Workspace Memory v2 (ออฟไลน์): บันทึกการวิจัย¶

เป้าหมาย: เวิร์กสเปซสไตล์Clawd (agents.defaults.workspace, ค่าเริ่มต้น ~/.openclaw/workspace) ซึ่ง “หน่วยความจำ” ถูกจัดเก็บเป็นไฟล์Markdownหนึ่งไฟล์ต่อวัน (memory/YYYY-MM-DD.md) พร้อมไฟล์ที่คงที่จำนวนเล็กน้อย (เช่น memory.md, SOUL.md)

เอกสารนี้เสนอสถาปัตยกรรมหน่วยความจำแบบ offline-first ที่คงMarkdownเป็นแหล่งข้อมูลหลักที่ตรวจทานได้โดยมนุษย์ แต่เพิ่ม การเรียกคืนเชิงโครงสร้าง (การค้นหา สรุปเอนทิตี การอัปเดตความเชื่อมั่น) ผ่านดัชนีที่สร้างจากอนุพันธ์

ทำไมต้องเปลี่ยน?¶

การตั้งค่าปัจจุบัน (หนึ่งไฟล์ต่อวัน) ดีเยี่ยมสำหรับ:

• การบันทึกแบบ “append-only”
• การแก้ไขโดยมนุษย์
• ความทนทานและการตรวจสอบย้อนหลังด้วยgit
• การบันทึกที่แรงเสียดทานต่ำ (“แค่เขียนลงไป”)

มันไม่เหมาะกับ:

• การดึงข้อมูลที่ต้องการการเรียกคืนสูง (“เราตัดสินใจเรื่องXว่าอย่างไร?”, “ครั้งล่าสุดที่ลองYคือเมื่อไหร่?”)
• คำตอบแบบยึดเอนทิตีเป็นศูนย์กลาง (“เล่าให้ฟังเกี่ยวกับAlice / The Castle / warelay”) โดยไม่ต้องอ่านหลายไฟล์
• ความเสถียรของความคิดเห็น/ความชอบ (และหลักฐานเมื่อมีการเปลี่ยน)
• ข้อจำกัดด้านเวลา (“อะไรเป็นความจริงในช่วงพ.ย.2025?”) และการแก้ไขความขัดแย้ง

เป้าหมายการออกแบบ¶

• ออฟไลน์: ทำงานได้โดยไม่ต้องใช้เครือข่าย; รันบนแล็ปท็อป/ปราสาท; ไม่พึ่งพาคลาวด์
• อธิบายได้: รายการที่ดึงมาควรระบุแหล่งที่มาได้ (ไฟล์ + ตำแหน่ง) และแยกจากการอนุมาน
• พิธีการต่ำ: การบันทึกรายวันยังคงเป็นMarkdown ไม่ต้องมีสคีมาหนัก
• เพิ่มทีละขั้น: v1 ใช้ได้ด้วยFTSอย่างเดียว; semantic/vectorและกราฟเป็นอัปเกรดเสริม
• เป็นมิตรกับเอเจนต์: ทำให้ “การเรียกคืนภายใต้งบโทเคน” ง่าย (ส่งคืนชุดข้อเท็จจริงขนาดเล็ก)

โมเดลเป้าหมาย (Hindsight × Letta)¶

สองส่วนที่ต้องผสาน:

1. ลูปควบคุมสไตล์Letta/MemGPT

• เก็บ “แกนหลัก” ขนาดเล็กไว้ในบริบทเสมอ (persona + ข้อเท็จจริงผู้ใช้ที่สำคัญ)
• ทุกอย่างอื่นอยู่นอกบริบทและเรียกคืนผ่านเครื่องมือ
• การเขียนหน่วยความจำเป็นการเรียกเครื่องมือแบบชัดเจน (append/replace/insert) ถูกบันทึก แล้วฉีดกลับเข้ามาในเทิร์นถัดไป

2. ซับสเตรตหน่วยความจำสไตล์Hindsight

• แยกสิ่งที่สังเกต vs สิ่งที่เชื่อ vs สิ่งที่สรุป
• รองรับ retain/recall/reflect
• ความคิดเห็นที่มีระดับความเชื่อมั่นและพัฒนาได้ด้วยหลักฐาน
• การเรียกคืนที่ตระหนักถึงเอนทิตี + คำถามเชิงเวลา (แม้ไม่มีกราฟความรู้เต็มรูปแบบ)

สถาปัตยกรรมที่เสนอ (Markdownเป็นแหล่งข้อมูลหลัก + ดัชนีที่สร้างจากอนุพันธ์)¶

คลังข้อมูลหลัก (เป็นมิตรกับgit)¶

เก็บ ~/.openclaw/workspace เป็นหน่วยความจำหลักที่มนุษย์อ่านได้

เลย์เอาต์เวิร์กสเปซที่แนะนำ:

~/.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
      ...

