{ "slug": "long-term-memory", "category": "retrieval", "updated": "2026-08-25", "version": "1.2", "url": "https://santismm.com/en/patterns/long-term-memory", "canonical_url": "https://santismm.com/en/patterns/long-term-memory", "api_url": "https://santismm.com/api/patterns/long-term-memory", "urls": { "en": "https://santismm.com/en/patterns/long-term-memory", "es": "https://santismm.com/es/patterns/long-term-memory", "pt": "https://santismm.com/pt/patterns/long-term-memory", "fr": "https://santismm.com/fr/patterns/long-term-memory", "de": "https://santismm.com/de/patterns/long-term-memory", "ja": "https://santismm.com/ja/patterns/long-term-memory", "zh": "https://santismm.com/zh/patterns/long-term-memory" }, "evidence": { "evidenceLevel": "production", "confidenceLevel": "low", "sourceType": [ "production_system", "personal_experience", "industry_observation" ] }, "technologies": [ "Vector store", "Memory frameworks (Mem0 / LangMem)", "RAG", "Summarization" ], "references": [ { "title": "Packer et al. — MemGPT (2023)", "url": "https://arxiv.org/abs/2310.08560" }, { "title": "Anthropic — Building Effective Agents (2024)", "url": "https://www.anthropic.com/research/building-effective-agents" } ], "related": [ "semantic-caching", "context-compression", "attributed-memory" ], "locales": { "en": { "name": "Long-Term Memory", "summary": "Give an agent persistent memory across sessions so it remembers facts, user preferences, and prior outcomes beyond a single context window. A write path decides what to store, summarizes it, and deduplicates it; a read path retrieves only the relevant memories into context when needed. Unlike semantic caching, which caches whole answers to skip recomputation, long-term memory stores durable facts and state and recomposes them into fresh reasoning each time.", "problem": "The context window is finite and resets between sessions. An agent that only sees the current conversation forgets a user's stated preferences, decisions made last week, and the outcome of prior tasks. Stuffing all history into every prompt is impossible past a certain scale and degrades reasoning as the window fills with low-value tokens. Teams need a way to persist the small set of facts that matter and surface them precisely when they are relevant.", "context": "Use this when an agent serves the same users or works on the same long-running tasks repeatedly: assistants that learn preferences, support agents that track a customer's history, coding agents that remember project conventions, or multi-step workflows spanning days. It assumes you can store data outside the model (a vector store, database, or memory framework) and that you control both when memories are written and how they are retrieved into the prompt.", "solution": [ "Separate the write path from the read path. On the write path, after a turn or task completes, an extraction step decides what is worth remembering: stable facts, preferences, commitments, and outcomes — not transient chatter. Candidate memories are summarized into compact, self-contained statements, checked against existing memories to deduplicate and to detect contradictions, then written to a store with metadata: a memory type, a timestamp, a source, and the user or scope it belongs to. Writing less but writing well is the goal; noisy memories poison later retrieval.\n\nOn the read path, before the agent reasons, you retrieve candidate memories relevant to the current task — typically by semantic similarity plus filters on scope and recency — rank them, and inject only the top few into context. Treat retrieval as a precision problem: a handful of correct memories beats a large, loosely related set. Distinguish memory types so retrieval can be targeted: episodic (what happened), semantic (durable facts and preferences), and procedural (how to do a recurring task). Periodically consolidate and expire memories so the store stays small, current, and free of contradictions." ], "components": [ "Memory extractor (write path)", "Deduplication and contradiction check", "Memory store", "Retriever (read path)", "Context assembler", "Consolidation and expiry job" ], "benefits": [ "The agent recalls preferences, decisions, and outcomes from prior sessions, so users do not have to repeat context and the agent behaves consistently over time.", "Retrieving a few relevant memories keeps the window focused on high-value tokens instead of dumping full history, which preserves reasoning quality and reduces cost.", "As stable facts and preferences accumulate, the agent tailors responses more accurately with each interaction without retraining the model.", "Because memories live in an external store with metadata, you can inspect, correct, export, and delete what the agent knows — important for trust and compliance." ], "risks": [ "Without consolidation and expiry, the store accumulates outdated facts and conflicting statements, and the agent confidently acts on the wrong one.", "Persisting user data raises retention, consent, and access-control obligations; memories can leak sensitive information across sessions or users if scope is not enforced.", "Low precision injects irrelevant or wrong memories that mislead reasoning; low recall silently drops the memory that mattered, making failures hard to diagnose.", "Over-eager writing inflates the store, slows retrieval, raises storage and embedding costs, and dilutes the signal that good retrieval depends on." ], "whenNot": [ "If sessions are independent and nothing needs to carry over, persistent memory adds complexity, cost, and privacy surface for no benefit.", "When the goal is to reuse a previous answer for a repeated query, semantic caching is the right tool; long-term memory is for remembering facts and state, not caching outputs.", "Where regulation or policy forbids retaining user data, do not persist memories; rely on in-session context or explicit, scoped storage the user controls." ], "examples": [ "Across sessions it remembers tone, formats, recurring contacts, and standing instructions, retrieving the few that apply to the current request instead of re-asking.", "On each contact it retrieves the customer's prior issues, entitlements, and resolutions scoped to that account, so it continues rather than restarts the conversation.", "It stores procedural memories — build commands, naming rules, review preferences — and recalls them when working in the same repository over many sessions." ], "productionEvidence": { "context": "Single-operator, local-first OpenClaw deployment observed over 57 days (161 sessions / 2,776 turns), aggregated from the agent's own trajectory traces.", "scenario": "The agent persists workspace memory files and per-session traces for cross-turn and cross-session continuity, with a semantic-recall plugin available on demand.", "technology": "Workspace memory files (MEMORY.md, IDENTITY.md, SOUL.md, USER.md, HEARTBEAT.md), persistent session ids and lifecycle events, and an active-memory plugin (memory_search/get/recall).", "load": "134 persisted session files across the 57-day window; semantic recall invoked once.", "results": "Continuity held across 134 persisted sessions over 57 days through structural workspace memory; explicit semantic recall was rarely needed (one call) in this autonomous workload. Single-operator local-first deployment." }, "kpis": [ { "metric": "Retrieval precision of injected memories", "note": "Of the memories placed in context, the share that were actually relevant. This is the metric that most directly governs answer quality; good looks like the injected set being almost entirely on-topic, with irrelevant memories rare." }, { "metric": "Retrieval recall on memory-dependent tasks", "note": "On tasks that require a known stored fact, how often that fact is actually retrieved. Good looks like the right memory surfacing reliably; persistent misses point to extraction or indexing gaps." }, { "metric": "Memory store size and growth rate", "note": "Total memories and how fast they accumulate per active user. Good looks like growth tracking genuinely new durable facts, not unbounded climb — a runaway curve signals over-eager writing." }, { "metric": "Staleness and