Workspace Memory v2: Offline-First Gedächtnis für deine Agents

Du kennst das Problem: Nach ein paar Wochen Arbeit an einem Projekt verlierst du den Überblick über alte Entscheidungen. Wichtige Details vergraben sich in unzähligen Daily Logs oder README-Dateien, die kein Mensch mehr liest. Wenn dein Agent dann wichtige Fakten vergisst oder du manuell hunderte Dateien durchsuchen musst, stoppt das deinen Workflow komplett.

Cloud-basierte Lösungen sind oft langsam oder funktionieren ohne Internetverbindung gar nicht. Komplexe Vector-Datenbanken sind für einfache Notizen meist Overkill und schwer zu debuggen. Workspace Memory v2 löst das, indem es Markdown als deine Source of Truth behält, aber einen schnellen SQLite-Index für den gezielten Abruf nutzt.

Voraussetzungen

• Clawd-style Workspace (Standard: ~/.openclaw/workspace)
• SQLite (für den abgeleiteten Index)
• Markdown-Dateien für das tägliche Logging
• OpenClaw CLI

Schnellstart

In weniger als 5 Minuten setzt du die Grundstruktur für dein lokales Gedächtnis auf.

1. Workspace-Struktur vorbereiten

Erstelle die notwendigen Verzeichnisse für deine stabilen Fakten und die täglichen Logs direkt in deinem Workspace:

mkdir -p ~/.openclaw/workspace/memory
mkdir -p ~/.openclaw/workspace/bank/entities

Deine Struktur nutzt memory.md für Core-Fakten und den bank/-Ordner für kuratierte Seiten über Entitäten oder Meinungen.

2. Fakten festhalten (Retain)

Schreibe deine täglichen Logs wie gewohnt in memory/YYYY-MM-DD.md. Füge am Ende einen ## Retain-Bereich ein, damit das System wichtige Informationen sofort erkennt:

## Retain
- W @Peter: Aktuell in Marrakesch (27. Nov – 01. Dez 2025) für Andys Geburtstag.
- B @warelay: Fix für Baileys WS Crash durch try/catch in connection.update (siehe memory/2025-11-27.md).
- O(c=0.95) @Peter: Bevorzugt kurze Antworten (<1500 Zeichen) auf WhatsApp.

3. Informationen abrufen (Recall)

Nutze die CLI-Tools, um dein Gedächtnis effizient zu durchsuchen. Das System greift dabei auf den SQLite FTS5 Index zu:

openclaw memory recall "Was sind Peters Präferenzen?" --k 25 --since 30d

4. Wissen konsolidieren (Reflect)

Starte regelmäßig einen Reflection-Job. Dieser aktualisiert deine Entitäten-Seiten und passt Confidence-Scores für Meinungen an:

openclaw memory reflect --since 7d

Fehlerbehebung

Die Suche liefert keine Ergebnisse für exakte Begriffe? Prüfe, ob die Begriffe in deinen Markdown-Dateien korrekt geschrieben sind. Da SQLite FTS5 für den lexikalischen Recall genutzt wird, müssen die Wörter im Index vorhanden sein.

Der Recall wird bei sehr großen Datenmengen langsam? Wenn dein Workspace tausende Chunks enthält, solltest du optionale Embeddings oder HNSW-Indizes aktivieren. Brute-Force-Suchen stoßen bei riesigen Datenmengen an ihre Grenzen.

Es gibt widersprüchliche Informationen in den Fakten? Nutze den Reflect-Job, um bank/opinions.md zu aktualisieren. Das System passt die Confidence-Werte (c) basierend auf neuen Beweisen an oder zeigt Widersprüche auf.

Der Index scheint nicht aktuell zu sein? Da der SQLite-Index komplett aus deinen Markdown-Dateien abgeleitet wird, kannst du ~/.openclaw/workspace/.memory/index.sqlite jederzeit löschen und neu aufbauen lassen.

AI Setup Assistant

Nächste Schritte

• Letta / MemGPT Konzepte
• Hindsight Technical Report
• SuCo: Subspace Collision Retrieval
• OpenClaw Dokumentation