြိမ်သော စာမျက်နှာများ ထုတ်လုပ်ပြီး ယုံကြည်ချက်များကို အပ်ဒိတ်လုပ်ခြင်း¶

Reflection သည် အချိန်ဇယားအတိုင်း (နေ့စဉ် သို့မဟုတ် heartbeat ultrathink) လည်ပတ်သော job ဖြစ်ပြီး —

• မကြာသေးမီ facts များမှ bank/entities/*.md ကို အပ်ဒိတ်လုပ်ခြင်း (entity အကျဉ်းချုပ်များ)
• reinforcement/contradiction အပေါ် မူတည်၍ bank/opinions.md ယုံကြည်မှုကို အပ်ဒိတ်လုပ်ခြင်း
• optional အဖြစ် memory.md (“core ဆန်သော” တည်တံ့အချက်အလက်များ) အတွက် ပြင်ဆင်ချက် အကြံပြုခြင်း

Opinion evolution (ရိုးရှင်း၊ ရှင်းလင်းဖော်ပြနိုင်) —

• opinion တစ်ခုစီတွင် —
• statement
• ယုံကြည်မှုအဆင့် c ∈ [0,1]
• last_updated
• evidence links (ထောက်ခံ/ဆန့်ကျင် fact ID များ)
• facts အသစ်များ ဝင်လာသောအခါ —
• entity overlap + similarity (ပထမ FTS, နောက်မှ embeddings) ဖြင့် candidate opinion များ ရှာဖွေခြင်း
• confidence ကို အနည်းငယ်စီ ပြောင်းလဲခြင်း; အပြောင်းအလဲကြီးများအတွက် ပြင်းထန်သော ဆန့်ကျင်ချက် + ထပ်ခါထပ်ခါ အထောက်အထား လိုအပ်

CLI ပေါင်းစည်းမှု: standalone vs နက်ရှိုင်းသော ပေါင်းစည်းမှု¶

အကြံပြုချက်: OpenClaw အတွင်း နက်ရှိုင်းစွာ ပေါင်းစည်းပါ, သို့သော် ခွဲထုတ်နိုင်သော core library ကို ထိန်းသိမ်းထားပါ။

OpenClaw အတွင်း ပေါင်းစည်းရခြင်း၏ အကြောင်းရင်း¶

• OpenClaw သည် အောက်ပါအရာများကို ရှိပြီးသား သိရှိထားသည် —
• workspace path (agents.defaults.workspace)
• session model + heartbeats
• logging + troubleshooting ပုံစံများ
• agent ကိုယ်တိုင် tool များကို ခေါ်သုံးစေချင်သည် —
• openclaw memory recall "…" --k 25 --since 30d
• openclaw memory reflect --since 7d

ဘာကြောင့် library ကို ခွဲထားသင့်သေးလဲ?¶

• Gateway/runtime မပါဘဲ memory logic ကို စမ်းသပ်နိုင်ရန်
• အခြား context များ (local script များ၊ အနာဂတ် desktop app စသည်) တွင် ပြန်လည်အသုံးချနိုင်ရန်

ပုံသဏ္ဌာန် — Memory tooling ကို သေးငယ်သော CLI + library အလွှာအဖြစ် ရည်ရွယ်ထားသော်လည်း၊ ယခုအဆင့်တွင် သုတေသနဆိုင်ရာသာ ဖြစ်သည်။

“S-Collide” / SuCo: ဘယ်အချိန် သုံးသင့်သလဲ (သုတေသန)¶

“S-Collide” သည် SuCo (Subspace Collision) ကို ဆိုလိုပါက — ၎င်းသည် subspace များအတွင်း သင်ကြားထားသော/ဖွဲ့စည်းထားသော collision များကို အသုံးပြုပြီး recall/latency အချိုးအစားကောင်းများ ရရှိစေရန် ရည်ရွယ်သည့် ANN retrieval နည်းလမ်းတစ်ခု ဖြစ်သည် (paper: arXiv 2411.14754, 2024)။

~/.openclaw/workspace အတွက် လက်တွေ့မြင်ကွင်း —

• SuCo ကို မစတင်ပါနှင့်။
• SQLite FTS + (optional) ရိုးရှင်းသော embeddings ဖြင့် စတင်ပါ; UX အကျိုးကျေးဇူး အများစုကို ချက်ချင်း ရရှိပါမည်။
• အောက်ပါအခြေအနေများ ဖြစ်လာမှသာ SuCo/HNSW/ScaNN အမျိုးအစား ဖြေရှင်းချက်များကို စဉ်းစားပါ —
• corpus အရွယ်အစား ကြီးလာသည် (သောင်းချီ/သိန်းချီ chunk များ)
• brute-force embedding search သည် အလွန်နှေးလာသည်
• lexical search ကြောင့် recall အရည်အသွေး အမှန်တကယ် ကန့်သတ်ခံနေရသည်

Offline-friendly အခြားရွေးချယ်စရာများ (ရှုပ်ထွေးမှု တိုးလာသည့် အစဉ်) —

• SQLite FTS5 + metadata filter များ (ML မလို)
• Embeddings + brute force (chunk အရေအတွက် နည်းလျှင် အံ့သြဖွယ်ကောင်းအောင် အလုပ်လုပ်နိုင်)
• HNSW index (အသုံးများ၊ တည်ငြိမ်; library binding လိုအပ်)
• SuCo (သုတေသနအဆင့်; embed လုပ်နိုင်သည့် အကောင်းဆုံး implementation ရှိပါက စိတ်ဝင်စားဖွယ်)

မေးခွန်း ဖွင့်ထားဆဲ —

• သင့်စက်များ (လက်ပ်တပ် + ဒက်စ်တော့) ပေါ်တွင် “personal assistant memory” အတွက် အကောင်းဆုံး offline embedding မော်ဒယ်က ဘာလဲ?
• Ollama ရှိပြီးသား ဖြစ်ပါက local model ဖြင့် embed လုပ်ပါ; မရှိပါက toolchain အတွင်း သေးငယ်သော embedding မော်ဒယ်တစ်ခု ထည့်သွင်းပို့ဆောင်ပါ။

အသုံးဝင်ဆုံး အနည်းဆုံး pilot¶

အနည်းဆုံး ဖြစ်သော်လည်း အသုံးဝင်စေရန် —

• bank/ entity page များနှင့် နေ့စဉ် လော့ဂ်များအတွင်း ## Retain အပိုင်းတစ်ခု ထည့်ပါ။
• citation (path + line number) ပါရှိသော recall အတွက် SQLite FTS ကို အသုံးပြုပါ။
• recall အရည်အသွေး သို့မဟုတ် အရွယ်အစား လိုအပ်ချက် မတိုးလာမချင်း embeddings မထည့်ပါနှင့်။

ကိုးကားချက်များ¶

• Letta / MemGPT အယူအဆများ: “core memory blocks” + “archival memory” + tool အခြေပြု self-editing memory။
• Hindsight Technical Report: “retain / recall / reflect”, four-network memory, narrative fact extraction, opinion confidence evolution။
• SuCo: arXiv 2411.14754 (2024): “Subspace Collision” approximate nearest neighbor retrieval။