contradiction rate", "note": "Share of retrieved memories that are outdated or conflict with a newer truth. Good looks like a low and stable rate, evidence that consolidation and expiry are keeping pace with change." } ], "failureModes": [ "Writing everything turns the store into noise; retrieval then surfaces low-value or wrong memories. Fix by raising the bar for what gets written and reviewing extraction quality.", "An old fact is retrieved and acted on after the truth changed, with no signal that it is outdated. Mitigate with timestamps, recency-weighted ranking, and explicit supersession on write.", "A memory from one user, tenant, or project is retrieved into another's context because scope filters were missing or wrong — a privacy and correctness failure at once.", "To compensate for poor ranking, teams inject many memories, refilling the window with marginal tokens and degrading the very reasoning memory was meant to support." ], "lessons": [ "Quality is decided when you choose what to remember. A small, clean, deduplicated store retrieves far better than a large noisy one.", "A few correct memories outperform many loosely related ones. Tune for relevance and rank tightly rather than maximizing how much you inject.", "Store metadata and provide ways to view, edit, expire, and delete memories. This is essential for debugging, trust, and meeting privacy obligations.", "Facts go stale and contradict each other. Build consolidation, supersession, and expiry early; retrofitting them onto a large polluted store is painful." ], "faqs": [ { "q": "How is this different from semantic caching?", "a": "Semantic caching stores and replays whole answers to avoid recomputing similar requests. Long-term memory stores durable facts, preferences, and outcomes, then recomposes them into fresh reasoning for each new task. One reuses outputs; the other remembers state." }, { "q": "What should the agent actually remember?", "a": "Stable, reusable signal: user preferences, decisions and commitments, outcomes of prior tasks, and recurring procedures. Avoid transient chatter and anything you cannot justify retaining. Writing less but writing well is what makes later retrieval precise." }, { "q": "How do you handle PII and privacy?", "a": "Treat the store as governed data: enforce scope so memories never cross users or tenants, minimize what you persist, support consent and deletion, and set retention and access controls. Inspectability and an expiry policy are part of meeting these obligations." } ] }, "es": { "name": "Memoria a largo plazo", "summary": "Dota a un agente de memoria persistente entre sesiones para que recuerde hechos, preferencias del usuario y resultados previos más allá de una única ventana de contexto. Una vía de escritura decide qué almacenar, lo resume y lo deduplica; una vía de lectura recupera solo las memorias relevantes hacia el contexto cuando hacen falta. A diferencia del almacenamiento en caché semántico, que cachea respuestas completas para evitar recomputar, la memoria a largo plazo guarda hechos y estado duraderos y los recompone en razonamiento nuevo cada vez.", "problem": "La ventana de contexto es finita y se reinicia entre sesiones. Un agente que solo ve la conversación actual olvida las preferencias declaradas por el usuario, las decisiones tomadas la semana pasada y el resultado de tareas previas. Meter todo el historial en cada prompt es imposible a cierta escala y degrada el razonamiento a medida que la ventana se llena de tokens de bajo valor. Los equipos necesitan una forma de persistir el pequeño conjunto de hechos que importan y de mostrarlos con precisión cuando son relevantes.", "context": "Úsalo cuando un agente atiende a los mismos usuarios o trabaja repetidamente en las mismas tareas de larga duración: asistentes que aprenden preferencias, agentes de soporte que siguen el historial de un cliente, agentes de programación que recuerdan las convenciones de un proyecto o flujos de varios pasos que abarcan días. Supone que puedes almacenar datos fuera del modelo (un almacén vectorial, una base de datos o un framework de memoria) y que controlas tanto cuándo se escriben las memorias como cómo se recuperan hacia el prompt.", "solution": [ "Separa la vía de escritura de la vía de lectura. En la vía de escritura, tras completar un turno o una tarea, un paso de extracción decide qué vale la pena recordar: hechos estables, preferencias, compromisos y resultados, no charla transitoria. Las memorias candidatas se resumen en enunciados compactos y autocontenidos, se contrastan con las memorias existentes para deduplicar y detectar contradicciones, y se escriben en un almacén con metadatos: un tipo de memoria, una marca de tiempo, una fuente y el usuario o ámbito al que pertenecen. El objetivo es escribir menos pero escribir bien; las memorias ruidosas envenenan la recuperación posterior.\n\nEn la vía de lectura, antes de que el agente razone, recuperas las memorias candidatas relevantes para la tarea actual — normalmente por similitud semántica más filtros de ámbito y recencia —, las clasificas e inyectas solo las pocas mejores en el contexto. Trata la recuperación como un problema de precisión: un puñado de memorias correctas vale más que un conjunto grande y poco relacionado. Distingue los tipos de memoria para que la recuperación sea dirigida: episódica (qué ocurrió), semántica (hechos y preferencias duraderos) y procedimental (cómo realizar una tarea recurrente). Consolida y expira las memorias periódicamente para que el almacén siga siendo pequeño, actual y libre de contradicciones." ], "components": [ "Extractor de memorias (vía de escritura)", "Verificación de duplicados y contradicciones", "Almacén de memorias", "Recuperador (vía de lectura)", "Ensamblador de contexto", "Tarea de consolidación y expiración" ], "benefits": [ "El agente recuerda preferencias, decisiones y resultados de sesiones previas, así los usuarios no tienen que repetir el contexto y el agente se comporta de forma consistente en el tiempo.", "Recuperar unas pocas memorias relevantes mantiene la ventana centrada en tokens de alto valor en lugar de volcar todo el historial, lo que preserva la calidad del razonamiento y reduce el coste.", "A medida que se acumulan hechos y preferencias estables, el agente adapta sus respuestas con más precisión en cada interacción sin reentrenar el modelo.", "Como las memorias viven en un almacén externo con metadatos, puedes inspeccionar, corregir, exportar y borrar lo que el agente sabe, algo importante para la confianza y el cumplimiento normativo." ], "risks": [ "Sin consolidación ni expiración, el almacén acumula hechos desactualizados y enunciados en conflicto, y el agente actúa con confianza sobre el equivocado.", "Persistir datos de usuario genera obligaciones de retención, consentimiento y control de acceso; las memorias pueden filtrar información sensible entre sesiones o usuarios si no se aplica el ámbito.", "Una precisión baja inyecta memorias irrelevantes o erróneas que desorientan el razonamiento; una cobertura baja descarta en silencio la memoria que importaba, lo que dificulta diagnosticar los fallos.", "Escribir en exceso infla el almacén, ralentiza la recuperación, eleva los costes de almacenamiento y de embeddings y diluye la señal de la que depende una buena recuperación." ], "whenNot": [ "Si las sesiones son independientes y nada necesita trasladarse, la memoria persistente añade complejidad, coste y superficie de privacidad sin beneficio.", "Cuando el objetivo es reutilizar una respuesta previa para una consulta repetida, el almacenamiento en caché semántico es la herramienta adecuada; la memoria a largo plazo es para recordar hechos y estado, no para cachear salidas.", "Donde la normativa o la política prohíbe retener datos de usuario, no persistas memorias; apóyate en el contexto de la sesión o en un almacenamiento explícito y acotado que controle el usuario." ], "examples": [ "Entre sesiones recuerda el tono, los formatos, los contactos recurrentes y las instrucciones permanentes, recuperando las pocas que aplican a la solicitud actual en lugar de volver a preguntar.", "En cada contacto recupera los problemas previos