一、记忆召回置信度计算与使用

1.1置信度计算方法

OpenClaw 的记忆召回系统使用多种方法计算置信度，主要包括：

1. 向量搜索置信度

• • 基于嵌入向量相似度：使用余弦相似度计算查询向量与文档向量之间的相似性
• • 实现位置：src/memory/manager-search.ts 中的 searchVector 函数
• • 范围：0-1，值越高表示相似度越高

2. 关键词搜索置信度

• • 基于 BM25 算法：通过 bm25RankToScore 函数将 BM25 排名转换为 0-1 之间的分数
• • 实现位置：src/memory/hybrid.ts 中的 bm25RankToScore 函数
• • 范围：0-1，值越高表示关键词匹配度越高

3. 混合搜索置信度

• • 加权平均：结合向量搜索和关键词搜索的结果
• • 权重配置：
• • 向量权重 (vectorWeight)：默认为 0.7
• • 文本权重 (textWeight)：默认为 0.3
• • 实现位置：src/memory/hybrid.ts 中的 mergeHybridResults 函数

置信度的使用方式

1. 阈值过滤

• • 最小置信度阈值：默认为 0.35 (DEFAULT_MIN_SCORE)
• • 过滤逻辑：搜索结果会过滤掉低于此阈值的条目
• • 实现位置：src/memory/manager.ts 中的 search 方法

2. 搜索模式处理

• • 混合模式：同时使用向量和关键词搜索，结合两者的置信度
• • 仅 FTS 模式：当没有嵌入提供者时，仅使用关键词搜索
• • 向量模式：当 FTS 不可用时，仅使用向量搜索

3. 结果排序与限制

• • 排序：按置信度分数降序排列
• • 限制：最多返回 maxResults 个结果（默认为 6）
• • 候选结果：先获取更多候选结果（maxResults * candidateMultiplier），然后进行过滤

4. 特殊处理

• • 关键词匹配调整：当混合模式下没有符合阈值的结果时，会适当放宽阈值以保留纯关键词匹配的结果
• • 时间衰减：可选启用时间衰减功能，降低旧文档的置信度

1.2配置参数

搜索流程

1. 1. 查询处理：清理查询文本
2. 2. 同步检查：如果启用了搜索时同步，执行内存同步
3. 3. 模式判断：
• • 无嵌入提供者：使用仅 FTS 模式
• • FTS 不可用：使用仅向量模式
• • 两者都可用：使用混合模式
4. 4. 执行搜索：
• • 向量搜索：计算嵌入向量并执行相似性搜索
• • 关键词搜索：使用 FTS 执行关键词匹配
5. 5. 结果合并：
• • 混合模式：加权合并两种结果
• • 单一模式：直接使用对应结果
6. 6. 置信度过滤：过滤掉低于 minScore 的结果
7. 7. 结果限制：返回前 maxResults 个结果

通过这些机制，OpenClaw 的记忆召回系统能够有效地评估搜索结果的相关性，并根据置信度过滤和排序结果，确保返回最相关的记忆内容。

二、时间衰减功能

2.1核心实现原理

OpenClaw 的时间衰减功能通过指数衰减模型实现，用于降低旧文档的置信度，使搜索结果更加偏向于近期内容。

1. 衰减计算模型

exportfunctioncalculateTemporalDecayMultiplier(params: {
  ageInDays: number;
  halfLifeDays: number;
}): number {
const lambda = toDecayLambda(params.halfLifeDays);
const clampedAge = Math.max(0, params.ageInDays);
if (lambda <= 0 || !Number.isFinite(clampedAge)) {
return1;
  }
returnMath.exp(-lambda * clampedAge);
}

关键公式：

• • 衰减率计算：lambda = ln(2) / halfLifeDays
• • 衰减乘数：decay = exp(-lambda * ageInDays)

工作原理：

• • 每经过一个半衰期（halfLifeDays），文档的权重会减少一半
• • 例如：如果半衰期设置为30天，60天前的文档权重会变为原来的1/4

2. 时间戳提取

系统通过以下方式确定文档的时间戳：

1. 1. 日期命名的记忆文件：
• • 从文件名提取日期，如 memory/2024-01-01.md
• • 使用正则表达式 /(?:^|\/)memory\/(\d{4})-(\d{2})-(\d{2})\.md$/ 匹配
2. 2. 常青知识文件：
• • 根级记忆文件（如 MEMORY.md）
• • 非日期命名的记忆文件
• • 这些文件被视为"常青"知识，不应用时间衰减
3. 3. 其他文件：
• • 使用文件系统的修改时间（mtime）

2.2配置参数

2.3工作流程

1. 1. 搜索执行：执行向量搜索和关键词搜索
2. 2. 结果合并：计算混合分数（向量得分 * 向量权重 + 文本得分 * 文本权重）
3. 3. 时间衰减应用：
• • 提取每个结果的时间戳
• • 计算文档年龄（以天为单位）
• • 计算衰减乘数
• • 将衰减乘数应用到混合分数上
4. 4. 结果排序：按衰减后的分数降序排列
5. 5. MMR重排序：如果启用，进行多样性重排序

2.4时间衰减的影响

示例：半衰期为30天的情况

特殊处理

1. 1. 常青知识：根级记忆文件和非日期命名的记忆文件不应用时间衰减
2. 2. 无时间戳文件：无法确定时间戳的文件不应用时间衰减
3. 3. 时间戳提取失败：如果无法提取时间戳，保持原始分数不变

2.5总结

OpenClaw 的时间衰减功能通过指数衰减模型，根据文档的年龄动态调整其置信度分数，使搜索结果更加偏向于近期内容。这对于需要保持信息新鲜度的场景非常重要，如项目文档、会议记录等。

