Workspace Memory v2: Memoria offline para tus agentes

¿Te ha pasado que tu agente olvida una decisión técnica que tomaste hace apenas una semana? Mantener logs diarios en Markdown es excelente para nosotros porque es legible y fácil de editar, pero para un agente, buscar información específica entre decenas de archivos consume demasiados tokens y tiempo.

Necesitamos una forma de que los agentes recuerden datos importantes sin perder la simplicidad de escribir archivos de texto. La solución es una arquitectura offline-first que use tus archivos Markdown como fuente de verdad, pero que añada un índice estructurado para realizar búsquedas rápidas.

Requisitos previos

• Workspace de Clawd (~/.openclaw/workspace).
• SQLite con soporte para FTS5.
• Git para el control de versiones de tus archivos.
• OpenClaw instalado.

Inicio rápido

Configura tu sistema de memoria en menos de 5 minutos siguiendo estos pasos.

1. Organiza tu Workspace

Estructura tu directorio de trabajo para separar los logs diarios de los datos estables. Usa esta jerarquía:

~/.openclaw/workspace/
  memory.md                    # Datos clave y preferencias (core)
  memory/
    YYYY-MM-DD.md              # Logs diarios narrativos
  bank/                        # Páginas de memoria estructurada
    world.md                   # Hechos objetivos
    experience.md              # Registro de actividades del agente
    opinions.md                # Juicios y evidencias
    entities/                  # Archivos por entidad (ej. Peter.md)

2. Usa la sección Retain

En tus archivos diarios de memory/, añade una sección ## Retain al final. Esto permite normalizar los eventos en hechos concretos que el agente puede procesar fácilmente:

## 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.

3. Inicializa el índice de búsqueda

Crea un índice derivado en SQLite para habilitar el Recall. Este archivo no necesita seguimiento en Git y se puede reconstruir desde tus archivos Markdown:

# El índice se genera en:
~/.openclaw/workspace/.memory/index.sqlite

4. Ejecuta búsquedas y reflexión

Usa las herramientas de CLI para consultar la memoria o actualizar las creencias del agente:

# Para recuperar información
openclaw memory recall "decisión sobre Baileys WS" --k 25 --since 30d

# Para procesar hechos recientes y actualizar el 'bank'
openclaw memory reflect --since 7d

Solución de problemas

• ¿Cuándo usar embeddings en lugar de FTS? Empieza siempre con SQLite FTS5. Es rápido, offline y funciona bien para términos exactos. Solo añade embeddings si el volumen de datos es muy grande o si la búsqueda por palabras clave no devuelve resultados relevantes.
• Conflictos en las opiniones del agente: Si el agente recibe información contradictoria, el proceso de reflect ajustará el nivel de confianza (c=0.0..1.0). Los saltos grandes en la confianza requieren evidencia repetida o una contradicción muy fuerte.
• Rendimiento en búsquedas semánticas: Si la búsqueda por fuerza bruta de embeddings se vuelve lenta, considera soluciones como HNSW. No uses SuCo a menos que tu corpus tenga cientos de miles de fragmentos.
• Modelos de embedding locales: Si ya usas Ollama, aprovecha un modelo local para generar los vectores. Si no, integra un modelo pequeño directamente en tu toolchain para mantener la privacidad offline.

¿Necesitas ayuda configurando tu base de datos local? Prueba el AI Setup Assistant.

Próximos pasos

• Configuración avanzada de SQLite FTS5
• Uso de herramientas de reflexión en OpenClaw