del cliente, sus derechos y las resoluciones acotadas a esa cuenta, de modo que continúa en vez de reiniciar la conversación.", "Almacena memorias procedimentales — comandos de compilación, reglas de nombres, preferencias de revisión — y las recuerda al trabajar en el mismo repositorio durante muchas sesiones." ], "productionEvidence": { "context": "Despliegue OpenClaw local-first y mono-operador observado durante 57 días (161 sesiones / 2.776 turnos), agregado desde las propias trazas del agente.", "scenario": "El agente persiste archivos de memoria de workspace y trazas por sesión para continuidad entre turnos y entre sesiones, con un plugin de recuerdo semántico disponible bajo demanda.", "technology": "Archivos de memoria de workspace (MEMORY.md, IDENTITY.md, SOUL.md, USER.md, HEARTBEAT.md), ids de sesión persistentes y eventos de ciclo de vida, y un plugin de memoria activa (memory_search/get/recall).", "load": "134 archivos de sesión persistidos en la ventana de 57 días; recuerdo semántico invocado una vez.", "results": "La continuidad se mantuvo en 134 sesiones persistidas durante 57 días mediante memoria estructural de workspace; el recuerdo semántico explícito apenas se necesitó (una llamada) en esta carga autónoma. Despliegue local-first mono-operador." }, "kpis": [ { "metric": "Precisión de recuperación de las memorias inyectadas", "note": "De las memorias colocadas en el contexto, la proporción que era realmente relevante. Es la métrica que más directamente gobierna la calidad de la respuesta; lo bueno se ve cuando el conjunto inyectado está casi todo a propósito, con memorias irrelevantes poco frecuentes." }, { "metric": "Cobertura de recuperación en tareas dependientes de memoria", "note": "En tareas que requieren un hecho almacenado conocido, con qué frecuencia ese hecho se recupera realmente. Lo bueno se ve cuando la memoria correcta aparece de forma fiable; los fallos persistentes apuntan a lagunas de extracción o de indexación." }, { "metric": "Tamaño del almacén de memorias y ritmo de crecimiento", "note": "Total de memorias y a qué velocidad se acumulan por usuario activo. Lo bueno se ve cuando el crecimiento sigue hechos duraderos genuinamente nuevos, no una subida sin límite — una curva descontrolada señala escritura excesiva." }, { "metric": "Tasa de obsolescencia y contradicción", "note": "Proporción de memorias recuperadas que están desactualizadas o entran en conflicto con una verdad más nueva. Lo bueno se ve como una tasa baja y estable, evidencia de que la consolidación y la expiración van al ritmo del cambio." } ], "failureModes": [ "Escribir todo convierte el almacén en ruido; entonces la recuperación expone memorias de bajo valor o erróneas. Se corrige elevando el umbral de lo que se escribe y revisando la calidad de la extracción.", "Un hecho antiguo se recupera y se actúa sobre él después de que la verdad cambió, sin señal de que esté desactualizado. Se mitiga con marcas de tiempo, clasificación ponderada por recencia y reemplazo explícito al escribir.", "Una memoria de un usuario, inquilino o proyecto se recupera hacia el contexto de otro porque faltaban o eran incorrectos los filtros de ámbito — un fallo de privacidad y de corrección a la vez.", "Para compensar una mala clasificación, los equipos inyectan muchas memorias, rellenando la ventana con tokens marginales y degradando el mismo razonamiento que la memoria debía sostener." ], "lessons": [ "La calidad se decide cuando eliges qué recordar. Un almacén pequeño, limpio y deduplicado recupera mucho mejor que uno grande y ruidoso.", "Unas pocas memorias correctas superan a muchas poco relacionadas. Ajusta por relevancia y clasifica con rigor en lugar de maximizar cuánto inyectas.", "Almacena metadatos y ofrece formas de ver, editar, expirar y borrar memorias. Es esencial para depurar, generar confianza y cumplir las obligaciones de privacidad.", "Los hechos se vuelven obsoletos y se contradicen. Construye consolidación, reemplazo y expiración pronto; adaptarlos sobre un almacén grande y contaminado es doloroso." ], "faqs": [ { "q": "¿En qué se diferencia del almacenamiento en caché semántico?", "a": "El caché semántico almacena y reproduce respuestas completas para evitar recomputar solicitudes similares. La memoria a largo plazo almacena hechos, preferencias y resultados duraderos, y luego los recompone en razonamiento nuevo para cada tarea. Uno reutiliza salidas; la otra recuerda estado." }, { "q": "¿Qué debe recordar realmente el agente?", "a": "Señal estable y reutilizable: preferencias del usuario, decisiones y compromisos, resultados de tareas previas y procedimientos recurrentes. Evita la charla transitoria y cualquier cosa que no puedas justificar retener. Escribir menos pero escribir bien es lo que hace precisa la recuperación posterior." }, { "q": "¿Cómo se manejan la PII y la privacidad?", "a": "Trata el almacén como datos gobernados: aplica el ámbito para que las memorias nunca crucen entre usuarios o inquilinos, minimiza lo que persistes, admite consentimiento y borrado, y define controles de retención y de acceso. La inspeccionabilidad y una política de expiración son parte del cumplimiento de estas obligaciones." } ] }, "pt": { "name": "Memória de longo prazo", "summary": "Dá a um agente memória persistente entre sessões para que ele lembre fatos, preferências do usuário e resultados anteriores além de uma única janela de contexto. Um caminho de escrita decide o que armazenar, resume e remove duplicatas; um caminho de leitura recupera apenas as memórias relevantes para o contexto quando preciso. Diferente do cache semântico, que armazena respostas inteiras para evitar recomputar, a memória de longo prazo guarda fatos e estado duradouros e os recompõe em raciocínio novo a cada vez.", "problem": "A janela de contexto é finita e reinicia entre sessões. Um agente que só enxerga a conversa atual esquece as preferências declaradas pelo usuário, as decisões tomadas na semana passada e o resultado de tarefas anteriores. Colocar todo o histórico em cada prompt é inviável a partir de certa escala e degrada o raciocínio à medida que a janela se enche de tokens de baixo valor. As equipes precisam de uma forma de persistir o pequeno conjunto de fatos que importam e de trazê-los com precisão quando são relevantes.", "context": "Use isto quando um agente atende os mesmos usuários ou trabalha repetidamente nas mesmas tarefas de longa duração: assistentes que aprendem preferências, agentes de suporte que acompanham o histórico de um cliente, agentes de programação que lembram as convenções de um projeto ou fluxos de várias etapas que se estendem por dias. Pressupõe que você consegue armazenar dados fora do modelo (um armazenamento vetorial, um banco de dados ou um framework de memória) e que controla tanto quando as memórias são escritas quanto como são recuperadas para o prompt.", "solution": [ "Separe o caminho de escrita do caminho de leitura. No caminho de escrita, após concluir um turno ou tarefa, uma etapa de extração decide o que vale a pena lembrar: fatos estáveis, preferências, compromissos e resultados — não conversa passageira. As memórias candidatas são resumidas em afirmações compactas e autocontidas, comparadas com as memórias existentes para remover duplicatas e detectar contradições, e gravadas em um armazenamento com metadados: um tipo de memória, um carimbo de tempo, uma fonte e o usuário ou escopo a que pertencem. O objetivo é escrever menos, mas escrever bem; memórias ruidosas envenenam a recuperação posterior.