mirror of
https://gitcode.com/JianFeeeee/TrulyMEM-TrueHumanMEM.git
synced 2026-09-28 21:33:09 +00:00
173 lines
43 KiB
Markdown
173 lines
43 KiB
Markdown
OpenClaw: 零上下文图原生自主记忆系统
|
||
1. 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。
|
||
|
||
---
|
||
|
||
2. 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。
|
||
|