หมายเหตุ:

• บันทึกรายวันก็ยังคงเป็นบันทึกรายวัน ไม่จำเป็นต้องแปลงเป็น JSON
• ไฟล์ bank/ เป็นไฟล์ คัดสรร ผลิตโดยงานสะท้อน และยังแก้ไขด้วยมือได้
• memory.md ยังคง “เล็ก + ใกล้แกน”: สิ่งที่คุณต้องการให้Clawdเห็นทุกเซสชัน

คลังข้อมูลอนุพันธ์ (การเรียกคืนของเครื่อง)¶

เพิ่มดัชนีอนุพันธ์ภายใต้เวิร์กสเปซ (ไม่จำเป็นต้องติดตามด้วยgit):

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

รองรับด้วย:

• สคีมาSQLiteสำหรับข้อเท็จจริง + ลิงก์เอนทิตี + เมตาดาต้าความคิดเห็น
• SQLite FTS5 สำหรับการเรียกคืนเชิงคำศัพท์ (เร็ว เล็ก ออฟไลน์)
• ตารางembeddingsเสริมสำหรับการเรียกคืนเชิงความหมาย (ยังคงออฟไลน์)

ดัชนีสามารถ สร้างใหม่จากMarkdownได้เสมอ

Retain / Recall / Reflect (ลูปการปฏิบัติการ)¶

Retain: ทำให้บันทึกรายวันเป็น “ข้อเท็จจริง”¶

อินไซต์สำคัญของHindsightที่ใช้ได้ที่นี่: เก็บ ข้อเท็จจริงเชิงบรรยายที่สมบูรณ์ในตัวเอง ไม่ใช่ชิ้นส่วนเล็กๆ

กฎเชิงปฏิบัติสำหรับ memory/YYYY-MM-DD.md:

• ตอนสิ้นวัน (หรือระหว่างวัน) เพิ่มส่วน ## Retain พร้อมบูลเล็ต 2–5 ข้อ ที่:
• เป็นเชิงบรรยาย (รักษาบริบทข้ามเทิร์น)
• สมบูรณ์ในตัวเอง (อ่านเดี่ยวๆแล้วเข้าใจ)
• ติดแท็กด้วยชนิด + การกล่าวถึงเอนทิตี

ตัวอย่าง:

## 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.

การพาร์สขั้นต่ำ:

• คำนำหน้าชนิด: W (โลก), B (ประสบการณ์/ชีวประวัติ), O (ความคิดเห็น), S (การสังเกต/สรุป; มักถูกสร้าง)
• เอนทิตี: @Peter, @warelay ฯลฯ (slugแมปไปที่ bank/entities/*.md)
• ความเชื่อมั่นของความคิดเห็น: O(c=0.0..1.0) ไม่บังคับ

หากไม่ต้องการให้ผู้เขียนต้องคิดมาก งานสะท้อนสามารถอนุมานบูลเล็ตเหล่านี้จากบันทึกที่เหลือได้ แต่การมีส่วน ## Retain แบบชัดเจนคือ “คันโยกคุณภาพ” ที่ง่ายที่สุด

Recall: การสืบค้นผ่านดัชนีอนุพันธ์¶

การเรียกคืนควรรองรับ:

• เชิงคำศัพท์: “ค้นหาคำ/ชื่อ/คำสั่งแบบตรงตัว” (FTS5)
• เชิงเอนทิตี: “เล่าให้ฟังเกี่ยวกับX” (หน้าเอนทิตี + ข้อเท็จจริงที่เชื่อมกับเอนทิตี)
• เชิงเวลา: “เกิดอะไรขึ้นแถวๆ27พ.ย.” / “ตั้งแต่สัปดาห์ที่แล้ว”
• เชิงความคิดเห็น: “Peterชอบอะไร?” (พร้อมความเชื่อมั่น + หลักฐาน)

รูปแบบการส่งคืนควรเป็นมิตรกับเอเจนต์และอ้างอิงแหล่งที่มา:

• kind (world|experience|opinion|observation)
• timestamp (วันต้นทาง หรือช่วงเวลาที่สกัดได้ถ้ามี)
• entities (["Peter","warelay"])
• content (ข้อเท็จจริงเชิงบรรยาย)
• source (memory/2025-11-27.md#L12 ฯลฯ)

Reflect: สร้างหน้าที่เสถียร + อัปเดตความเชื่อ¶

การสะท้อนเป็นงานตามตาราง (รายวันหรือฮาร์ตบีต ultrathink) ที่:

• อัปเดต bank/entities/*.md จากข้อเท็จจริงล่าสุด (สรุปเอนทิตี)
• อัปเดตความเชื่อมั่นของ bank/opinions.md ตามการเสริมหรือขัดแย้ง
• เสนอการแก้ไข memory.md แบบเลือกได้ (“ใกล้แกน” และคงทน)

วิวัฒนาการของความคิดเห็น (เรียบง่าย อธิบายได้):

• แต่ละความคิดเห็นมี:
• ข้อความ
• ความเชื่อมั่น c ∈ [0,1]
• last_updated
• ลิงก์หลักฐาน (สนับสนุน + ขัดแย้ง IDข้อเท็จจริง)
• เมื่อมีข้อเท็จจริงใหม่:
• หา候选ความคิดเห็นด้วยการทับซ้อนเอนทิตี + ความคล้าย (เริ่มด้วยFTS แล้วค่อย embeddings)
• ปรับความเชื่อมั่นทีละน้อย; การเปลี่ยนแปลงมากต้องมีการขัดแย้งที่แรง + หลักฐานซ้ำ