\n\nNo caminho de leitura, antes de o agente raciocinar, você recupera as memórias candidatas relevantes para a tarefa atual — geralmente por similaridade semântica mais filtros de escopo e recência —, as classifica e injeta apenas as poucas melhores no contexto. Trate a recuperação como um problema de precisão: um punhado de memórias corretas vale mais que um conjunto grande e pouco relacionado. Distinga os tipos de memória para que a recuperação seja direcionada: episódica (o que aconteceu), semântica (fatos e preferências duradouros) e procedimental (como executar uma tarefa recorrente). Consolide e expire as memórias periodicamente para que o armazenamento permaneça pequeno, atual e livre de contradições." ], "components": [ "Extrator de memórias (caminho de escrita)", "Verificação de duplicatas e contradições", "Armazenamento de memórias", "Recuperador (caminho de leitura)", "Montador de contexto", "Tarefa de consolidação e expiração" ], "benefits": [ "O agente lembra preferências, decisões e resultados de sessões anteriores, então os usuários não precisam repetir o contexto e o agente se comporta de forma consistente ao longo do tempo.", "Recuperar algumas memórias relevantes mantém a janela focada em tokens de alto valor em vez de despejar todo o histórico, o que preserva a qualidade do raciocínio e reduz o custo.", "À medida que fatos e preferências estáveis se acumulam, o agente adapta as respostas com mais precisão a cada interação sem retreinar o modelo.", "Como as memórias ficam em um armazenamento externo com metadados, você pode inspecionar, corrigir, exportar e excluir o que o agente sabe — importante para confiança e conformidade." ], "risks": [ "Sem consolidação e expiração, o armazenamento acumula fatos desatualizados e afirmações conflitantes, e o agente age com confiança sobre o errado.", "Persistir dados do usuário gera obrigações de retenção, consentimento e controle de acesso; as memórias podem vazar informações sensíveis entre sessões ou usuários se o escopo não for aplicado.", "Baixa precisão injeta memórias irrelevantes ou erradas que desorientam o raciocínio; baixa cobertura descarta em silêncio a memória que importava, dificultando o diagnóstico das falhas.", "Escrever em excesso infla o armazenamento, torna a recuperação mais lenta, eleva custos de armazenamento e de embeddings e dilui o sinal do qual uma boa recuperação depende." ], "whenNot": [ "Se as sessões são independentes e nada precisa ser carregado adiante, a memória persistente adiciona complexidade, custo e superfície de privacidade sem benefício.", "Quando o objetivo é reutilizar uma resposta anterior para uma consulta repetida, o cache semântico é a ferramenta certa; a memória de longo prazo serve para lembrar fatos e estado, não para armazenar saídas em cache.", "Onde a regulação ou a política proíbe reter dados do usuário, não persista memórias; apoie-se no contexto da sessão ou em um armazenamento explícito e delimitado que o usuário controle." ], "examples": [ "Entre sessões ele lembra o tom, os formatos, os contatos recorrentes e as instruções permanentes, recuperando as poucas que se aplicam ao pedido atual em vez de perguntar de novo.", "A cada contato ele recupera os problemas anteriores do cliente, seus direitos e as resoluções delimitadas àquela conta, de modo que continua em vez de reiniciar a conversa.", "Armazena memórias procedimentais — comandos de build, regras de nomenclatura, preferências de revisão — e as recupera ao trabalhar no mesmo repositório ao longo de muitas sessões." ], "productionEvidence": { "context": "Implantação OpenClaw local-first e de operador único observada por 57 dias (161 sessões / 2.776 turnos), agregada a partir dos próprios rastros do agente.", "scenario": "O agente persiste arquivos de memória de workspace e rastros por sessão para continuidade entre turnos e entre sessões, com um plugin de recall semântico disponível sob demanda.", "technology": "Arquivos de memória de workspace (MEMORY.md, IDENTITY.md, SOUL.md, USER.md, HEARTBEAT.md), ids de sessão persistentes e eventos de ciclo de vida, e um plugin de memória ativa (memory_search/get/recall).", "load": "134 arquivos de sessão persistidos na janela de 57 dias; recall semântico invocado uma vez.", "results": "A continuidade se manteve em 134 sessões persistidas por 57 dias por meio de memória estrutural de workspace; o recall semântico explícito quase não foi necessário (uma chamada) nesta carga autônoma. Implantação local-first de operador único." }, "kpis": [ { "metric": "Precisão de recuperação das memórias injetadas", "note": "Das memórias colocadas no contexto, a parcela que era de fato relevante. É a métrica que mais diretamente governa a qualidade da resposta; o bom é quando o conjunto injetado está quase todo no tema, com memórias irrelevantes raras." }, { "metric": "Cobertura de recuperação em tarefas dependentes de memória", "note": "Em tarefas que exigem um fato armazenado conhecido, com que frequência esse fato é de fato recuperado. O bom é quando a memória certa aparece de forma confiável; falhas persistentes apontam lacunas de extração ou de indexação." }, { "metric": "Tamanho do armazenamento de memórias e taxa de crescimento", "note": "Total de memórias e a que velocidade se acumulam por usuário ativo. O bom é quando o crescimento acompanha fatos duradouros genuinamente novos, não uma subida sem limite — uma curva descontrolada sinaliza escrita excessiva." }, { "metric": "Taxa de obsolescência e contradição", "note": "Parcela das memórias recuperadas que estão desatualizadas ou conflitam com uma verdade mais nova. O bom é uma taxa baixa e estável, evidência de que a consolidação e a expiração acompanham o ritmo da mudança." } ], "failureModes": [ "Escrever tudo transforma o armazenamento em ruído; a recuperação então expõe memórias de baixo valor ou erradas. Corrija elevando o critério do que é escrito e revisando a qualidade da extração.", "Um fato antigo é recuperado e usado depois que a verdade mudou, sem sinal de que está desatualizado. Mitigue com carimbos de tempo, classificação ponderada por recência e substituição explícita na escrita.", "Uma memória de um usuário, inquilino ou projeto é recuperada para o contexto de outro porque os filtros de escopo faltavam ou estavam errados — uma falha de privacidade e de correção ao mesmo tempo.", "Para compensar uma classificação ruim, as equipes injetam muitas memórias, reenchendo a janela com tokens marginais e degradando justamente o raciocínio que a memória deveria sustentar." ], "lessons": [ "A qualidade é decidida quando você escolhe o que lembrar. Um armazenamento pequeno, limpo e sem duplicatas recupera muito melhor que um grande e ruidoso.", "Algumas memórias corretas superam muitas pouco relacionadas. Ajuste por relevância e classifique com rigor em vez de maximizar quanto você injeta.", "Armazene metadados e ofereça formas de ver, editar, expirar e excluir memórias. Isso é essencial para depurar, gerar confiança e cumprir obrigações de privacidade.", "Fatos ficam obsoletos e se contradizem. Construa consolidação, substituição e expiração cedo; adaptá-las a um armazenamento grande e poluído é doloroso." ], "faqs": [ { "q": "Como isso difere do cache semântico?", "a": "O cache semântico armazena e reproduz respostas inteiras para evitar recomputar solicitações semelhantes. A memória de longo prazo armazena fatos, preferências e resultados duradouros e depois os recompõe em raciocínio novo para cada tarefa. Um reutiliza saídas; a outra lembra estado." }, { "q": "O que o agente deve de fato lembrar?", "a": "Sinal estável e reutilizável: preferências do usuário, decisões e compromissos, resultados de tarefas anteriores e procedimentos recorrentes. Evite conversa passageira e qualquer coisa que você não consiga justificar reter. Escrever menos, mas escrever bem, é o que torna a recuperação posterior precisa." }, { "q": "Como lidar com PII e privacidade?", "a": "Trate o armazenamento como dados governados: aplique o escopo para que as memórias nunca cruzem entre usuários ou inquilinos, minimize o que você persiste, dê suporte a consentimento e exclusão, e defina controles de retenção e de acesso. A inspecionabilidade e uma política de expiração fazem parte do cumprimento dessas obrigações." } ] }, "fr": { "name": "Mémoire à long terme", "summary": "Dotez un agent d'une mémoire persistante d'une session à l'autre afin qu'il se souvienne des faits, des préférences de l'utilisateur et des résultats antérieurs au-delà d'une simple fenêtre de contexte. Un chemin d'écriture décide de ce qu'il faut stocker, le synthétise et supprime les doublons ; un chemin de lecture récupère uniquement les souvenirs pertinents dans le contexte en cas de besoin. Contrairement à la mise en cache sémantique, qui met en cache des réponses entières pour éviter de recalculer, la mémoire à long