Clawdbot จัดการความทรงจำอย่างไร: สถาปัตยกรรมหน่วยความจำแบบไฮบริดบนพื้นฐาน Markdown

 (manthanguptaa.in)
16 คะแนน โดย darjeeling 2026-02-01 | ยังไม่มีความคิดเห็น | แชร์ทาง WhatsApp

สรุป:

  • Clawdbot เป็นผู้ช่วย AI แบบโลคัลโอเพนซอร์ส ที่จัดเก็บและบริหารความทรงจำระยะยาวของผู้ใช้ในรูปแบบไฟล์ Markdown ภายในสภาพแวดล้อมโลคัลของผู้ใช้ โดยไม่ต้องพึ่งพาคลาวด์
  • ด้วยระบบหน่วยความจำ 2 ชั้น (บันทึกรายวันและองค์ความรู้ระยะยาว) และการค้นหาแบบไฮบริด (เวกเตอร์ + คีย์เวิร์ด) จึงสามารถดึงคืนข้อมูลได้อย่างมีประสิทธิภาพแม้ในคอนเท็กซ์ขนาดใหญ่
  • เพื่อก้าวข้ามข้อจำกัดของ context window ระบบใช้เทคนิค 'Compaction' และ 'Pruning' เพื่อให้ได้ทั้งการปรับต้นทุนให้เหมาะสมและการคงประสิทธิภาพไว้พร้อมกัน

สรุปโดยละเอียด:

  1. ภาพรวมและปรัชญาการออกแบบ
    Clawdbot จัดการความทรงจำทั้งหมดเป็นไฟล์ Markdown ภายใน workspace โลคัล เพื่อคืนความเป็นเจ้าของข้อมูลให้กับผู้ใช้ โดยยึดความโปร่งใส (Transparency) เป็นคุณค่าหลัก จึงออกแบบให้ผู้ใช้สามารถอ่าน แก้ไข และจัดการเวอร์ชันของไฟล์หน่วยความจำได้โดยตรง

  2. โครงสร้างหน่วยความจำ 2 ชั้น
    หน่วยความจำแบ่งออกเป็น 2 เลเยอร์หลัก:

  • Layer 1 (Daily Logs): บันทึกสรุปบทสนทนาของวันนั้น ข้อสรุปการตัดสินใจ และความชอบของผู้ใช้ไว้ในไฟล์ memory/YYYY-MM-DD.md
  • Layer 2 (Long-term Knowledge): เก็บข้อเท็จจริงสำคัญที่ต้องคงอยู่ข้ามหลายเซสชัน ข้อสรุปของโปรเจกต์ และโปรไฟล์ผู้ใช้แบบคงที่ ไว้ในไฟล์ MEMORY.md
  1. เอนจินค้นหาแบบไฮบริด (Hybrid Search)
    เอเจนต์จะใช้เครื่องมือ memory_search เพื่อค้นหาหน่วยความจำเฉพาะเมื่อจำเป็น:
  • การค้นหาเชิงความหมาย (Vector Search): ใช้ embedding เพื่อค้นหาเนื้อหาที่มีความหมายใกล้เคียงกัน (ใช้ SQLite-vec)
  • การค้นหาด้วยคีย์เวิร์ด (BM25): ใช้เอนจิน FTS5 ควบคู่กันเพื่อค้นหาคำนามเฉพาะ วันที่ ID และข้อมูลที่ต้องตรงเป๊ะ
  • การคำนวณคะแนนสุดท้าย: ใช้วิธีถ่วงน้ำหนัก (0.7 * คะแนนเวกเตอร์) + (0.3 * คะแนนข้อความ) เพื่อเพิ่มความแม่นยำ
  1. เทคนิคการจัดการคอนเท็กซ์
  • Compaction: เมื่อถึงข้อจำกัดของคอนเท็กซ์ ระบบจะนำบทสนทนาก่อนหน้าไปแทนที่ด้วยฉบับสรุป โดยเฉพาะในขั้นตอน 'Memory Flush' จะมีการบันทึกข้อมูลสำคัญลงไฟล์ Markdown แบบถาวรก่อนสรุป เพื่อป้องกันการสูญหายของข้อมูล
  • Pruning: ตัดผลลัพธ์การรันเครื่องมือที่ยาวเกินความจำเป็น เช่น เอาต์พุตล็อกขนาดใหญ่ เพื่อประหยัดโทเคน และมีตรรกะการลบอย่างชาญฉลาดโดยคำนึงถึงค่า TTL ของ prompt caching ของ Anthropic
  1. เทคโนโลยีสแต็กและการไหลของข้อมูล
  • ที่เก็บข้อมูล: ไฟล์ Markdown แบบโลคัล (Source of Truth) และ SQLite (สำหรับทำดัชนี)
  • เวิร์กโฟลว์: ตรวจจับการเปลี่ยนแปลงของไฟล์ (Chokidar) -> แบ่งชังก์ (หน่วยละ 400 โทเคน, ซ้อนทับ 80 โทเคน) -> embedding -> บันทึกลง SQLite

บทความที่เกี่ยวข้อง

ยังไม่มีความคิดเห็น

ยังไม่มีความคิดเห็น