การผสานรวมCLI: สแตนด์อโลน vs ผสานลึก¶

ข้อแนะนำ: ผสานรวมลึกในOpenClaw แต่แยกไลบรารีแกนหลักได้

ทำไมต้องผสานในOpenClaw?¶

• OpenClawรู้อยู่แล้ว:
• พาธเวิร์กสเปซ (agents.defaults.workspace)
• โมเดลเซสชัน + ฮาร์ตบีต
• รูปแบบการบันทึก + การแก้ไขปัญหา
• คุณต้องการให้เอเจนต์เรียกเครื่องมือเอง:
• openclaw memory recall "…" --k 25 --since 30d
• openclaw memory reflect --since 7d

ทำไมยังต้องแยกเป็นไลบรารี?¶

• ทำให้ตรรกะหน่วยความจำทดสอบได้โดยไม่ต้องพึ่งGateway/รันไทม์
• นำกลับไปใช้ในบริบทอื่น (สคริปต์โลคัล แอปเดสก์ท็อปในอนาคต ฯลฯ)

รูปแบบ: เครื่องมือหน่วยความจำตั้งใจให้เป็นCLIขนาดเล็ก + ชั้นไลบรารี แต่ทั้งหมดนี้เป็นเชิงสำรวจเท่านั้น

“S-Collide” / SuCo: ควรใช้เมื่อใด (การวิจัย)¶

หาก “S-Collide” หมายถึง SuCo (Subspace Collision): เป็นแนวทางการดึงANNที่มุ่งเน้นสมดุลระหว่างการเรียกคืน/เวลาแฝงโดยใช้การชนกันที่เรียนรู้/มีโครงสร้างในซับสเปซ (บทความ: arXiv 2411.14754, 2024)

มุมมองเชิงปฏิบัติสำหรับ ~/.openclaw/workspace:

• อย่าเริ่ม ด้วยSuCo
• เริ่มด้วยSQLite FTS + (เสริม) embeddingsแบบง่าย; จะได้ประสบการณ์ผู้ใช้ส่วนใหญ่ทันที
• พิจารณาโซลูชันระดับSuCo/HNSW/ScaNNก็ต่อเมื่อ:
• คอร์ปัสมีขนาดใหญ่ (หลายหมื่น/แสนชิ้น)
• การค้นหาembeddingsแบบ brute-force ช้าเกินไป
• คุณภาพของการเรียกคืนข้อมูลถูกจำกัดอย่างมีนัยสำคัญโดยการค้นหาเชิงคำศัพท์

ทางเลือกที่เป็นมิตรกับออฟไลน์ (ซับซ้อนเพิ่มขึ้นตามลำดับ):

• SQLite FTS5 + ตัวกรองเมตาดาต้า (ไม่มีML)
• Embeddings + brute force (ไปได้ไกลกว่าที่คิดเมื่อจำนวนชิ้นไม่มาก)
• ดัชนีHNSW (แพร่หลาย แข็งแรง; ต้องมีไลบรารี)
• SuCo (ระดับวิจัย; น่าสนใจหากมีอิมพลีเมนต์ที่ฝังได้)

คำถามเปิด:

• โมเดลembeddingออฟไลน์ที่ ดีที่สุด สำหรับ “หน่วยความจำผู้ช่วยส่วนตัว” บนเครื่องของคุณ (แล็ปท็อป + เดสก์ท็อป) คืออะไร?
• หากคุณมีOllamaอยู่แล้ว: ฝังด้วยโมเดลโลคัล; มิฉะนั้นจัดส่งโมเดลembeddingขนาดเล็กไปกับทูลเชน

โครงการนำร่องที่เล็กที่สุดแต่ใช้งานได้¶

หากต้องการเวอร์ชันขั้นต่ำที่ยังใช้ได้:

• เพิ่มหน้าเอนทิตี bank/ และส่วน ## Retain ในบันทึกรายวัน
• ใช้SQLite FTSสำหรับการเรียกคืนพร้อมการอ้างอิง (พาธ + หมายเลขบรรทัด)
• เพิ่มembeddingsเฉพาะเมื่อคุณภาพการเรียกคืนหรือสเกลต้องการ

อ้างอิง¶

• แนวคิดLetta / MemGPT: “core memory blocks” + “archival memory” + หน่วยความจำที่แก้ไขตนเองด้วยเครื่องมือ
• รายงานเทคนิคHindsight: “retain / recall / reflect”, หน่วยความจำสี่เครือข่าย, การสกัดข้อเท็จจริงเชิงบรรยาย, วิวัฒนาการความเชื่อมั่นของความคิดเห็น
• SuCo: arXiv 2411.14754 (2024): “Subspace Collision” การดึงเพื่อนบ้านใกล้เคียงโดยประมาณ