terme stocke des faits et des états durables et les recompose à chaque fois dans un nouveau raisonnement.", "problem": "La fenêtre de contexte est finie et se réinitialise entre les sessions. Un agent qui ne voit que la conversation en cours oublie les préférences exprimées par l'utilisateur, les décisions prises la semaine précédente et le résultat des tâches antérieures. Intégrer tout l'historique dans chaque invite devient impossible au-delà d'une certaine échelle et dégrade le raisonnement à mesure que la fenêtre se remplit de jetons à faible valeur. Les équipes ont besoin d'un moyen de conserver le petit ensemble de faits importants et de les faire remonter précisément lorsqu'ils sont pertinents.", "context": "Utilisez ce modèle lorsqu'un agent est au service des mêmes utilisateurs ou travaille de manière répétée sur les mêmes tâches de longue durée : assistants qui apprennent les préférences, agents de support qui suivent l'historique d'un client, agents de codage qui mémorisent les conventions d'un projet, ou flux de travail multi-étapes s'étendant sur plusieurs jours. Cela suppose que vous puissiez stocker des données en dehors du modèle (un magasin de vecteurs, une base de données ou un framework de mémoire) et que vous contrôliez à la fois le moment où les souvenirs sont écrits et la manière dont ils sont récupérés dans l'invite.", "solution": [ "Séparez le chemin d'écriture du chemin de lecture. Sur le chemin d'écriture, une fois qu'un tour ou une tâche se termine, une étape d'extraction décide de ce qui mérite d'être mémorisé : des faits stables, des préférences, des engagements et des résultats — et non des échanges éphémères. Les souvenirs potentiels sont synthétisés sous forme d'énoncés compacts et autonomes, comparés aux souvenirs existants pour éliminer les doublons et détecter les contradictions, puis écrits dans un magasin avec des métadonnées : un type de mémoire, un horodatage, une source, et l'utilisateur ou la portée auquel il appartient. L'objectif est d'écrire moins mais d'écrire mieux ; des souvenirs superflus polluent les récupérations ultérieures.\n\nSur le chemin de lecture, avant que l'agent ne raisonne, vous récupérez les souvenirs potentiels pertinents pour la tâche en cours — généralement par similarité sémantique combinée à des filtres sur la portée et la récence —, vous les classez et vous n'injectez que les tout premiers dans le contexte. Traitez la récupération comme un problème de précision : une poignée de souvenirs exacts vaut mieux qu'un grand ensemble vaguement lié. Distinguez les types de mémoire afin de cibler la récupération : épisodique (ce qui s'est passé), sémantique (faits et préférences durables) et procédurale (comment réaliser une tâche récurrente). Consolidez périodiquement et faites expirer les souvenirs pour que le magasin reste de taille réduite, à jour et exempt de contradictions." ], "components": [ "Extracteur de mémoire (chemin d'écriture)", "Déduplication et vérification des contradictions", "Magasin de mémoire", "Récupérateur (chemin de lecture)", "Assembleur de contexte", "Tâche de consolidation et d'expiration" ], "benefits": [ "L'agent se souvient des préférences, des décisions et des résultats des sessions précédentes, évitant ainsi aux utilisateurs de répéter le contexte et garantissant un comportement cohérent de l'agent dans le temps.", "La récupération de quelques souvenirs pertinents permet de concentrer la fenêtre sur des jetons à forte valeur plutôt que d'injecter tout l'historique, ce qui préserve la qualité du raisonnement et réduit les coûts.", "À mesure que les faits stables et les préférences s'accumulent, l'agent adapte ses réponses de manière plus précise à chaque interaction, sans nécessiter de réentraînement du modèle.", "Puisque les souvenirs résident dans un magasin externe doté de métadonnées, vous pouvez inspecter, corriger, exporter et supprimer ce que l'agent sait — un aspect essentiel pour la confiance et la conformité." ], "risks": [ "Sans consolidation ni expiration, le magasin accumule des faits obsolètes et des déclarations contradictoires, et l'agent risque d'agir avec assurance sur la base d'informations erronées.", "La conservation des données utilisateur entraîne des obligations en matière de rétention, de consentement et de contrôle d'accès ; les souvenirs peuvent divulguer des informations sensibles d'une session ou d'un utilisateur à l'autre si la portée n'est pas strictement appliquée.", "Une faible précision injecte des souvenirs non pertinents ou erronés qui faussent le raisonnement ; un faible rappel omet silencieusement le souvenir qui importait, rendant les défaillances difficiles à diagnostiquer.", "Une écriture trop systématique gonfle le magasin, ralentit la récupération, augmente les coûts de stockage et d'intégration (embeddings), et dilue le signal dont dépend la qualité de la récupération." ], "whenNot": [ "Si les sessions sont indépendantes et que rien n'a besoin d'être transmis, la mémoire persistante ajoute de la complexité, des coûts et une surface d'exposition des données personnelles sans aucun avantage.", "Lorsque l'objectif est de réutiliser une réponse précédente pour une requête répétée, la mise en cache sémantique est l'outil approprié ; la mémoire à long terme sert à mémoriser des faits et des états, et non à mettre en cache des sorties.", "Lorsque la réglementation ou les politiques interdisent la conservation des données utilisateur, ne persistez pas les souvenirs ; appuyez-vous sur le contexte de la session ou sur un stockage explicite et délimité contrôlé par l'utilisateur." ], "examples": [ "D'une session à l'autre, il se souvient du ton, des formats, des contacts récurrents et des instructions permanentes, récupérant les quelques éléments qui s'appliquent à la demande en cours au lieu de poser à nouveau la question.", "À chaque contact, il récupère les problèmes antérieurs du client, ses droits et les résolutions associées à ce compte, afin de poursuivre la conversation plutôt que de la recommencer.", "Il stocke des souvenirs procéduraux — commandes de build, règles de nommage, préférences de révision — et les rappelle lorsqu'il travaille sur le même dépôt au fil de nombreuses sessions." ], "productionEvidence": { "context": "Déploiement OpenClaw mono-opérateur et local-first observé sur 57 jours (161 sessions / 2 776 tours), agrégé à partir des traces de trajectoire de l'agent lui-même.", "scenario": "L'agent persiste les fichiers de mémoire de l'espace de travail et les traces par session pour assurer la continuité entre les tours et les sessions, avec un plugin de rappel sémantique disponible à la demande.", "technology": "Fichiers de mémoire de l'espace de travail (MEMORY.md, IDENTITY.md, SOUL.md, USER.md, HEARTBEAT.md), identifiants de session persistants et événements de cycle de vie, et un plugin de mémoire active (memory_search/get/recall).", "load": "134 fichiers de session persistés sur la fenêtre de 57 jours ; rappel sémantique invoqué une fois.", "results": "La continuité a été maintenue sur 134 sessions persistées pendant 57 jours grâce à la mémoire structurelle de l'espace de travail ; le rappel sémantique explicite a été rarement nécessaire (un seul appel) dans cette charge de travail autonome. Déploiement local-first à opérateur unique." }, "kpis": [ { "metric": "Précision de récupération des souvenirs injectés", "note": "Parmi les souvenirs placés en contexte, la part de ceux qui étaient réellement pertinents. C'est la métrique qui régit le plus directement la qualité des réponses ; un bon résultat signifie que l'ensemble injecté est presque entièrement pertinent, les souvenirs non pertinents étant rares." }, { "metric": "Rappel de récupération sur les tâches dépendantes de la mémoire", "note": "Pour les tâches nécessitant un fait stocké connu, la fréquence à laquelle ce fait est réellement récupéré. Un bon résultat signifie que le bon souvenir remonte de manière fiable ; des échecs persistants indiquent des lacunes d'extraction ou d'indexation." }, { "metric": "Taille et taux de croissance du stockage de mémoire", "note": "Nombre total de souvenirs et vitesse à laquelle ils s'accumulent par utilisateur actif. Un bon résultat