时间衰减的实现考虑了不同类型文件的特点，对常青知识文件不应用衰减，同时通过灵活的配置参数，允许用户根据具体需求调整衰减速度。

三、记忆召回触发时机与流程分析

3.1触发时机

OpenClaw 的记忆召回主要在以下情况下触发：

1. 显式工具调用

• • 用户查询触发：当用户提出涉及以下内容的问题时，系统会调用 memory_search 工具
• • 先前的工作
• • 决策历史
• • 日期和时间
• • 人员信息
• • 偏好设置
• • 待办事项

2. 系统自动触发

• • 强制召回步骤：根据工具描述，记忆搜索是一个"强制召回步骤"，在回答问题前自动执行
• • 搜索时同步：当启用 sync.onSearch 配置时，搜索前会自动同步内存

3. 配置相关触发

• • 会话启动同步：当启用 sync.onSessionStart 配置时，会话开始时会预热内存
• • 定时同步：当设置了 sync.intervalMinutes 时，会定期同步内存

3.2召回流程

记忆召回的完整流程如下：

1. 工具注册与初始化

1. 1. 工具注册：memory_search 工具在 tool-catalog.ts 中注册到 "memory" 部分
2. 2. 工具创建：通过 createMemorySearchTool 函数创建记忆搜索工具实例
3. 3. 上下文解析：解析配置和代理会话信息，确定是否启用记忆搜索

2. 搜索执行

1. 1. 参数处理：解析查询文本、最大结果数、最小分数等参数
2. 2. 管理器获取：调用 getMemorySearchManager 获取内存搜索管理器
3. 3. 同步检查：如果启用了搜索时同步，执行内存同步
4. 4. 搜索执行：
• • 向量搜索：计算查询的嵌入向量，执行相似性搜索
• • 关键词搜索：使用 FTS 执行关键词匹配
• • 混合模式：结合向量和关键词搜索结果，应用权重计算
• • 时间衰减：如果启用，应用时间衰减降低旧文档的置信度
• • MMR重排序：如果启用，进行多样性重排序

3. 结果处理

1. 1. 引用添加：根据配置添加来源引用
2. 2. 结果限制：根据字符预算限制结果大小
3. 3. 状态收集：收集搜索状态信息（提供者、模型、模式等）
4. 4. 结果返回：返回处理后的搜索结果

4. 错误处理

• • 管理器不可用：返回内存搜索不可用的错误信息
• • 搜索失败：捕获并处理搜索过程中的错误
• • 配额错误：特殊处理嵌入提供者配额耗尽的情况

3.3技术实现细节

1. 搜索模式

• • 混合模式：同时使用向量和关键词搜索，结合两者的优势
• • 仅 FTS 模式：当没有嵌入提供者时，仅使用关键词搜索
• • 向量模式：当 FTS 不可用时，仅使用向量搜索

2. 结果排序与过滤

• • 置信度过滤：过滤掉低于 minScore 的结果（默认 0.35）
• • 结果排序：按置信度分数降序排列
• • 结果限制：最多返回 maxResults 个结果（默认 6）

3. 内存同步

• • 自动同步：在搜索前和会话启动时自动同步
• • 文件监听：监控记忆文件的变化，及时更新索引
• • 会话同步：同步会话记录到内存中

3.4总结

OpenClaw 的记忆召回系统是一个强大的功能，通过语义搜索和关键词搜索的结合，为用户提供了快速访问历史信息的能力。它在用户提出相关问题时自动触发，通过多层次的搜索和处理，返回最相关的记忆内容。

记忆召回的触发时机主要是用户查询涉及历史信息时，流程包括工具调用、搜索执行、结果处理和错误处理等步骤。系统通过灵活的配置选项，允许用户根据具体需求调整记忆搜索的行为。

四、指数衰减模型

关键公式：

• • 衰减率计算：lambda = ln(2) / halfLifeDays
• • 衰减乘数：decay = exp(-lambda * ageInDays)

这是一个经典的指数衰减模型，广泛应用于放射性衰变、药代动力学、缓存过期等领域。

4.1核心思想

半衰期（Half-life）：物质衰减到原来一半所需的时间。

公式设计的目标是：每经过一个半衰期，数值恰好减半。

4.2公式拆解

第一步：衰减率 λ 的推导

lambda = ln(2) / halfLifeDays

为什么用 ln(2)？

指数衰减的通式是：N(t) = N₀ * e^(-λt)

要让 t = halfLifeDays 时 N(t) = N₀ / 2：

N₀/2 = N₀ * e^(-λ * halfLifeDays)
1/2 = e^(-λ * halfLifeDays)
ln(1/2) = -λ * halfLifeDays
-ln(2) = -λ * halfLifeDays
λ = ln(2) / halfLifeDays ≈ 0.693 / halfLifeDays

ln(2) ≈ 0.693 是确保"减半"这个特性的数学常数。

第二步：衰减乘数的计算

decay = exp(-lambda * ageInDays)
      = e^(-ln(2)/halfLifeDays * ageInDays)
      = 2^(-ageInDays/halfLifeDays)

4.3直观理解（以 halfLifeDays = 30 为例）

规律：每过一个半衰期，权重乘以 1/2。

4.4在 OpenClaw 中的应用

// 原始置信度 * 衰减乘数 = 最终置信度
finalScore = hybridScore * decayMultiplier

效果：

• • 新文档（0-30天）：置信度几乎不受影响
• • 30天前文档：置信度打 5 折
• • 60天前文档：置信度打 2.5 折
• • 90天前文档：置信度仅剩 12.5%

这样系统会优先返回近期记忆，但旧文档不会完全消失（只是权重降低）。

4.5为什么选指数衰减而非线性

指数衰减更符合艾宾浩斯遗忘曲线——人脑也是先快后慢地遗忘。