43 KiB
OpenClaw: 零上下文图原生自主记忆系统
- 核心范式 状态完全外部化：LLM实例不保留任何对话历史、不维护内部记忆、不依赖上下文窗口。每轮推理仅依赖：
- 当前用户输入
- 图数据库实时查询返回的子图
- 系统提供的元认知指令 模型即控制器：与传统"工具调用"不同，模型不是被动响应预设触发器，而是主动评估信息需求、自主决策记忆操作（查询/写入/删除/修正）。 图即唯一真相源：所有会话状态、实体关系、推理轨迹以节点-边形式持久化于Neo4j，模型通过显式工具调用与状态交互。
-
架构组件 2.1 工具层（Skill System） { "tools": [ { "name": "memory_recall", "description": "当你对当前输入中的实体、指代、或关系不确定时，调用此工具检索相关记忆。输入为自然语言查询意图，系统将返回相关子图。", "parameters": { "query_intent": "string", // 模型用自然语言描述想查什么 "seed_entities": ["string"], // 可选：已识别的实体ID "depth": "number" // 期望的遍历深度，由模型根据复杂度决定 } }, { "name": "memory_commit", "description": "当你认为当前对话包含对未来轮次有价值的信息时，将抽取的三元组写入图库。仅在信息具有跨轮次引用潜力时调用。", "parameters": { "triplets": [ {"subject": "string", "relation": "string", "object": "string", "confidence": "float"} ], "entity_types": ["string"], // 模型动态提议类型 "temporal_tag": "string" // 可选：时间标记（如'2026-04-08'） } }, { "name": "memory_purge", "description": "当你发现记忆中的信息与当前认知矛盾，或用户明确要求更正时，删除指定关系。优先于memory_commit执行以维护一致性。", "parameters": { "criteria": { "subject_contains": "string", "relation_type": "string", "time_before": "string" } } }, { "name": "memory_introspect", "description": "检索当前对话会话的元数据：已讨论的实体、关系密度、记忆热点。用于自我监控信息缺口。", "parameters": {} } ] }
2.2 控制流（每轮交互） 用户输入 ↓ [LLM首次推理] → 评估：我是否理解所有实体和指代？ ↓ 是/否 ├─→ 调用memory_recall（自主决定查询深度和范围） │ └─→ 返回子图（JSON格式） ├─→ 调用memory_introspect（可选：检查会话状态） ↓ [LLM二次推理] → 基于检索结果生成回复草稿 ↓ [LLM三次推理] → 评估：本次对话产生的新信息价值？ ↓ 高/低 ├─→ 调用memory_commit（动态类型，可变粒度） └─→ 跳过写入 ↓ 返回给用户 关键：每轮可能包含多次工具调用序列，模型自主编排调用顺序（如先purge后commit，或多次recall逐步探索）。 2.3 数据模型（动态Schema） 节点： (:Entity { id: "模型生成或系统分配", canonical_name: "标准命名", aliases: ["别名列表"], type: "模型动态提议", // 无封闭列表，系统仅做相似性归一化 first_seen: timestamp, last_accessed: timestamp, access_count: int, embedding: vector // 用于语义相似度去重 }) 关系： (:Entity)-[:RELATION { type: "模型定义的关系语义", timestamp: timestamp, session_id: "对话线程ID", confidence: float, valid_until: timestamp // 支持临时性知识 }]->(:Entity) 会话锚点： (:Session {id: "uuid", created: timestamp})-[:CONTAINS]->(:Entity) --- 3. 自治决策机制 3.1 元认知Prompt（系统指令） 你是OpenClaw的自主记忆控制器。你的上下文窗口为空，你是无状态的。 可用记忆操作： 1. recall: 当你遇到指代（"那个"、"它"、"之前说的"）、未知实体、或需要验证的事实时调用 2. commit: 仅当信息满足以下条件时写入： - 用户明确偏好/属性（"我喜欢Python"） - 跨轮次可引用的事实（"项目X的截止日期是..."） - 推理链的关键中间结论 不要写入：临时例子、闲聊寒暄、已存储的冗余信息 3. purge: 检测到用户更正（"不对，我是说..."）或逻辑矛盾时立即执行 决策原则： - 不确定性驱动查询：只要存在歧义，优先recall而非猜测 - 写入抑制：宁可少写，不要写噪（图库污染代价高） - 类型复用：优先使用已存在的entity_types，新类型仅在语义无法归约时创建 3.2 并发与一致性 竞态处理： - 每轮工具调用携带session_id和turn_id - Neo4j使用MERGE确保实体幂等性（基于embedding相似度阈值去重） - 关系写入使用CREATE（允许重复关系带不同timestamp，形成时序链） 长事务支持： 若单轮需要多次recall（如探索性查询），模型在单次API调用中使用parallel_tool_calls并行发起，减少RTT。 --- 4. 与常规架构的本质差异 维度 传统RAG MemGPT OpenClaw 记忆位置 向量库+上下文窗口 分层虚拟内存 图数据库（唯一） 检索触发 固定策略（如top-k） OS式页面置换 模型自主决策 写入控制 自动分块存储 自动换页 模型价值判断 结构化 平面向量 线性序列 拓扑图结构 一致性 最终一致 虚拟内存一致 显式事务（purge+commit） --- 5. 工程实现要点 5.1 性能优化（针对你的系统背景） 连接池管理： - Neo4j驱动配置max_connection_pool_size: 20（匹配龙虾工作线程数） - 工具调用使用session.run的短事务，避免长连接占用 查询优化： - recall工具内部实现：先向量相似度检索（快速定位），再图遍历（关系展开） - 对高频查询路径（如"用户偏好"）建立索引：CREATE INDEX entity_type_idx FOR (e:Entity) ON (e.type) 批处理： - memory_commit支持单轮批量写入（UNWIND $triplets），减少IO次数 5.2 故障与降级 图库离线： - 工具返回特定错误码（GRAPH_UNAVAILABLE） - 模型进入"无记忆模式"：明确告知用户"我暂时无法访问历史记录"，而非静默幻觉 写入失败： - 本地jsonl日志作为WAL（Write-Ahead Log），后台进程重放 - 模型接收commit_partial_success反馈，知道哪些信息已丢失 5.3 监控指标 - 记忆命中率：recall返回非空结果的比例（衡量查询有效性） - 写入信噪比：commit频率 vs 后续recall实际引用的比例 - 类型熵：动态创建的entity_types数量及分布（防止过度碎片化） --- 6. 实验验证路径 1. 基线对比：相同长对话任务（50+轮），对比本架构与32k上下文窗口的事实一致性准确率 2. 消融实验：固定recall策略（强制每轮查询）vs 自主决策，测量查询次数-准确率曲线 3. 压力测试：模拟100并发会话，监测Neo4j连接池争用及延迟P99 4. 故障注入：随机丢弃commit操作，验证模型能否通过后续recall发现不一致并修正 --- 这套架构的终极验证是：当上下文窗口物理上设为1（仅保留当前输入）时，系统能否维持连贯、准确、有记忆的多轮对话。如果成功，则证明图外部化完全替代了参数化记忆。