signifie que la croissance suit de nouveaux faits durables réels, et non une hausse illimitée — une courbe exponentielle signale une écriture trop zélée." }, { "metric": "Taux d'obsolescence et de contradiction", "note": "Part des souvenirs récupérés qui sont obsolètes ou en conflit avec une vérité plus récente. Un bon résultat correspond à un taux faible et stable, preuve que la consolidation et l'expiration suivent le rythme des changements." } ], "failureModes": [ "Tout écrire transforme le stockage en bruit ; la récupération fait alors remonter des souvenirs de faible valeur ou erronés. Corrigez cela en élevant le niveau d'exigence pour ce qui est écrit et en examinant la qualité de l'extraction.", "Un fait ancien est récupéré et exploité après que la vérité a changé, sans aucun signal indiquant qu'il est obsolète. Atténuez ce problème avec des horodatages, un classement pondéré par la récence et un remplacement explicite lors de l'écriture.", "Un souvenir d'un utilisateur, d'un locataire ou d'un projet est récupéré dans le contexte d'un autre parce que les filtres de portée étaient manquants ou incorrects — un échec à la fois de confidentialité et d'exactitude.", "Pour compenser un mauvais classement, les équipes injectent de nombreux souvenirs, remplissant la fenêtre de jetons marginaux et dégradant le raisonnement même que la mémoire était censée soutenir." ], "lessons": [ "La qualité se décide au moment de choisir ce qu'il faut mémoriser. Un stockage restreint, propre et dédoublonné offre une bien meilleure récupération qu'un grand stockage bruyant.", "Quelques souvenirs corrects sont plus performants que de nombreux souvenirs vaguement liés. Ajustez la pertinence et classez de manière stricte plutôt que de maximiser la quantité injectée.", "Stockez les métadonnées et fournissez des moyens de visualiser, modifier, faire expirer et supprimer les souvenirs. C'est essentiel pour le débogage, la confiance et le respect des obligations de confidentialité.", "Les faits deviennent obsolètes et se contredisent. Intégrez tôt la consolidation, le remplacement et l'expiration ; les adapter ultérieurement à un grand stockage pollué est fastidieux." ], "faqs": [ { "q": "En quoi cela diffère-t-il de la mise en cache sémantique ?", "a": "La mise en cache sémantique stocke et rejoue des réponses entières pour éviter de recalculer des requêtes similaires. La mémoire à long terme stocke des faits durables, des préférences et des résultats, puis les recompose dans un nouveau raisonnement pour chaque nouvelle tâche. L'une réutilise les sorties ; l'autre mémorise l'état." }, { "q": "Que doit réellement mémoriser l'agent ?", "a": "Un signal stable et réutilisable : les préférences de l'utilisateur, les décisions et engagements, les résultats des tâches antérieures et les procédures récurrentes. Évitez les bavardages éphémères et tout ce dont vous ne pouvez justifier la conservation. Écrire moins mais écrire bien est ce qui rend la récupération ultérieure précise." }, { "q": "Comment gérez-vous les PII et la confidentialité ?", "a": "Traitez le stockage comme des données gouvernées : appliquez des limites de portée pour que les souvenirs ne croisent jamais les utilisateurs ou les locataires, minimisez ce que vous persistez, prenez en charge le consentement et la suppression, et définissez des contrôles de rétention et d'accès. L'inspectabilité et une politique d'expiration font partie du respect de ces obligations." } ] }, "de": { "name": "Langzeitgedächtnis", "summary": "Geben Sie einem Agenten ein persistentes Gedächtnis über Sitzungen hinweg, sodass er sich an Fakten, Benutzerpräferenzen und frühere Ergebnisse über ein einzelnes Kontextfenster hinaus erinnert. Ein Schreibpfad entscheidet, was gespeichert wird, fasst es zusammen und dedupliziert es; ein Lesepfad ruft bei Bedarf nur die relevanten Erinnerungen in den Kontext ab. Im Gegensatz zum semantischen Caching, das ganze Antworten zwischenspeichert, um Neuberechnungen zu vermeiden, speichert das Langzeitgedächtnis dauerhafte Fakten und Zustände und setzt diese jedes Mal neu für logische Schlussfolgerungen (Reasoning) zusammen.", "problem": "Das Kontextfenster ist begrenzt und wird zwischen den Sitzungen zurückgesetzt. Ein Agent, der nur die aktuelle Konversation sieht, vergisst die geäußerten Präferenzen eines Benutzers, Entscheidungen aus der Vorwoche und die Ergebnisse früherer Aufgaben. Ab einer bestimmten Größenordnung ist es unmöglich, den gesamten Verlauf in jeden Prompt zu packen, und es verschlechtert das Reasoning, da sich das Fenster mit Token von geringem Wert füllt. Teams benötigen eine Möglichkeit, die wenigen entscheidenden Fakten dauerhaft zu speichern und genau dann bereitzustellen, wenn sie relevant sind.", "context": "Verwenden Sie dies, wenn ein Agent wiederholt dieselben Benutzer bedient oder an denselben langlaufenden Aufgaben arbeitet: Assistenten, die Präferenzen lernen, Support-Agenten, die die Historie eines Kunden verfolgen, Coding-Agenten, die sich an Projektkonventionen erinnern, oder mehrstufige Workflows, die sich über Tage erstrecken. Es setzt voraus, dass Sie Daten außerhalb des Modells speichern können (ein Vektorspeicher, eine Datenbank oder ein Memory-Framework) und dass Sie sowohl den Zeitpunkt des Schreibens von Erinnerungen als auch deren Abruf in den Prompt steuern.", "solution": [ "Trennen Sie den Schreibpfad vom Lesepfad. Auf dem Schreibpfad entscheidet nach Abschluss eines Interaktionsschritts (Turn) oder einer Aufgabe ein Extraktionsschritt, was erinnerungswürdig ist: stabile Fakten, Präferenzen, Zusagen und Ergebnisse – kein flüchtiges Geplauder. Potenzielle Erinnerungen werden in kompakte, in sich geschlossene Aussagen zusammengefasst, mit bestehenden Erinnerungen abgeglichen, um sie zu deduplizieren und Widersprüche zu erkennen, und dann mit Metadaten in einen Speicher geschrieben: einem Erinnerungstyp, einem Zeitstempel, einer Quelle und dem Benutzer oder Scope, zu dem sie gehören. Weniger, aber dafür gut zu schreiben, ist das Ziel; verrauschte Erinnerungen beeinträchtigen den späteren Abruf.\n\nAuf dem Lesepfad rufen Sie, bevor der Agent logische Schlussfolgerungen zieht, potenzielle Erinnerungen ab, die für die aktuelle Aufgabe relevant sind – typischerweise durch semantische Ähnlichkeit plus Filter für Scope und Aktualität –, bewerten diese und fügen nur die wichtigsten in den Kontext ein. Betrachten Sie den Abruf als Präzisionsproblem: Eine Handvoll korrekter Erinnerungen ist besser als eine große, lose zusammenhängende Menge. Unterscheiden Sie Erinnerungstypen, um den Abruf gezielt zu steuern: episodisch (was passiert ist), semantisch (dauerhafte Fakten und Präferenzen) und prozedural (wie eine wiederkehrende Aufgabe auszuführen ist). Konsolidieren Sie Erinnerungen regelmäßig und lassen Sie sie ablaufen, damit der Speicher klein, aktuell und frei von Widersprüchen bleibt." ], "components": [ "Memory-Extraktor (Schreibpfad)", "Deduplizierung und Widerspruchsprüfung", "Memory-Speicher", "Retriever (Lesepfad)", "Kontext-Assembler", "Konsolidierungs- und Ablauf-Job" ], "benefits": [ "Der Agent erinnert sich an Präferenzen, Entscheidungen und Ergebnisse aus früheren Sitzungen, sodass Benutzer den Kontext nicht wiederholen müssen und sich der Agent über die Zeit hinweg konsistent verhält.", "Das Abrufen einiger weniger relevanter Erinnerungen sorgt dafür, dass sich das Fenster auf hochwertige Token konzentriert, anstatt den gesamten Verlauf zu laden. Dies erhält die Qualität des Reasonings und senkt die Kosten.", "Da sich stabile Fakten und Präferenzen ansammeln, passt der Agent seine Antworten mit jeder Interaktion präziser an, ohne dass das Modell neu trainiert werden muss.", "Da Erinnerungen in einem externen Speicher mit Metadaten abgelegt werden, können Sie überprüfen, korrigieren, exportieren und löschen, was der Agent weiß – wichtig für Vertrauen und Compliance." ], "risks": [ "Ohne Konsolidierung und Ablaufdatum sammelt der Speicher veraltete Fakten und widersprüchliche Aussagen an, und der Agent agiert selbstbewusst auf Basis der falschen Informationen.", "Das Speichern von Benutzerdaten bringt Verpflichtungen zur Aufbewahrung, Einwilligung und Zugriffskontrolle mit sich; Erinnerungen können sensible Informationen über Sitzungen oder Benutzer hinweg preisgeben, wenn der Scope nicht erzwungen wird.", "Eine geringe Präzision führt dazu, dass irrelevante oder falsche Erinnerungen eingefügt werden, die das Reasoning in die Irre führen; ein geringer Recall lässt genau die Erinnerung, auf die es ankam, stillschweigend untergehen, was Fehler schwer diagnostizierbar macht.", "Zu eifriges Schreiben bläht den Speicher auf, verlangsamt den Abruf, erhöht die Speicher- und Embedding-Kosten und verwässert das Signal, auf das ein guter Abruf angewiesen ist." ], "whenNot": [ "Wenn Sitzungen unabhängig sind und nichts übertragen werden muss, erhöht ein persistentes Gedächtnis die Komplexität, die Kosten und die Angriffsfläche für den Datenschutz, ohne einen Nutzen zu bringen.", "Wenn das Ziel darin besteht, eine vorherige Antwort für eine wiederholte Anfrage wiederzuverwenden, ist semantisches Caching das richtige Werkzeug; das Langzeitgedächtnis dient dem Erinnern von Fakten und Zuständen, nicht dem Caching von Ausgaben.", "Wo Vorschriften oder Richtlinien die Aufbewahrung von Benutzerdaten verbieten, sollten Sie keine Erinnerungen persistieren; verlassen Sie sich auf den In-Session-Kontext oder einen expliziten, eingegrenzten Speicher, den der Benutzer kontrolliert." ], "examples": [ "Über Sitzungen hinweg erinnert es sich an Tonalität, Formate, wiederkehrende Kontakte und ständige Anweisungen und ruft die wenigen ab, die für die aktuelle Anfrage gelten, anstatt erneut nachzufragen.", "Bei jedem Kontakt ruft es die früheren Probleme, Berechtigungen und Lösungen des Kunden ab, die auf dieses Konto bezogen sind, sodass es die Konversation fortsetzt, anstatt sie neu zu starten.", "Es speichert prozedurale Erinnerungen – Build-Befehle, Namensregeln, Review-Präferenzen – und ruft sie ab, wenn in vielen Sitzungen im selben Repository gearbeitet wird." ], "productionEvidence": { "context": "Single-Operator, Local-First OpenClaw-Bereitstellung, beobachtet über 57 Tage (161 Sitzungen / 2.776 Turns), aggregiert aus den eigenen Trajektorien-Traces des Agenten.", "scenario": "Der Agent persistiert Workspace-Memory-Dateien und Traces pro Sitzung für die Kontinuität über Turns und Sitzungen hinweg, wobei bei Bedarf ein Plugin für semantischen Abruf zur Verfügung steht.", "technology": "Workspace-Speicherdateien (MEMORY.md, IDENTITY.md, SOUL.md, USER.md, HEARTBEAT.md), persistente Session-IDs und Lifecycle-Events sowie ein Active-Memory-Plugin (memory_search/get/recall).", "load": "134 persistierte Session-Dateien über das 57-Tage-Fenster; semantischer Abruf (semantic recall) einmal aufgerufen.", "results": "Die Kontinuität blieb über 134 persistierte Sessions hinweg über 57 Tage durch strukturellen Workspace-Speicher erhalten; expliziter semantischer Abruf war in diesem autonomen Workload selten erforderlich (ein Aufruf). Lokale Bereitstellung für einen einzelnen Operator (Local-First)." }, "kpis": [ { "metric": "Retrieval-Präzision (Precision) injizierter Erinnerungen", "note": "Der Anteil der tatsächlich relevanten Erinnerungen unter den in den Kontext eingefügten. Dies ist die Metrik, die die Antwortqualität am direktesten beeinflusst; ein gutes Ergebnis bedeutet, dass die injizierte Menge fast vollständig themenbezogen ist und irrelevante Erinnerungen selten sind." }, { "metric": "Retrieval-Trefferquote (Recall) bei speicherabhängigen Aufgaben", "note": "Bei Aufgaben, die einen bekannten gespeicherten Fakt erfordern, die Häufigkeit, mit der dieser Fakt tatsächlich abgerufen wird. Ein gutes Ergebnis bedeutet, dass die richtige Erinnerung zuverlässig auftaucht; anhaltende Fehlversuche deuten auf Lücken bei der Extraktion oder Indizierung hin." }, { "metric": "Größe und Wachstumsrate des Speichers", "note": "Gesamtzahl der Erinnerungen und wie schnell sie sich pro aktivem Benutzer ansammeln. Ein gutes Ergebnis bedeutet, dass das Wachstum tatsächlich neue, dauerhafte Fakten widerspiegelt und keinen unbegrenzten Anstieg – eine exponentielle Kurve signalisiert ein zu eifriges Schreiben." }, { "metric": "Veraltungs- und Widerspruchsrate", "note": "Anteil der abgerufenen Erinnerungen, die veraltet sind oder im Widerspruch zu einer neueren Wahrheit stehen. Ein gutes Ergebnis bedeutet eine niedrige und stabile Rate, was beweist, dass Konsolidierung und Ablaufdatum mit den Änderungen Schritt halten." } ], "failureModes": [ "Das Schreiben von allem verwandelt den Speicher in Rauschen; der Abruf liefert dann minderwertige oder falsche Erinnerungen. Beheben Sie dies, indem Sie die Hürde für das Schreiben erhöhen und die Extraktionsqualität überprüfen.", "Ein alter Fakt wird abgerufen und verarbeitet, nachdem sich die Wahrheit geändert hat, ohne dass ein Signal für die Veraltung vorliegt. Mildern Sie dies durch Zeitstempel, nach Aktualität gewichtetes Ranking und explizites Überschreiben beim Schreiben.", "Eine Erinnerung eines Benutzers, Mandanten oder Projekts wird in den Kontext eines anderen abgerufen, weil Scope-Filter fehlten oder fehlerhaft waren – ein gleichzeitiger Verstoß gegen Datenschutz und Korrektheit.", "Um ein schlechtes Ranking zu kompensieren, injizieren Teams viele Erinnerungen, wodurch das Kontextfenster mit marginalen Tokens gefüllt und genau die Argumentation beeinträchtigt wird, die der Speicher eigentlich unterstützen sollte." ], "lessons": [ "Die Qualität entscheidet sich bei der Auswahl dessen, was erinnert werden soll. Ein kleiner, sauberer, deduplizierter Speicher liefert weitaus bessere Abrufergebnisse als ein großer, verrauschter Speicher.", "Einige wenige korrekte Erinnerungen übertreffen viele lose zusammenhängende. Optimieren Sie auf Relevanz und ranken Sie streng, anstatt die Menge der injizierten Daten zu maximieren.", "Speichern Sie Metadaten und bieten Sie Möglichkeiten zum Anzeigen, Bearbeiten, Ablaufenlassen und Löschen von Erinnerungen. Dies ist unerlässlich für das Debugging, das Vertrauen und die Erfüllung von Datenschutzpflichten.", "Fakten veralten und widersprechen sich. Implementieren Sie Konsolidierung, Überschreiben und Ablaufdaten frühzeitig; diese nachträglich in einen großen, verunreinigten Speicher einzubauen, ist mühsam." ], "faqs": [ { "q": "Wie unterscheidet sich dies von semantischem Caching?", "a": "Semantisches Caching speichert und gibt ganze Antworten wieder, um die Neuberechnung ähnlicher Anfragen zu vermeiden. Langzeitgedächtnis speichert dauerhafte Fakten, Präferenzen und Ergebnisse und setzt diese dann für jede neue Aufgabe zu neuen logischen Schlüssen zusammen. Das eine verwendet Ausgaben wieder, das andere merkt sich den Zustand." }, { "q": "Was sollte sich der Agent tatsächlich merken?", "a": "Stabile, wiederverwendbare Signale: Benutzerpräferenzen, Entscheidungen und Zusagen, Ergebnisse früherer Aufgaben und wiederkehrende Abläufe. Vermeiden Sie flüchtigen Smalltalk und alles, dessen Aufbewahrung Sie nicht rechtfertigen können. Weniger, aber dafür gut zu schreiben, macht den späteren Abruf präzise." }, { "q": "Wie gehen Sie mit personenbezogenen Daten (PII) und Datenschutz um?", "a": "Behandeln Sie den Speicher als regulierte Daten: Setzen Sie Scopes durch, damit Erinnerungen niemals Benutzer oder Mandanten überschreiten, minimieren Sie die Persistierung, unterstützen Sie Einwilligung und Löschung und legen Sie Aufbewahrungs- und Zugriffskontrollen fest. Überprüfbarkeit und eine Richtlinie zum Ablauf von Daten sind Teil der Erfüllung dieser Pflichten." } ] }, "ja": { "name": "長期記憶（Long-Term Memory）", "summary": "エージェントにセッション間で永続する記憶を提供し、単一のコンテキストウィンドウを超えて事実、ユーザーの好み、過去の結果を記憶できるようにします。書き込みパスは保存すべき内容を決定し、要約して重複を排除します。読み取りパスは、必要なときにのみ関連する記憶をコンテキストに取得します。再計算をスキップするために回答全体をキャッシュするセマンティックキャッシュとは異なり、長期記憶は永続的な事実と状態を保存し、毎回それらを新しい推論に再構成します。", "problem": "コンテキストウィンドウは有限であり、セッション間でリセットされます。現在の会話しか見えないエージェントは、ユーザーが指定した好み、先週下された決定、過去のタスクの結果を忘れてしまいます。すべての履歴をすべてのプロンプトに詰め込むことは、一定の規模を超えると不可能になり、ウィンドウが価値の低いトークンで満たされるため推論の質が低下します。開発チームは、重要な少数の事実を永続化し、それらが関連するタイミングで正確に提示する方法を必要としています。", "context": "エージェントが同じユーザーに対応したり、同じ長期的なタスクを繰り返し実行したりする場合に使用します。好みを学習するアシスタント、顧客の履歴を追跡するサポートエージェント、プロジェクトの規約を記憶するコーディングエージェント、数日間にわたるマルチステップのワークフローなどが該当します。これは、モデルの外部（ベクトルストア、データベース、またはメモリフレームワーク）にデータを保存できること、および記憶が書き込まれるタイミングとプロンプトに取得される方法の両方を制御できることを前提としています。", "solution": [ "書き込みパスと読み取りパスを分離します。書き込みパスでは、ターンまたはタスクの完了後に、抽出ステップによって記憶に値するもの（一時的な雑談ではなく、不変の事実、好み、約束、結果など）を決定します。記憶の候補は、コンパクトで自己完結した記述に要約され、既存の記憶と照合されて重複や矛盾が検出された後、メモリタイプ、タイムスタンプ、ソース、所属するユーザーまたはスコープなどのメタデータとともにストアに書き込まれます。少なく、かつ質高く書き込むことが目標です。ノイズの多い記憶は、その後の取得プロセスを阻害します。\\n\\n読み取りパスでは、エージェントが推論を行う前に、現在のタスクに関連する記憶の候補を（通常はセマンティック類似度に加え、スコープや新しさのフィルターを用いて）取得し、ランク付けして、上位の数件のみをコンテキストに注入します。取得は適合率（プレシジョン）の問題として捉えてください。関連性の薄い大量の記憶よりも、少数の正確な記憶の方が効果的です。取得をターゲット化できるように、記憶のタイプを区別します。エピソード記憶（何が起きたか）、意味記憶（永続的な事実や好み）、手続き記憶（繰り返し発生するタスクの実行方法）などです。定期的に記憶を整理（集約）および期限切れにすることで、ストアを小さく、最新の状態に保ち、矛盾を排除します。" ], "components": [ "メモリ抽出器（書き込みパス）", "重複排除および矛盾チェック", "メモリストア", "リトリーバー（読み取りパス）", "コンテキストアセンブラー", "集約および期限切れジョブ" ], "benefits": [ "エージェントが過去のセッションからの好み、決定、結果を思い出すため、ユーザーがコンテキストを繰り返す必要がなくなり、エージェントは長期にわたって一貫した動作を維持できます。", "いくつかの関連する記憶のみを取得することで、履歴全体をダンプする代わりに、ウィンドウを価値の高いトークンに集中させることができます。これにより、推論の質が維持され、コストが削減されます。", "不変の事実や好みが蓄積されるにつれて、モデルを再学習させることなく、インタラクションを重ねるごとにエージェントはより正確にパーソナライズされた応答を返せるようになります。", "記憶はメタデータとともに外部ストアに保存されるため、エージェントが知っている内容を検査、修正、エクスポート、削除できます。これは信頼性とコンプライアンスにおいて重要です。" ], "risks": [ "集約と期限切れの処理を行わないと、ストアに古い事実や矛盾する記述が蓄積され、エージェントが誤った情報に基づいて自信満々に行動してしまう可能性があります。", "ユーザーデータを永続化すると、保持、同意、アクセス制御の義務が生じます。スコープが強制されていない場合、記憶によってセッション間やユーザー間で機密情報が漏洩する可能性があります。", "適合率（プレシジョン）が低いと、無関係な記憶や誤った記憶が注入されて推論が誤った方向に導かれます。再現率（リコール）が低いと、重要な記憶が暗黙的にドロップされ、失敗の診断が困難になります。", "過剰に書き込みを行うと、ストアが肥大化し、取得が遅くなり、ストレージと埋め込み（embedding）のコストが上昇し、優れた取得の前提となるシグナルが希薄化します。" ], "whenNot": [ "セッションが独立しており、引き継ぐべき情報がない場合、永続メモリはメリットをもたらさず、複雑さ、コスト、プライバシーのリスクを増大させるだけです。", "繰り返されるクエリに対して以前の回答を再利用することが目的である場合は、セマンティックキャッシュが適切なツールです。長期記憶は事実や状態を記憶するためのものであり、出力をキャッシュするためのものではありません。", "規制やポリシーによってユーザーデータの保持が禁止されている場合は、記憶を永続化しないでください。セッション内のコンテキストや、ユーザーが制御する明示的でスコープ限定されたストレージに依存してください。" ], "examples": [ "セッションをまたいでトーン、フォーマット、頻繁に連絡する相手、常時指示を記憶し、再質問する代わり現在のリクエストに適用される少数の指示を取得します。", "コンタクトのたびに、そのアカウントにスコープされた顧客の過去の課題、資格、解決策を取得するため、会話を最初からやり直すのではなく、継続することができます。", "手続き記憶（ビルドコマンド、命名規則、レビューの好みなど）を保存し、多くのセッションにわたって同じリポジトリで作業する際にそれらを呼び出します。" ], "productionEvidence": { "context": "57日間（161セッション / 2,776ターン）にわたって観察された、シングルオペレーター、ローカルファーストのOpenClawデプロイメント。エージェント自身のトラジェクトリトレースから集計。", "scenario": "エージェントは、ターン間およびセッション間の継続性のためにワークスペースメモリファイルとセッションごとのトレースを永続化し、オンデマンドでセマンティックリコールプラグインを利用できるようにします。", "technology": "ワークスペースメモリファイル（MEMORY.md、IDENTITY.md、SOUL.md、USER.md、HEARTBEAT.md）、永続的なセッションIDとライフサイクルイベント、およびアクティブメモリプラグイン（memory_search/get/recall）。", "load": "57日間のウィンドウ全体で134の永続化されたセッションファイル。セマンティックリコールは1回呼び出されました。", "results": "構造化されたワークスペースメモリにより、57日間にわたる134の永続セッション全体で継続性が維持されました。この自律的なワークロードにおいて、明示的なセマンティックリコールはほとんど必要ありませんでした（呼び出しは1回）。単一オペレーターによるローカルファーストのデプロイメント。" }, "kpis": [ { "metric": "注入されたメモリの検索適合率（Precision）", "note": "コンテキストに配置されたメモリのうち、実際に関連していたものの割合。これは回答の品質を最も直接的に左右する指標です。良好な状態とは、注入されたメモリセットがほぼ完全にトピックに沿っており、無関係なメモリがほとんどない状態を指します。" }, { "metric": "メモリ依存タスクにおける検索再現率（Recall）", "note": "既知の保存された事実を必要とするタスクにおいて、その事実が実際に検索される頻度。良好な状態とは、適切なメモリが確実に表面化することです。継続的な検索漏れは、抽出またはインデックス作成のギャップを示しています。" }, { "metric": "メモリストアのサイズと成長率", "note": "総メモリ数と、アクティブユーザーあたりの蓄積速度。良好な状態とは、制限のない増加ではなく、真に新しい永続的な事実に追従して成長することです。制御不能な急上昇曲線は、過剰な書き込みが行われていることを示します。" }, { "metric": "陳腐化および矛盾の発生率", "note": "検索されたメモリのうち、古くなっているか、より新しい事実と矛盾しているものの割合。良好な状態とは、この割合が低く安定していることであり、整理（consolidation）と有効期限切れ（expiry）の処理が変化に追いついている証拠です。" } ], "failureModes": [ "すべてを書き込むとストアがノイズ化し、検索時に価値の低いメモリや誤ったメモリが表面化します。書き込む情報の基準を引き上げ、抽出品質を見直すことで解決します。", "事実が変更された後、それが古くなっているというシグナルがないまま、古い事実が検索されて実行されてしまいます。タイムスタンプ、新しさを重視した重み付けランキング、および書き込み時の明示的な上書き（supersession）によって軽減します。", "スコープフィルターの欠落や誤りにより、あるユーザー、テナント、またはプロジェクトのメモリが別のコンテキストに検索されてしまいます。これはプライバシーと正確性の両方における重大な障害です。", "ランキング精度の低さを補うために、チームが多数のメモリを注入してしまい、コンテキストウィンドウが重要度の低いトークンで埋め尽くされ、メモリが本来サポートすべき推論能力自体が低下します。" ], "lessons": [ "品質は、何を記憶するかを選択する時点で決まります。重複が排除された、小さくクリーンなストアは、ノイズの多い巨大なストアよりもはるかに優れた検索精度を発揮します。", "少数の正確なメモリは、緩やかに関連する多数 of メモリよりも優れたパフォーマンスを発揮します。注入する量を最大化するのではなく、関連性を調整し、厳密にランク付けしてください。", "メタデータを保存し、メモリの表示、編集、期限切れ、削除を行う方法を提供してください。これは、デバッグ、信頼性の確保、およびプライバシー義務の遵守に不可欠です。", "事実は陳腐化し、互いに矛盾するようになります。整理、上書き、および有効期限切れの仕組みを早期に構築してください。汚染された大規模なストアにこれらを後から組み込むのは極めて困難です。" ], "faqs": [ { "q": "セマンティックキャッシュとはどのように違うのですか？", "a": "セマンティックキャッシュは、同様のリクエストの再計算を避けるために、回答全体を保存して再利用します。長期メモリは、永続的な事実、好み、および結果を保存し、新しいタスクごとにそれらを再構成して新たな推論を行います。一方は出力を再利用し、他方は状態を記憶します。" }, { "q": "エージェントは実際に何を記憶すべきですか？", "a": "ユーザーの好み、決定とコミットメント、以前のタスクの結果、繰り返し発生する手順など、安定して再利用可能なシグナルです。一時的な雑談や、保持する正当な理由がないものは避けてください。書き込み量を抑え、質の高い書き込みを行うことが、後の検索精度を高める鍵となります。" }, { "q": "PII（個人特定情報）とプライバシーはどのように処理しますか？", "a": "ストアをガバナンス対象データとして扱います。メモリがユーザーやテナントをまたぐことがないようスコープを強制し、永続化するデータを最小限に抑え、同意と削除をサポートし、保持期間とアクセス制御を設定します。監査可能性と有効期限ポリシーは、これらの義務を果たすための要素です。" } ] }, "zh": { "name": "长期记忆", "summary": "为智能体提供跨会话的持久化记忆，使其能够在单个上下文窗口之外记住事实、用户偏好和先前的结果。写入路径决定存储什么、对其进行摘要并去重；读取路径在需要时仅将相关的记忆检索到上下文中。与缓存完整答案以跳过重复计算的语义缓存不同，长期记忆存储持久的事实和状态，并在每次进行新的推理时重新组合它们。", "problem": "上下文窗口是有限的，并且会在会话之间重置。仅关注当前对话的智能体会遗忘用户声明的偏好、上周做出的决定以及先前任务的结果。在超过一定规模后，将所有历史记录塞进每个提示词中是不可能的，而且随着窗口被低价值 Token 填满，推理质量也会下降。团队需要一种方法来持久化存储少数关键事实，并在它们相关时精准地呈现出来。", "context": "当智能体需要重复服务相同的用户或处理相同的长期运行任务时，请使用此模式：例如学习偏好的助手、跟踪客户历史记录的支持智能体、记住项目规范的编码智能体，或跨越数天的多步骤工作流。它假设您可以在模型外部存储数据（向量存储、数据库或记忆框架），并且您可以控制何时写入记忆以及如何将记忆检索到提示词中。", "solution": [ "将写入路径与读取路径分离。在写入路径上，在单轮对话或任务完成后，提取步骤会决定哪些内容值得记住：稳定的事实、偏好、承诺和结果——而不是瞬时的闲聊。候选记忆会被总结为紧凑、自包含的陈述，并与现有记忆进行比对以去重和检测冲突，然后写入带有元数据（记忆类型、时间戳、来源以及所属的用户或范围）的存储中。目标是少写但写好，嘈杂的记忆会污染后续的检索。\n\n在读取路径上，在智能体进行推理之前，您需要检索与当前任务相关的候选记忆（通常通过语义相似度加上范围和时效性过滤器），对其进行排序，并仅将前几个注入到上下文中。将检索视为一个精度问题：少数正确的记忆胜过大量松散相关的记忆。区分记忆类型以便进行有针对性的检索：情景记忆（发生了什么）、语义记忆（持久的事实和偏好）和程序记忆（如何执行循环任务）。定期合并和过期记忆，以保持存储的小型化、最新性且无冲突。" ], "components": [ "记忆提取器（写入路径）", "去重与冲突检查", "记忆存储", "检索器（读取路径）", "上下文装配器", "合并与过期任务" ], "benefits": [ "智能体能够召回先前会话中的偏好、决定和结果，因此用户无需重复提供上下文，且智能体随时间推移表现出一致的行为。", "仅检索少数相关的记忆可以使窗口专注于高价值 Token，而不是倾倒全部历史记录，从而保证了推理质量并降低了成本。", "随着稳定事实和偏好的积累，智能体在每次交互中都能更准确地定制回复，而无需重新训练模型。", "由于记忆保存在带有元数据的外部存储中，您可以检查、纠正、导出和删除智能体所知的内容——这对于信任和合规性至关重要。" ], "risks": [ "如果没有合并和过期机制，存储中会积累过时的事实和相互冲突的陈述，导致智能体自信地基于错误的信息采取行动。", "持久化用户数据会增加数据保留、同意和访问控制方面的义务；如果未强制执行范围限制，记忆可能会跨会话或跨用户泄露敏感信息。", "低精准度会注入无关或错误的记忆，从而误导推理；低召回率会默默丢弃关键记忆，使故障难以诊断。", "过度频繁的写入会使存储膨胀、减慢检索速度、增加存储和嵌入成本，并稀释高质量检索所依赖的信号。" ], "whenNot": [ "如果会话是独立的且不需要传递任何内容，持久化记忆只会增加复杂性、成本和隐私风险，而不会带来任何好处。", "当目标是为重复的查询重用以前的答案时，语义缓存是正确的工具；长期记忆用于记住事实和状态，而不是缓存输出。", "在法规或政策禁止保留用户数据的情况下，请勿持久化记忆；应依赖会话内上下文或用户控制的、有明确范围限制的显式存储。" ], "examples": [ "跨会话记住语气、格式、常用联系人和现行指令，仅检索适用于当前请求的少数内容，而不是重新询问。", "在每次联系时，它会检索该账户范围内的客户先前问题、权益和解决方案，从而继续对话而不是重新开始。", "它存储程序记忆——构建命令、命名规则、评审偏好——并在跨多个会话在同一个代码库中工作时召回它们。" ], "productionEvidence": { "context": "在 57 天（161 个会话 / 2,776 轮）内观察到的单操作员、本地优先的 OpenClaw 部署，数据从智能体自身的轨迹追踪中聚合而来。", "scenario": "智能体持久化工作区记忆文件和每个会话的追踪，以实现跨轮次和跨会话的连续性，并可根据需要使用语义召回插件。", "technology": "工作区记忆文件（MEMORY.md、IDENTITY.md、SOUL.md、USER.md、HEARTBEAT.md）、持久化会话 ID 和生命周期事件，以及活动记忆插件（memory_search/get/recall）。", "load": "在 57 天的窗口期内共有 134 个持久化会话文件；语义召回被调用了一次。", "results": "通过结构化工作区记忆，在 57 天内的 134 个持久化会话中保持了连续性；在此自主工作负载中，极少需要显式语义召回（仅调用一次）。单操作员本地优先部署。" }, "kpis": [ { "metric": "注入记忆的检索精准率", "note": "在放入上下文的记忆中，实际相关的比例。这是最直接决定回答质量的指标；表现良好意味着注入的记忆集几乎完全切题，极少出现无关记忆。" }, { "metric": "依赖记忆的任务的检索召回率", "note": "在需要已知存储事实的任务中，该事实实际被检索到的频率。表现良好意味着正确的记忆能够可靠地呈现；持续遗漏则表明存在提取或索引差距。" }, { "metric": "记忆库大小和增长率", "note": "总记忆量以及每个活跃用户的累积速度。表现良好意味着增长与真正新增的持久事实保持同步，而不是无限制地攀升——失控的曲线表明写入过于频繁。" }, { "metric": "陈旧率和冲突率", "note": "检索到的记忆中已过时或与更新的事实相冲突的比例。表现良好意味着该比例低且稳定，这证明整合和过期机制跟上了变化的速度。" } ], "failureModes": [ "记录所有内容会导致记忆库充斥噪音；检索时就会呈现低价值或错误的记忆。解决方法是提高写入内容的门槛，并审查提取质量。", "在事实发生变化后，检索并执行了旧的事实，且没有任何其已过时的信号。通过时间戳、基于新鲜度权重的排序以及在写入时显式更替来缓解此问题。", "由于缺少或错误的范围过滤器，导致某个用户、租户或项目的记忆被检索到了另一个的上下文中——这同时属于隐私和正确性故障。", "为了弥补排序不佳的问题，团队注入了大量记忆，导致窗口中充斥着边缘 Token，从而降低了记忆本应支持的推理能力。" ], "lessons": [ "质量取决于你选择记住什么。一个小型、干净、去重的记忆库，其检索效果远好于一个庞大且嘈杂的记忆库。", "少数正确的记忆胜过大量弱相关的记忆。应针对相关性进行微调并严格排序，而不是最大化注入量。", "存储元数据并提供查看、编辑、过期和删除记忆的方法。这对于调试、建立信任以及履行隐私义务至关重要。", "事实会变陈旧并相互冲突。尽早构建整合、更替和过期机制；在已被污染的大型记忆库上进行后期改造会非常痛苦。" ], "faqs": [ { "q": "这与语义缓存有什么不同？", "a": "语义缓存存储并重放完整的回答，以避免重复计算相似的请求。长期记忆则存储持久的事实、偏好和结果，然后针对每个新任务将它们重新组合成全新的推理。前者重用输出，后者记住状态。" }, { "q": "智能体实际上应该记住什么？", "a": "稳定、可重用的信号：用户偏好、决策与承诺、先前任务的结果以及循环往复的流程。避免记录瞬时的闲聊以及任何无法证明保留合理性的内容。写得少但写得好，才能保证后续检索的精准。" }, { "q": "如何处理 PII 和隐私？", "a": "将记忆库视为受治理的数据：强制执行范围限制，确保记忆绝不跨用户或租户，尽量减少持久化的内容，支持知情同意 and 删除，并设置保留和访问控制。可检查性和过期策略是履行这些义务的一部分。" } ] } } }